LUCIDGames: een techniek om adaptieve trajecten voor autonome voertuigen te plannen

Hoewel veel zelfrijdende voertuigen opmerkelijke prestaties hebben behaald in simulaties of eerste tests, zijn ze, wanneer ze op echte straten worden getest, vaak niet in staat om hun traject of bewegingen aan te passen aan die van andere voertuigen of agenten in hun omgeving. Dit geldt met name in situaties die een zekere mate van onderhandeling vereisen, bijvoorbeeld op kruispunten of op straten met meerdere rijstroken.

Onderzoekers van Stanford University hebben onlangs LUCIDGames ontwikkeld, een computationele techniek die adaptieve trajecten voor autonome voertuigen kan voorspellen en plannen. Deze techniek, gepresenteerd in een paper die vooraf is gepubliceerd op arXiv, integreert een algoritme gebaseerd op speltheorie en een schattingsmethode.

“Na de vooruitgang in zelfrijdende technologie die de afgelopen jaren heeft plaatsgevonden, hebben we geconstateerd dat sommige rijmanoeuvres, zoals linksaf slaan op een onbeschermd kruispunt, van rijstrook wisselen of invoegen op een drukke snelweg, nog steeds een uitdaging kunnen zijn voor jezelf. autorijden, terwijl mensen ze vrij gemakkelijk kunnen uitvoeren, “vertelde Simon Le Cleac’h, een van de onderzoekers die het onderzoek uitvoerde, aan TechXplore. “Wij zijn van mening dat deze interacties een aanzienlijk deel van de onderhandeling tussen het zelfrijdende voertuig en de auto’s in zijn omgeving inhouden.”

Mensen zijn over het algemeen in staat om de doelen te achterhalen van andere chauffeurs die voertuigen in hun omgeving besturen en beslissingen te nemen, zoals wie het eerst gaat op een bepaald kruispunt. In hun studie probeerden Le Cleac’h en zijn collega’s dit vermogen en het complexe gedrag dat eraan ten grondslag ligt te repliceren in zelfrijdende auto’s. Hun algemene doel was om zelfrijdende auto’s de doelen van andere voertuigen in hun omgeving te laten identificeren om geschiktere trajecten te plannen in scenario’s die een zekere mate van onderhandeling vereisen.

“Ons werk combineert twee primaire tools, een algoritme dat steunt op speltheorie en een schattingstechniek”, zei Le Cleac’h. “De component op basis van speltheorie stelt de zelfrijdende auto in staat om te redeneren over de interacties met andere agenten (voertuigen, voetgangers, fietsers enz.) Wanneer hun doelstellingen misschien niet volledig in lijn zijn met zijn eigen doelstelling. Het schattingsgedeelte anderzijds hand, stelt een zelfrijdend voertuig in staat om snel de onderliggende doelen van andere agenten te ontdekken terwijl ze ermee omgaan, zoals bijvoorbeeld de gewenste snelheid, de gewenste rijstrook of het agressiviteitsniveau van elk voertuig dat in wisselwerking staat met de zelfrijdende auto . “

LUCIDGames, de techniek voorgesteld door Le Cleac’h en zijn collega’s, is ontworpen om zelfrijdende voertuigen de mogelijkheid te bieden om snel de doelstellingen van zowel auto’s als voetgangers in hun omgeving te identificeren. Hierdoor kunnen ze voorspellen wat deze agents in de toekomst zullen doen en veilig om hen heen opereren, zelfs in complexe scenario’s.

Het systeem dat door de onderzoekers is gemaakt, bestaat uit een ‘schatter’, een techniek om de doelstellingen van bestuurders te identificeren, en een ‘beslisser’, een algoritme dat de stuurhoek en acceleratie van het zelfrijdende voertuig regelt. De beslisser identificeert de meest geschikte trajecten voor het voertuig op basis van de informatie verzameld door de schatter.

“In eerste instantie kent een zelfrijdende auto de doelstellingen van de auto’s die ernaast rijden niet, dus de schatter gokt naar de doelstellingen van de auto’s.” Le Cleac’h legde uit. “Voor elke gok voorspelt de autonome auto wat het traject van de auto’s de komende seconden zal zijn; daarna vergelijkt hij de voorspellingen met wat er in werkelijkheid is gebeurd. De gok die het meest nauwkeurig was bij het voorspellen van de toekomst, blijft behouden.”

Na deze initiële training neemt LUCIDGames nieuwe schattingen van de trajecten van de andere agenten die zeer dicht bij de vastgehouden schattingen liggen, en evalueert ze hun voorspellingsprestaties. Door dit proces meerdere keren per seconde te herhalen, verfijnt het zijn gok en komt het tot een definitieve voorspelling van hoe andere agenten in zijn omgeving zullen bewegen.

“Met onze techniek weet de zelfrijdende auto ook wanneer hij zelfverzekerd kan raden en wanneer er te veel onzekerheid is en het vertrouwen lager is”, aldus Le Cleac’h. “In deze onzekere situaties zal het maatregelen nemen die voorzichtiger zijn en grotere veiligheidsafstanden met andere voertuigen aanhouden.”

Dankzij de schattingscomponent van de techniek die door Le Cleac’h en zijn collega’s is bedacht, kunnen zelfrijdende auto’s hun beslissingen ook aanpassen op basis van het type bestuurder dat ze op straat tegenkomen. Het kan bijvoorbeeld bepalen of een bestuurder bijzonder agressief is, waardoor de beslissingscomponent de trajecten en bewegingen van de autonome auto dienovereenkomstig kan aanpassen (bijvoorbeeld door grotere veiligheidsafstanden aan te houden met het voertuig bestuurd door de agressieve bestuurder). Zonder deze schattingstechniek zou een zelfrijdende auto op dezelfde manier rijden en dezelfde handelingen uitvoeren, ongeacht of bestuurders in zijn omgeving voorzichtig of agressief zijn, wat het risico op ongevallen zou kunnen vergroten.

“We hebben gezien dat het combineren van concepten uit de speltheorie en schatting een efficiënte manier was om complex rijgedrag voor de zelfrijdende auto te genereren in scenario’s waarin interactie en onderhandeling met andere bestuurders centraal staan”, aldus Le Cleac’h. “Ons algoritme was in staat om schattingen uit te voeren en beslissingen te nemen voor de zelfrijdende auto op basis van realistische rijscenario’s met een snelheid die snel genoeg was om het in de praktijk toepasbaar te maken.”

In de toekomst zou LUCIDGames kunnen helpen om de veiligheid en betrouwbaarheid van zelfrijdende voertuigen te verbeteren, door hen in staat te stellen zich adaptief te verplaatsen door te anticiperen op de bewegingen en acties van agenten in hun omgeving. Tot dusverre evalueerden Le Cleac’h en zijn collega’s de techniek alleen in simulaties, maar ze zijn nu van plan om het te testen op echte autonome auto’s.

“Ons onderzoek wordt gedeeltelijk gefinancierd door het Toyota Research Institute (TRI) en we zijn van plan om met TRI samen te werken om LUCIDGames op hun voertuigen te testen”, aldus Le Cleac’h. “Ons laboratorium (het Multi-Robot Systems Lab op Stanford) heeft al geëxperimenteerd met speltheoretische interacties tussen voertuigen op kleinschalige modelauto’s en op een zelfrijdende auto op ware grootte door samen te werken met het Center for Automotive Research in Stanford. (AUTO’S). ”