Model Mengemudi Sendiri Mengatasi Masalah Lalu Lintas yang Sulit:Jalan Sempit

Katakanlah dua kendaraan saling berhadapan di jalan satu arah.

Jika Anda berada di belakang kemudi dalam skenario mengemudi yang ketat dan menantang seperti ini, Anda dapat bernegosiasi dengan pihak-pihak terdekat. Anda dapat menepi ke sisi jalan dan kemudian memberi isyarat agar pengemudi di depan menarik melalui jalur tipis. Melalui interaksi, Anda dapat mengetahui manuver yang membuat semua orang tetap aman dan mencapai tujuan mereka.

Mobil self-driving memiliki tantangan yang lebih berat, dan entah bagaimana harus memahami pengemudi di sekitar, dan kesediaan mereka untuk bermain baik.

Algoritme baru yang sedang dikembangkan dapat memandu kendaraan otonom melalui lalu lintas yang padat di jalan yang padat dan sempit.

Algoritme, yang dibuat oleh para peneliti di Pusat Penelitian Kendaraan Otonom Argo AI Carnegie Mellon University , membuat keputusannya dengan memodelkan tingkat kerja sama pengemudi yang berbeda — seberapa besar kemungkinan seorang pengemudi menepi untuk membiarkan pengemudi lain lewat.

Dengan "Multi-Agent Reinforcement Learning," atau MARL, tim yang dipimpin oleh peneliti Christoph Killing, mendapatkan kendaraan otonom untuk menunjukkan perilaku seperti manusia, termasuk mengemudi defensif dan menafsirkan perilaku agen lain — dalam simulasi, sejauh ini.

Algoritme tersebut belum pernah digunakan pada kendaraan di dunia nyata, tetapi hasilnya menjanjikan, berkat sistem berbasis penghargaan model tersebut.

"Kami mendorong interaksi dengan mempertimbangkan keselamatan," kata Killing, mantan peneliti tamu di Institut Robotika Sekolah Ilmu Komputer dan sekarang menjadi bagian dari Autonomous Aerial Systems Lab di Technical University of Munich.

Dalam T&J singkat dengan Ringkasan Teknologi di bawah ini, Christoph menjelaskan lebih lanjut tentang bagaimana model berbasis insentif timnya menavigasi situasi lalu lintas yang sulit, di mana tidak ada aturan jalan resmi.

Ringkasan Teknologi: Apakah Anda akan mencirikan model Anda sebagai lebih kooperatif atau agresif, saat menavigasi tantangan yang membutuhkan sedikit dari keduanya?

Pembunuhan Christoph: Seperti dalam skenario mengemudi apa pun, kendaraan otonom harus mengutamakan keselamatan dan mengikuti semua peraturan lalu lintas. Namun — dan inilah keindahan dan tantangan skenario yang dipertimbangkan — tidak ada aturan lalu lintas yang terkoordinasi dalam skenario semacam ini (berbeda dengan persimpangan berhenti 4 arah, misalnya). Dua kendaraan dengan hak jalan yang sama pada dasarnya harus merundingkan siapa yang berjalan lebih dulu dan siapa yang menunggu.

Jika kedua kendaraan itu murni fokus pada keselamatan, keduanya akan menepi. Tantangan utama yang kami hadapi dalam penelitian kami adalah:Bagaimana kami membuat satu kendaraan menepi dan satu jalan — tidak membuat kedua kendaraan menepi, tidak membuat kedua kendaraan berjalan, ketika masing-masing membuat keputusan sendiri tanpa koordinasi.

Kami mendorong interaksi dengan mempertimbangkan keselamatan; menabrak dengan kecepatan lebih buruk daripada waktu habis — tetapi waktu tunggu juga menghasilkan penalti kecil untuk memberi insentif kepada agen untuk belajar berinteraksi dan melewati satu sama lain.

Ringkasan Teknologi :Apa parameter utama yang digunakan model Anda untuk menjalankan drive? Dari kriteria apa algoritme mendasarkan keputusannya?

Pembunuhan Christoph :Algoritma kami merasakan apa yang akan tersedia pada mobil yang sebenarnya. Kami memiliki pengukuran jarak dan kecepatan relatif di sekitar bagian depan mobil (lihat Gambar 2 dalam laporan di sini ). Khususnya, dibandingkan dengan pekerjaan terkait, kami tidak menggunakan pandangan mata burung pada skenario tetapi perspektif egosentris. Ini membuatnya sedikit lebih sulit karena kita sekarang memiliki titik buta. Pengamatan ini ditambah dengan parameter lebih lanjut, seperti kerja sama yang disebutkan di atas untuk memberi tahu agen seberapa agresif berperilaku, tetapi juga sudut kemudi dan posisi throttle saat ini (yang juga akan Anda ketahui saat mengemudi sendiri dalam skenario ini).

Ringkasan Teknologi :Apa yang masih menjadi tantangan bagi algoritme untuk mendapatkan yang benar?

Pembunuhan Christoph :Ada dua tantangan utama:pasangan yang terlalu agresif dan pasangan yang terlalu pasif. (Bandingkan visualisasi di sini .) Khususnya, kebijakan kami sering kali dapat menegosiasikan skenario. Namun, penumpang manusia mungkin sangat tidak senang dengan mobil mereka yang melakukan beberapa manuver yang ditunjukkan di sini .

Ringkasan Teknologi :Apa yang dilakukan algoritme ketika jelas bahwa pengemudi lawan menjadi pengemudi yang agresif dan "buruk"? Atau pengemudi yang terlalu “kooperatif”?

Pembunuhan Christoph :Kami menguji kebijakan mengemudi kami dengan menetapkan nilai kooperatif pada setiap kendaraan, memberi tahu seberapa agresif perilakunya. Masing-masing hanya tahu tentang kerjasamanya sendiri, bukan tentang salah satu mobil lawan. Nilai-nilai kooperatif ini diterjemahkan ke dalam perilaku mengemudi dengan cara yang cukup lurus ke depan:Pengemudi yang tidak kooperatif hanya tertarik pada kemajuannya sendiri. Pengemudi yang sangat kooperatif tidak mempermasalahkan kendaraan mana yang membuat kemajuan terlebih dahulu, selama seseorang pergi. Nilai-nilai ini tetap selama interaksi.

(Kami tidak menganggap "kehilangan kesabaran." Saya tidak akan menyelam lebih dalam di sini, tetapi mari kita tetap "untuk alasan matematis.")

Ringkasan Teknologi :Apakah bagian dari model memerlukan semacam "membaca" pengemudi lawan?

Pembunuhan Christoph :Sepatah kata tentang "baca":Dalam robotika, kami membedakan antara keadaan dunia (yaitu, planet Bumi seperti sekarang ini) dan pengamatan. Kendaraan kami tidak memiliki modul memori. Jadi, bagaimana kita menghadapi hal-hal yang tidak kita lihat saat ini?

Lebih Banyak Mobil Self-Driving di Ringkasan Teknologi

Sistem peringatan untuk mobil self-driving belajar dari kegagalan.

Perangkat lunak dari Technical University of Munich menjaga kendaraan swakemudi tetap berada di jalur yang aman.

Katakanlah, misalnya, Anda sedang melakukan panggilan Zoom dengan seseorang. Anda melihat pengamatan parsial dari planet Bumi sehingga dapat dikatakan. Pihak lain mengambil cangkir kopi dari luar bidang pandang kamera mereka, menyesapnya, dan meletakkannya kembali di luar bidang pandang kamera mereka. Jika Anda hanya mempertimbangkan pengamatan terakhir yang Anda lakukan setelah cangkir diletakkan dan ditanya apa yang mereka minum, Anda tidak tahu (karena tidak ada ingatan). Namun, jika Anda menumpuk bersama (kami menyebutnya "menggabungkan") beberapa pengamatan selama beberapa detik terakhir, Anda dapat menyimpulkan sesuatu tentang keadaan dunia saat Anda melihat cangkir dipindahkan di beberapa bingkai. Berdasarkan seberapa cepat mereka menggerakkannya, Anda bahkan mungkin dapat mengetahui sesuatu tentang suasana hati mereka.

Sama halnya, dalam skenario kami, setiap mobil hanya mengetahui agen lainnya, berdasarkan apa yang dapat diamati dari ruang observasi (ditunjukkan pada Gambar 2. dalam makalah ). Status internal (nilai kooperatif dari mobil lain, misalnya) tidak diketahui. Kami menggabungkan beberapa pengamatan parsial dari masing-masing kendaraan untuk memungkinkan mereka secara implisit membentuk kepercayaan tentang seberapa kooperatif kendaraan lain. Kami tidak melakukan ini secara manual tetapi memiliki Deep Neural Network, kecerdasan buatan, yang menyerap tugas. Neural Net ini juga harus mempelajari jawaban atas pertanyaan Anda, yaitu apa yang harus dilakukan setelah melihat suatu agresivitas tertentu atau perilaku yang terlalu kooperatif.

Ringkasan Teknologi :Bagaimana model mencatat perilaku "agresif" atau "kooperatif", dan meresponsnya?

Pembunuhan Christoph :Agen yang terlalu agresif mungkin, misalnya, langsung masuk ke dalam kemacetan skenario ini, yang pada dasarnya memaksa agen lain untuk menunggu. Agen yang terlalu kooperatif akan — segera setelah seluruh hambatan dapat dilihat oleh sensornya — melambat dan menunggu. Di sini kebijakan kami dilatih untuk segera memilih tindakan pelengkap:mendeteksi perlambatan dan melanjutkan, atau sebaliknya.

Ringkasan Teknologi :Apa selanjutnya untuk penelitian ini?

Pembunuhan Christoph :Banyak hal:Tiga poin utama:Pertama, pekerjaan saat ini adalah kendaraan otonom berhadapan dengan kendaraan otonom saja. Kita perlu memperluas ini ke kendaraan otonom yang berhadapan dengan manusia dan melihat seberapa baik kita bekerja sama dengan mereka. Kedua, di kendaraan kerja kami hanya dapat bergerak maju, kami tidak mengizinkan mundur. Namun, ini dapat membantu memulihkan dari situasi di mana kita terjebak. Ketiga, pekerjaan kami saat ini hanya simulasi. Mentransfernya ke solusi dunia nyata adalah langkah besar yang perlu kita ambil di beberapa titik.

Bagaimana menurutmu? Bagikan pertanyaan dan komentar Anda di bawah.