На пути к созданию автономных транспортных средств стояла проблема стоимости и времени, связанных с тестированием безопасности. Новая система, разработанная в University of Michigan (UM), показывает, что ИИ может значительно сократить количество необходимых для тестирования километров.
Это может позволить производителям быстрее проверять, может ли их технология автономных транспортных средств в будущем спасти жизни и снизить количество ДТП. В смоделированной среде автомобили, обученные искусственным интеллектом, выполняют опасные маневры, заставляя системы автономного вождения принимать решения, с которыми водители сталкиваются на дороге довольно редко.
"Критические для безопасности события, аварии или близкие к ним ситуации, очень редки в реальном мире, и часто автономные машины испытывают трудности с их устранением", - говорит Генри Лю, профессор гражданского строительства UM и директор Mcity.
Исследователи UM называют эту проблему "curse of rarity" (проклятие редкости), и они решают ее путем обучения на основе реальных данных о дорожном движении, которые содержат редкие события, имеющие критическое значение для безопасности. Тестирование, проведенное на испытательных треках, имитирующих городское и шоссейное движение, показало, что виртуальные автомобили, обученные ИИ, могут ускорить процесс тестирования в тысячи раз. Исследование опубликовано в журнале Nature.
"Используемые нами автомобили для тестирования являются реальными, но мы создали среду тестирования со смешанной реальностью. Фоновые автомобили виртуальны, что позволяет нам обучать их создавать сложные сценарии, которые лишь изредка случаются на дорогах", - сказал Лю.
Команда UM использовала подход к обучению фоновых автомобилей, который удаляет некритичную для безопасности информацию из данных о вождении, используемых в симуляции. По сути, это позволяет избавиться от длинных промежутков времени, когда другие водители и пешеходы ведут себя ответственно и ожидаемо, но сохраняет опасные моменты, которые требуют действий, например, когда другой водитель проезжает на красный свет.
Используя только важные для безопасности данные для обучения нейронных сетей, принимающих решения о маневрах, тестовые автомобили могут столкнуться с большим количеством таких редких событий за более короткий промежуток времени, что делает тестирование намного дешевле.
"Плотное обучение с подкреплением раскроет потенциал ИИ для проверки критически важных автономных систем, таких как транспортные средства, медицинская робототехника и аэрокосмические системы, - говорит Шуо Фенг, доцент кафедры автоматизации Университета Цинхуа и бывший помощник научного сотрудника Института транспортных исследований при Университете Южной Америки. - Это также открывает возможности для ускоренного обучения критически важных для безопасности автономных систем с помощью тестовых агентов на базе ИИ, что может создать симбиотические отношения между тестированием и обучением, ускоряя обе сферы".
Испытания проводились в городских условиях испытательного полигона Mcity в Энн-Арборе, а также на испытательном треке на шоссе в Американском центре мобильности в Ипсиланти. Наборы данных реального мира, которые поддерживают симуляцию в Mcity, собраны с "умных" перекрестков в Энн-Арборе и Детройте. Каждый перекресток оснащен датчиками, которые фиксируют и классифицируют каждого участника дорожного движения, определяя его скорость и направление движения.
Комментарии
(0) Добавить комментарий