Эта идея подталкивает инженера Бостонского университета Эшеда Он-Бар к разработке совершенно нового способа для автономных транспортных средств изучать методы безопасного вождения - наблюдая за другими машинами на дороге, прогнозируя, как они будут реагировать на окружающую среду, и используя эту информацию, чтобы их собственные решения вождения.

Он-Бар, доцент кафедры электротехники и вычислительной техники инженерного колледжа, младший научный сотрудник Института вычислительной техники и вычислительной техники им. Рафика Б. Харири, и Джимуян Чжан, аспирант кафедры электротехники и вычислительной техники, недавно представили свои исследования на конференции 2021 года по компьютерному зрению и распознаванию образов. Их идея парадигмы обучения возникла из желания расширить обмен данными и сотрудничество между исследователями в своей области - в настоящее время автономным транспортным средствам требуется много часов данных о вождении, чтобы научиться безопасно управлять автомобилем, но некоторые из крупнейших мировых автомобильных компаний сохраняют свои обширные объемы конфиденциальных данных для предотвращения конкуренции.

«Каждая компания проходит один и тот же процесс: забирают автомобили, устанавливают на них датчики, платят водителям за управление транспортными средствами, собирают данные и обучают автомобили вождению», - говорит Он-Бар. Обмен данными о вождении может помочь компаниям быстрее создавать безопасные автономные транспортные средства, позволяя всем членам общества получать выгоду от сотрудничества. Он-Бар говорит, что для нормальной работы системам искусственного интеллекта требуется так много данных, что ни одна компания не сможет решить эту проблему в одиночку.

«Миллиарды миль [of data collected on the road] - всего лишь капля в океане реальных событий и разнообразия », - говорит Он-Бар. «Тем не менее, отсутствие выборки данных может привести к небезопасному поведению и потенциальному сбою».

Предложенный исследователями алгоритм машинного обучения работает, оценивая точки обзора и слепые зоны других близлежащих автомобилей, чтобы создать карту окружающей среды с высоты птичьего полета. Эти карты помогают беспилотным автомобилям обнаруживать препятствия, такие как другие автомобили или пешеходы, и понимать, как другие автомобили поворачивают, преодолевают препятствия и уступают дорогу, не врезаясь ни во что.

С помощью этого метода беспилотные автомобили обучаются, переводя действия окружающих транспортных средств в свои собственные системы координат - нейронные сети, работающие на основе алгоритмов машинного обучения. Эти другие автомобили могут быть управляемыми людьми транспортными средствами без каких-либо датчиков или автомобилями с автопилотом другой компании. Поскольку наблюдения за всеми окружающими автомобилями в сцене являются центральными для обучения алгоритма, эта парадигма «обучения путем наблюдения» способствует обмену данными и, следовательно, более безопасным автономным транспортным средствам.

Он-Бар и Чжан протестировали свой алгоритм «смотри и учись», заставив управляемые им автономные автомобили перемещаться по двум виртуальным городам: один с прямыми поворотами и препятствиями, похожими на их тренировочную среду, а другой с неожиданными поворотами, такими как пятисторонние перекрестки. В обоих сценариях исследователи обнаружили, что их беспилотная нейронная сеть попадает в очень мало аварий. Имея всего один час данных о вождении для обучения алгоритма машинного обучения, автономные транспортные средства благополучно прибывали к месту назначения в 92 процентах случаев.

«В то время как предыдущие лучшие методы требовали часов, мы были удивлены, что с помощью нашего метода можно научиться безопасному вождению всего за 10 минут данных о вождении», - говорит Он-Бар.

По его словам, эти результаты являются многообещающими, но все еще остается несколько открытых проблем в сложных городских условиях. «Очень сложно учитывать резко различающиеся точки зрения на наблюдаемые автомобили, шум и непрозрачность при измерениях датчиков и различных водителей», - говорит он.

Забегая вперед, команда говорит, что их метод обучения автономных транспортных средств самостоятельному вождению может быть использован и в других технологиях. «Роботы-доставщики или даже дроны могут учиться, наблюдая за другими системами ИИ в их среде», - говорит Он-Бар.