Inom området självkörande bilar, Algoritmer för att kontrollera körfältsbyten är ett viktigt ämne att studera. Men de flesta befintliga körfältsbytealgoritmer har en av två nackdelar:Antingen förlitar de sig på detaljerade statistiska modeller av förarmiljön, som är svåra att montera och för komplexa för att analysera i farten; eller de är så enkla att de kan leda till opraktiskt konservativa beslut, som att aldrig byta fil alls.

Vid den internationella konferensen om robotik och automation i morgon, forskare från MIT:s datavetenskap och artificiell intelligens Laboratory (CSAIL) kommer att presentera en ny körfältsbytealgoritm som delar skillnaden. Det möjliggör mer aggressiva filbyten än de enkla modellerna gör men förlitar sig bara på omedelbar information om andra fordons riktningar och hastigheter för att fatta beslut.

"Motivationen är, "Vad kan vi göra med så lite information som möjligt?", säger Alyssa Pierson, en postdoc på CSAIL och första författare på det nya papperet. "Hur kan vi få ett autonomt fordon att bete sig som en mänsklig förare kan bete sig? Vilken är den minsta mängd information bilen behöver för att framkalla det mänskliga beteendet?"

Pierson får sällskap på tidningen av Daniela Rus, Viterbi-professorn i elektroteknik och datavetenskap; Sertac Karaman, docent i luftfart och astronautik; och Wilko Schwarting, doktorand i elektroteknik och datavetenskap.

"Optimeringslösningen kommer att säkerställa navigering med filbyten som kan modellera en hel rad körstilar, från konservativ till aggressiv, med säkerhetsgarantier, säger Rus, som är chef för CSAIL.

Ett standard sätt för autonoma fordon att undvika kollisioner är att beräkna buffertzoner runt de andra fordonen i miljön. Buffertzonerna beskriver inte bara fordonens nuvarande positioner utan deras sannolika framtida positioner inom en viss tidsram. Att planera filbyten blir då en fråga om att helt enkelt hålla sig utanför andra fordons buffertzoner.

För varje given metod för att beräkna buffertzoner, algoritmdesigners måste bevisa att det garanterar kollisionsundvikande, inom ramen för den matematiska modell som används för att beskriva trafikmönster. Det beviset kan vara komplext, så de optimala buffertzonerna beräknas vanligtvis i förväg. Under operationen, det autonoma fordonet anropar sedan de förberäknade buffertzonerna som motsvarar dess situation.

Problemet är att om trafiken är tillräckligt snabb och tät nog, förberäknade buffertzoner kan vara för restriktiva. Ett autonomt fordon kommer inte att byta fil alls, medan en mänsklig förare glatt snärjda runt vägbanan.

Med MIT-forskarnas system, om standardbuffertzonerna leder till prestanda som är mycket sämre än en mänsklig förares, systemet kommer att beräkna nya buffertzoner i farten – komplett med bevis på att kollision undviks.

Det tillvägagångssättet beror på en matematiskt effektiv metod för att beskriva buffertzoner, så att kollisionsundvikande bevis kan utföras snabbt. Och det är vad MIT-forskarna utvecklade.

De börjar med en så kallad Gauss-fördelning — den välbekanta sannolikhetsfördelningen för klockkurvan. Den fördelningen representerar bilens nuvarande position, tar hänsyn till både dess längd och osäkerheten i dess lokaliseringsuppskattning.

Sedan, baserat på uppskattningar av bilens riktning och hastighet, forskarnas system konstruerar en så kallad logistisk funktion. Att multiplicera den logistiska funktionen med den Gaussiska fördelningen snedvrider fördelningen i bilens rörelseriktning, med högre hastigheter ökar skevheten.

Den sneda fördelningen definierar fordonets nya buffertzon. Men dess matematiska beskrivning är så enkel – med bara några få ekvationsvariabler – att systemet kan utvärdera det i farten.

Forskarna testade sin algoritm i en simulering med upp till 16 autonoma bilar som körde i en miljö med flera hundra andra fordon.

"De autonoma fordonen var inte i direkt kommunikation utan körde den föreslagna algoritmen parallellt utan konflikter eller kollisioner, " förklarar Pierson. "Varje bil använde en annan risktröskel som gav en annan körstil, gör det möjligt för oss att skapa konservativa och aggressiva förare. Med hjälp av den statiska, förberäknade buffertzoner skulle endast tillåta konservativ körning, vår dynamiska algoritm möjliggör ett bredare utbud av körstilar. "