Беспилотные автомобили работают на алгоритмах машинного обучения, которым для безопасной работы требуются огромные объемы данных о вождении. Но если бы беспилотные автомобили могли бы научиться водить машину так же, как младенцы учатся ходить — наблюдая и подражая окружающим их людям, — им потребовалось бы гораздо меньше собираемых данных о вождении. 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 и 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 данные. 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 [данных, собранных в дороге] — всего лишь капля в океане реальных событий и разнообразия», — говорит Он-Бар. «Тем не менее, отсутствующий образец данных может привести к небезопасному поведению и потенциальному сбою».

    Предложенный исследователями алгоритм машинного обучения работает, оценивая точки обзора и слепые зоны других близлежащих автомобилей, для того 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 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 пятиполосные 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% случаев. 

   «В то время как предыдущие лучшие методы требовали часов, мы были удивлены, что наш метод смог научиться безопасно управлять автомобилем, имея всего 10 минут данных о вождении», — говорит Он-Бар.

   По его словам, эти результаты являются многообещающими, в связи с этим 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.