A szimulátorok jelentősen lecsökkentik az AV-tesztek idejét és költségeit
A valóban autonóm járművek felé való törekvést hátráltatják a biztonsági teszteléssel járó költségek és idő, de a Michigani Egyetemen kifejlesztett új rendszer azt mutatja, hogy a mesterséges intelligencia 99,99%-kal csökkentheti a teszteléshez szükséges kilométereket.
Ez paradigmaváltást indíthat el, amely lehetővé teszi a gyártók számára, hogy gyorsabban ellenőrizzék, hogy autonóm járműtechnológiájuk képes-e életeket menteni és csökkenteni a balesetek számát. Szimulált környezetben a mesterséges intelligencia által kiképzett járművek veszélyes manővereket hajtanak végre, és az AV-t olyan döntések meghozatalára kényszerítik, amelyek csak ritkán szembesülnek a vezetőkkel az úton, de a járművek jobb betanításához szükségesek.
Ahhoz, hogy az adatgyűjtés során ismételten szembesüljenek az ilyen helyzetekkel, a valós tesztjárműveknek százmillió-százmilliárd km-t kell megtenniük.
„A biztonság szempontjából kritikus események – a balesetek vagy a közeli balesetek – nagyon ritkák a való világban, és az AV-k gyakran nehezen tudják kezelni őket” – mondta Henry Liu, a Michigani Egyetem építőmérnöki professzora, valamint az Mcity és a Center for Connected and Automated Transportation, az Egyesült Államok Közlekedési Minisztériuma által finanszírozott regionális közlekedési kutatóközpont igazgatója.
Az Egyetem kutatói a problémát a „ritkaság átkának” nevezik, és úgy kezelik, hogy tanulnak a valós közlekedési adatokból, amelyek ritka, biztonság szempontjából kritikus eseményeket tartalmaznak. A városi és országúti vezetést utánzó tesztpályákon végzett tesztek azt mutatták, hogy a mesterséges intelligencia által kiképzett virtuális járművek több ezerszeresére képesek felgyorsítani a tesztelési folyamatot.
„Az általunk használt AV-tesztjárművek valódiak, de létrehoztunk egy vegyes valóságú tesztelési környezetet. A háttérjárművek virtuálisak, ami lehetővé teszi, hogy megtanítsuk őket olyan kihívásokkal teli forgatókönyvek létrehozására, amelyek csak ritkán fordulnak elő az utakon” – mondta Liu.
Az Egyetem csapata olyan megközelítést alkalmazott a háttérjárművek betanítására, amely eltávolítja a biztonság szempontjából nem kritikus információkat a szimulációban használt vezetési adatokból. Alapvetően megszabadul a hosszú szakaszoktól, amikor más vezetők és gyalogosok felelősségteljesen, elvárt módon viselkednek – de megőrzi azokat a veszélyes pillanatokat, amelyek cselekvést igényelnek, például amikor egy másik vezető áthajt a piros lámpán.
Ha csak a biztonság szempontjából kritikus adatokat használjuk a manőverezési döntéseket hozó neurális hálózatok betanításához, a tesztjárművek rövidebb idő alatt több ilyen ritka eseménybe ütközhetnek, így a tesztelés sokkal olcsóbb.
„A sűrű megerősített tanulás felszabadítja a mesterséges intelligenciában rejlő lehetőségeket a biztonság szempontjából kritikus autonóm rendszerek, például az AV-k, az orvosi robotika és az űrrepülőgép-rendszerek intelligenciájának validálására” – mondta Shuo Feng, a Tsinghua Egyetem Automatizálási Tanszékének adjunktusa és korábbi kutatósegéd a Michigani Egyetem Közlekedési Kutatóintézetében.
„Az AI-alapú tesztelő ágensek kihasználásával megnyitja a kaput a biztonság szempontjából kritikus autonóm rendszerek felgyorsított képzése előtt is, ami szimbiotikus kapcsolatot teremthet a tesztelés és a képzés között, felgyorsítva mindkét területet.”
Nyilvánvaló, hogy a képzés, valamint a ráfordított idő és költség akadályt jelent. A Bloomberg októberi cikke szerint bár a robotaxik terén vezető Waymo járművei 32 millió km-t tettek meg az elmúlt évtizedben, de ennél sokkal több adatra volt szükség.
„Ez azt jelenti – írta a szerző –, hogy a Waymo autóinak az eddig távolság további 25-szörösét kellene levezetniük, mielőtt még csak homályos bizonyossággal is kijelenthetnénk, hogy kevesebb halálesetet okoznak, mint a buszsofőrök.”
A tesztelést a McCity városi környezetében, Ann Arborban, valamint az ypsilanti-i Amerikai Mobilitási Központ autópálya tesztpályáján végezték.
A 2015-ben piacra dobott Mcity volt a világ első erre a célra épített tesztkörnyezete összekapcsolt és autonóm járművek számára. A National Science Foundation új támogatásával a külső kutatók hamarosan képesek lesznek távoli, vegyes valóság teszteket futtatni szimulációs és fizikai tesztpályán egyaránt.
Az Mcity-szimulációkat támogató valós adatkészleteket Ann Arbor és Detroit intelligens kereszteződéseiből gyűjtik össze, amihez még további kereszteződéseket kell felszerelni. Minden kereszteződésben magán adatokat védő érzékelők vannak felszerelve, amelyek rögzítik és kategorizálják az úthasználókat, azonosítva azok sebességét és irányát.
Forrás: techxplore.com
