ИИ позволяет беспилотным автомобилям прогнозировать движение других машин

Исследователи всегда знали, что для того, чтобы транспортные средства были полностью автономными, они должны точно предсказывать, что будут делать другие транспортные средства в их окрестностях. Не легкая задача, даже для автомобилей, управляемых людьми. Исследователи Uber в настоящее время используют искусственный интеллект, основанный на системах обнаружения транспортных средств и обширных картографических данных, чтобы значительно повысить точность прогнозирования трафика.

Там нет места для ошибки

Если автономное транспортное средство принимает неправильное решение, может случиться трагедия. Миру напомнил об этом случай 2018-го года, когда пешеход погиб после удара автономной машины Uber. Ночью пешеход толкал свой велосипед по плохо освещенной многополосной дороге в Темпе, штат Аризона. В сообщении о крушении, говорится, что радиолокационная и лидарная системы автомобиля регистрировали пешехода за шесть секунд до столкновения. Однако программное обеспечение сначала классифицировало его как неизвестный объект, затем как транспортное средство и, наконец, как велосипедиста. У каждого из них очень разные ожидаемые движения. Только за 1,3 секунды до удара была признана необходимость в экстренном торможении, чтобы избежать столкновения. 

Исследователи Uber делают значительные успехи

Для безопасной работы на дорогах общего пользования технологии без водителя должны иметь возможность обнаруживать, отслеживать и прогнозировать путь окружающих транспортных средств. Технологи Uber предложили новый способ улучшения прогнозирования движения окружающего трафика. Исследование является новым, потому что оно использует нечто, называемое порождающей состязательной сетью (GAN), вместо менее сложных методов, для прогнозирования движения трафика. Исследователи утверждают, что это улучшит автономное вождение, позволяя в 10 раз повысить точность прогнозов движения.

Что такое порождающая состязательная сеть (GAN)?

GAN – это группа систем машинного обучения, разработанная в 2014 году. Проще говоря, порождающая сеть создает фиктивные результаты в попытке получить их одобрение сетью дискриминаторов, которая «обучена» на правильных реальных примерах. Вместо того, чтобы просто проверять реальные примеры, чтобы убедиться, что они вписываются в набор предварительно определенных примеров в дискриминаторе, GAN создает примеры, пытаясь обмануть дискриминатора, заставляя его думать, что он реальный. В ходе процесса две системы учатся друг у друга, чтобы лучше выполнять свои роли.

Примером может служить создание произведений искусства GAN в попытке убедить сеть дискриминаторов в том, что они являются подлинными работами данного художника.

GAN (SC-GAN), совместимый с Uber, создал возможные движения «другого транспортного средства», которые соответствуют ограничениям в пределах местоположения. Для достижения этого SC-GAN был предоставлен доступ к картам высокой четкости, которые включали такие вещи, как дороги, размеченные пешеходные переходы, вывески, светофоры и указатели полос движения. Это было объединено с данными от систем слежения и обнаружения на транспортных средствах, таких как радар, лидар и датчики камеры. SC-GAN создает систему координат для близлежащих транспортных средств, причем транспортные средства находятся в начале координат осей x и y, определяемых заголовками и левыми сторонами транспортных средств.

Каждому транспортному средству, для которого SC-GAN предсказывает возможные будущие пути, предоставляется математическая матричная версия изображения. Эти изображения покрывают 10 метров спереди и сзади транспортных средств и 30 метров с каждой стороны.

Испытания

Исследовательская группа Uber использует свою систему искусственного интеллекта для работы в TensorFlow, платформе машинного обучения Google. Они использовали большой набор реальных данных за 240 часов вождения в разное время, в разные дни и в разных условиях движения в нескольких городах США. Каждое транспортное средство создавало точку данных каждую десятую секунды. Полученные 7,8 млн. точек данных и окружающая их информация HD-карты были разделены на наборы для обучения, тестирования и оценки моделей.

Результаты

По данным группы исследователей, по сравнению с базовыми результатами SC-SCAN обеспечил 50% -ное снижение прогнозируемых траекторий движения транспортных средств, которые фактически находились вне дороги или не находились в зоне вождения для каждого автомобиля. Они также сообщили, что он превзошел существующие современные архитектуры GAN для прогнозирования движения. Это «значительно уменьшило» окончательное количество ошибок прогнозирования.

Исследователи также отметили, что SC-GAN успешно предсказывал движение автомобиля, даже в довольно сложных пограничных случаях. Например, когда машина приближалась к перекрестку в полосе движения, проходящей только по прямой, SC-GAN справедливо предсказал, что она продолжит движение прямо, даже несмотря на то, что отслеживаемый курс автомобиля был слегка наклонен влево. В другой месте SC-GAN правильно предвидел, что после поворота на поворотной полосе автомобиль повернет направо.

Так что же это значит для автономного вождения?

Как указали авторы исследования, прогнозирование движения является одним из важнейших компонентов безошибочной технологии автономного вождения. Речь идет о моделировании поведения в будущем и неопределенности обнаруженных и отслеживаемых участников дорожного движения в непосредственной близости от машины.

Они дали понять, что их обширный анализ показал, что разработанный метод работает лучше, чем наилучшее из доступных предсказаний движения окружающих объектов на основе GAN. Важным результатом является более реалистичное и точное производство возможностей.

Вас также может заинтересовать:

ИИ ускорил разработку быстрозаряжаемых батарей для электромобилей