Mobil Otonom Mahir Navigasi Jalan Sempit

Katakanlah dua kendaraan sedang menuju satu sama lain di jalan satu arah.

Jika Anda di belakang roda dalam skenario pengujian yang sempit dan menantang ini, Anda dapat bernegosiasi dengan pihak di sekitar. Anda dapat berhenti di sisi jalan dan kemudian mengisyaratkan untuk pengemudi di depan untuk melewati jalan sempit. Melalui interaksi, Anda dapat menentukan manuver yang menjaga semua orang aman dan sampai ke tujuan mereka.

Mobil otonom memiliki tantangan yang lebih sulit, dan harus dapat memahami pengemudi di sekitar, dan keinginan mereka untuk bermain baik.

Algoritma baru yang sedang dikembangkan dapat memandu kendaraan otonom melalui lalu lintas yang sulit di jalan sempit yang ramai.

Algoritma, yang dibangun oleh peneliti di Carnegie Mellon University Argo AI Center for Autonomous Vehicle Research , membuat keputusan dengan memodelkan berbagai tingkat kooperatifitas pengemudi — seberapa besar kemungkinan pengemudi untuk berhenti di sisi untuk membiarkan pengemudi lain lewat.

Dengan "Multi-Agent Reinforcement Learning," atau MARL, tim, dipimpin oleh peneliti Christoph Killing, membuat kendaraan otonom menunjukkan perilaku mirip manusia, termasuk pengujian defensif dan menginterpretasi perilaku agen lain — dalam simulasi, hingga saat ini.

Algoritma belum digunakan pada kendaraan di dunia nyata, tetapi hasilnya menjanjikan, berkat sistem berbasis imbalan model.

"Kami mendorong interaksi dengan keselamatan dalam pikiran," kata Killing, ex-researcher visiting scholar di School of Computer Science's Robotics Institute  dan sekarang bagian dari Autonomous Aerial Systems Lab di Technical University of Munich.

Dalam Q&A singkat dengan Tech Briefs di bawah ini, Christoph menjelaskan lebih banyak tentang bagaimana model berbasis insentif timnya menavigasi situasi lalu lintas yang sulit, di mana tidak ada aturan resmi jalan.

Tech Briefs: Apakah Anda akan mengkarakterisasi model Anda sebagai lebih kooperatif atau agresif, saat menavigasi tantangan yang memerlukan sedikit dari keduanya?

Christoph Killing: Seperti dalam skenario pengemudi apapun, kendaraan otonom harus menempatkan keselamatan di tempat pertama dan mematuhi semua aturan lalu lintas. Namun — dan ini adalah keindahan dan tantangan dari skenario yang dipertimbangkan — tidak ada aturan lalu lintas yang menyelaras dalam jenis skenario ini (dalam kontras dengan perempatan 4 arah, misalnya). Dua kendaraan dengan hak jalur yang sama harus bernegosiasi dasarnya siapa yang pergi duluan dan siapa yang menunggu.

Jika kedua kendaraan fokus penuh pada keselamatan, mereka keduanya akan berhenti di sisi. Tantangan utama yang dihadapi kami dalam penelitian kami adalah: Bagaimana kami membuat satu kendaraan berhenti di sisi dan satu pergi — bukan untuk membuat kedua kendaraan berhenti di sisi, bukan untuk membuat kedua kendaraan pergi, saat setiap orang membuat keputusan mereka sendiri tanpa instance yang menyelaras.

Kami mendorong interaksi dengan keselamatan dalam pikiran; tabrakan dengan kecepatan lebih buruk daripada waktu habis — tetapi waktu habis juga menghasilkan penalti kecil untuk mendorong agen untuk belajar berinteraksi dan lewat satu sama lain.

Tech Briefs: Parameter utama apa yang digunakan model Anda untuk menjalankan pengemudi? Kriteria apa yang digunakan algoritma untuk membuat keputusan?

Christoph Killing: Algoritma kami melihat apa yang akan tersedia pada mobil sebenarnya. Kami memiliki pengukuran jarak dan kecepatan relatif di sekitar depan mobil (lihat Fig. 2 dalam laporan di sini ). Terutama, dibandingkan dengan pekerjaan terkait, kami tidak menggunakan pandangan burung pada skenario tetapi pandangan egosentrik. Ini membuatnya sedikit lebih sulit karena sekarang kita memiliki titik buta. Observasi ini diperkaya oleh parameter tambahan, seperti kooperatifitas yang disebutkan di atas untuk memberi tahu agen seberapa agresif untuk bertindak, tetapi juga sudut pengemudi saat ini dan posisi throttle (yang Anda ketahui juga saat mengemudi sendiri dalam skenario ini).

Tech Briefs: Apa yang masih menantang untuk algoritma untuk dilakukan dengan benar?

Christoph Killing: Ada dua tantangan utama: pasangan yang terlalu agresif dan pasangan yang terlalu pasif. (Bandingkan visualisasi di sini .) Terutama, kebijakan kami dapat bernegosiasi skenario sebagian besar waktu. Namun, penumpang manusia mungkin akan cukup tidak senang dengan mobil mereka melakukan beberapa manuver yang ditampilkan di sini .

Tech Briefs: Apa yang dilakukan algoritma saat jelas bahwa pengemudi lawan merupakan pengemudi yang agresif, "buruk"? Atau pengemudi yang terlalu "kooperatif"?

Christoph Killing: Kami menguji kebijakan pengemudi kami dengan memberikan nilai kooperatifitas pada setiap kendaraan, memberitahu cara agresif untuk bertindak. Setiap hanya mengetahui kooperatifitasnya sendiri, bukan kooperatifitas mobil lawan. Nilai kooperatifitas ini diterjemahkan menjadi perilaku pengemudi dengan cara yang cukup sederhana: Pengemudi yang tidak kooperatif hanya tertarik pada kemajuan sendiri. Pengemudi yang sangat kooperatif tidak keberatan kendaraan mana yang membuat kemajuan pertama, asalkan ada yang pergi. Nilai ini tetap tetap selama interaksi.

(Kami tidak mempertimbangkan "kehilangan kesabaran." Saya tidak akan membahas di sini dalam detail tetapi biarkan saja kami di "alasan matematis.")

Tech Briefs: Apakah bagian model memerlukan jenis "bacaan" dari pengemudi lawan?

Christoph Killing: Sebuah kata tentang "bacaan": Dalam robotika, kami membedakan antara kondisi dunia (yaitu, planet Bumi seperti saat ini) dan observasi. Kendaraan kami tidak memiliki modul memori. Jadi, bagaimana kami menangani hal-hal yang tidak kita lihat saat ini?

Lebih Banyak Mobil Otonom di Tech Briefs

Sistem peringatan untuk mobil otonom belajar dari kegagalan.

Perangkat lunak dari Technical University of Munich menjaga kendaraan otonom di jalur yang aman.

Katakanlah, misalnya, Anda berada dalam panggilan Zoom dengan seseorang. Anda melihat observasi parsial dari planet Bumi untuk sementara. Pihak lain mengambil cangkir kopi dari luar bidang pandang kamera mereka, menurunkan, dan menempatkannya kembali di luar bidang pandang kamera mereka. Jika Anda hanya mempertimbangkan observasi terakhir yang Anda buat setelah cangkir diletakkan dan ditanya apa yang mereka minum, Anda tidak tahu (karena tidak ada memori). Namun, jika Anda menumpuk bersama (kami menyebutnya "concatenate") beberapa observasi selama beberapa detik lalu, Anda dapat menyimpulkan sesuatu tentang kondisi dunia karena Anda kemudian melihat cangkir dipindahkan melalui beberapa frame. Berdasarkan seberapa cepat mereka memindahkannya, Anda bahkan mungkin dapat mengatakan sesuatu tentang suasana hati mereka.

Secara setara, dalam skenario kami, setiap mobil hanya mengetahui agen lain, berdasarkan apa yang dapat diamati dari ruang observasi (ditunjukkan dalam Fig 2. dalam kertas ). Kondisi internal (nilai kooperatifitas mobil lain, misalnya) tidak diketahui. Kami menggabungkan beberapa observasi parsial dari setiap mobil untuk memungkinkan mereka untuk secara implisit membentuk kepercayaan tentang seberapa kooperatif mobil lain mungkin. Kami tidak melakukannya secara manual tetapi memiliki Deep Neural Network, kecerdasan buatan, menyerap tugas. Neural Net ini juga harus belajar jawaban atas pertanyaan Anda, yaitu apa yang harus dilakukan setelah itu memperhatikan agresivitas tertentu atau perilaku terlalu kooperatif.

Tech Briefs: Bagaimana model mencatat perilaku "agresif" atau "kooperatif", dan merespons sesuai?

Christoph Killing: Agen yang terlalu agresif mungkin, misalnya, hanya melanjutkan langsung ke botol kencang dari skenario, secara esensial memaksa agen lain untuk menunggu. Agen yang terlalu kooperatif akan — segera setelah seluruh cakupan botol kencang dapat dilihat oleh sensor mereka — melambat dan menunggu. Di sini kebijakan kami dilatih untuk segera memilsi tindakan komplementer: mendeteksi melambat dan pergi, atau sebaliknya.

Tech Briefs: Langkah selanjutnya untuk penelitian ini?

Christoph Killing: Banyak hal: Tiga poin utama: Pertama, pekerjaan saat ini adalah kendaraan otonom dihadapkan dengan kendaraan otonom saja. Kami akan perlu memperluas ini ke kendaraan otonom dihadapkan dengan manusia dan melihat seberapa baik kami bekerja sama dengan mereka. Kedua, dalam pekerjaan kami kendaraan hanya dapat bergerak ke depan, kami tidak mengizinkan mundur. Namun, ini dapat membantu pulih dari situasi di mana kita macet. Ketiga, pekerjaan kami saat ini hanya simulasi. Mentransfer ke solusi dunia nyata adalah langkah besar yang perlu diambil pada suatu titik.

Apa pendapat Anda? Berbagi pertanyaan dan komentar Anda di bawah.