Forskare från MIT och Toyota har designat en ny modell som väger in olika osäkerheter och risker för att hjälpa autonoma fordon att avgöra när det är säkert att gå in i trafiken i korsningar med föremål som hindrar sikten, såsom byggnader som blockerar siktlinjen. Kredit:Massachusetts Institute of Technology
Forskare från MIT och Toyota har designat en ny modell för att hjälpa autonoma fordon att avgöra när det är säkert att gå in i trafiken i korsningar med skymd utsikt.
Att navigera i korsningar kan vara farligt för både förarlösa bilar och människor. 2016, ungefär 23 procent av de dödliga och 32 procent av icke -dödliga trafikolyckor i USA inträffade vid korsningar, enligt en 2018 Department of Transportation study. Automatiserade system som hjälper förarlösa bilar och mänskliga förare att styra genom korsningar kan kräva direkt synlighet av objekten de måste undvika. När deras sikte blockeras av närliggande byggnader eller andra hinder, dessa system kan misslyckas.
Forskarna utvecklade en modell som istället använder sin egen osäkerhet för att uppskatta risken för potentiella kollisioner eller andra trafikstörningar vid sådana korsningar. Det väger flera kritiska faktorer, inklusive alla närliggande visuella hinder, sensorbrus och fel, hastigheten på andra bilar, och till och med andra förares uppmärksamhet. Baserat på den uppmätta risken, systemet kan råda bilen att stanna, dra in i trafiken, eller knuffa framåt för att samla mer data.
"När du närmar dig en korsning finns det risk för kollisioner. Kameror och andra sensorer kräver siktlinje. Om det finns ockluktioner, de har inte tillräckligt med synlighet för att bedöma om det är troligt att något kommer, säger Daniela Rus, chef för datavetenskap och artificiell intelligenslaboratorium (CSAIL) och Andrew och Erna Viterbi professor i elektroteknik och datavetenskap. "I det här arbetet, vi använder en prediktiv kontrollmodell som är mer robust mot osäkerhet, för att hjälpa fordon att säkert navigera i dessa utmanande vägsituationer."
Forskarna testade systemet i mer än 100 försök med fjärrstyrda bilar som svängde vänster vid en upptagen, blockerad korsning i en skenstad, med andra bilar som ständigt kör genom tvärgatan. Experiment involverade helt autonoma bilar och bilar som kördes av människor men med hjälp av systemet. I samtliga fall, systemet hjälpte framgångsrikt bilarna att undvika kollisioner från 70 till 100 procent av tiden, beroende på olika faktorer. Andra liknande modeller implementerade i samma fjärrstyrda bilar kunde ibland inte genomföra en enda provkörning utan en kollision.
Anslutande till Rus på tidningen är:första författaren Stephen G. McGill, Guy Rosman, och Luke Fletcher från Toyota Research Institute (TRI); doktorander Teddy Ort och Brandon Araki, forskaren Alyssa Pierson, och postdoc Igor Gilitschenski, hela CSAIL; Sertac Karaman, en MIT docent i flygteknik och astronautik; och John J. Leonard, Samuel C. Collins professor i maskin- och havsteknik vid MIT och en teknisk rådgivare för TRI.
Modellering av vägsegment
Modellen är speciellt utformad för vägkorsningar där det inte finns något stoppljus och en bil måste ge vika innan den manövrerar in i trafiken vid tvärgatan, som att ta en vänstersväng genom flera körfält eller rondeller. I sitt arbete, forskarna delar upp en väg i små segment. Detta hjälper modellen att avgöra om något visst segment är upptaget för att uppskatta en villkorad kollisionsrisk.
Autonoma bilar är utrustade med sensorer som mäter hastigheten på andra bilar på vägen. När en sensor klockar en förbipasserande bil som reser in i ett synligt segment, modellen använder den hastigheten för att förutsäga bilens utveckling genom alla andra segment. Ett probabilistiskt "bayesiskt nätverk" tar också hänsyn till osäkerheter - såsom bullriga sensorer eller oförutsägbara hastighetsändringar - för att bestämma sannolikheten att varje segment är upptaget av en förbipasserande bil.
På grund av närliggande ocklusioner, dock, denna enkla mätning kanske inte räcker. I grund och botten, om en sensor aldrig kan se ett angivet vägsegment, då tilldelar modellen den en hög sannolikhet att bli tilltäppt. Från där bilen är placerad, det ökar risken för kollision om bilen bara drar ut snabbt i trafiken. Detta uppmuntrar bilen att skjuta framåt för att få bättre överblick över alla blockerade segment. När bilen gör det, modellen sänker sin osäkerhet och, i tur och ordning, risk.
Men även om modellen gör allt korrekt, det finns fortfarande mänskliga fel, så modellen uppskattar även andra förares medvetenhet. "Dessa dagar, förare kan sms:a eller på annat sätt distraheras, så den tid det tar att reagera kan vara mycket längre, "Säger McGill." Vi modellerar den villkorade risken, också."
Det beror på att beräkna sannolikheten för att en förare såg eller inte såg den autonoma bilen som gick in i korsningen. Att göra så, modellen tittar på antalet segment en resande bil har passerat innan korsningen. Ju fler segment den hade ockuperat innan den nådde korsningen, ju större sannolikhet att den har upptäckt den autonoma bilen och desto lägre är risken för kollision.
Modellen summerar alla riskuppskattningar från trafikhastighet, tillslutningar, bullriga sensorer, och förarmedvetenhet. Den överväger också hur lång tid det kommer att ta den autonoma bilen att styra en förplanerad väg genom korsningen, samt alla säkra stoppplatser för korsande trafik. Detta ger en total riskuppskattning.
Den riskuppskattningen uppdateras kontinuerligt för var bilen än befinner sig i korsningen. I närvaro av flera ocklusioner, till exempel, det kommer att knuffa framåt, steg för steg, för att minska osäkerheten. När riskuppskattningen är tillräckligt låg, modellen säger till bilen att köra genom korsningen utan att stanna. Dröjer sig kvar i mitten av korsningen för länge, forskarna fann, ökar också risken för en kollision.
Bistånd och ingripande
Att köra modellen på fjärrstyrda bilar i realtid indikerar att den är effektiv och snabb nog att distribueras till fullskaliga autonoma testbilar inom en snar framtid, säger forskarna. (Många andra modeller är för beräkningstunga för att köra på dessa bilar.) Modellen behöver fortfarande mycket mer noggranna tester innan den används för verklig implementering i produktionsfordon.
Modellen skulle fungera som ett kompletterande riskmått som ett autonomt fordonssystem kan använda för att bättre resonera kring att köra genom korsningar på ett säkert sätt. Modellen skulle också potentiellt kunna implementeras i vissa "avancerade förarassisterande system" (ADAS), där människor har delad kontroll över fordonet.
Nästa, forskarna strävar efter att inkludera andra utmanande riskfaktorer i modellen, såsom närvaro av fotgängare i och runt vägkorsningen.
Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.