توقع سلوك الآخرين على الطريق بالذكاء الاصطناعي
ابتكر الباحثون نظامًا للتعلم الآلي يتنبأ بكفاءة بالمسارات المستقبلية للعديد من مستخدمي الطريق، مثل السائقين وراكبي الدراجات والمشاة، مما قد يمكّن مركبة مستقلة من التنقل بأمان أكبر في شوارع المدينة.
إذا كان الروبوت سيقود مركبة بأمان عبر وسط مدينة بوسطن، فيجب أن يكون قادرًا على التنبؤ بما سيفعله السائقون وراكبو الدراجات والمشاة القريبون بعد ذلك. الائتمان: معهد ماساتشوستس للتكنولوجيا
قد يساعد نظام التعلم الآلي الجديد في يوم من الأيام السيارات بدون سائق على توقع التحركات التالية للسائقين والمشاة وراكبي الدراجات القريبين في الوقت الفعلي.
قد يكون البشر أحد أكبر العوائق أمام المركبات ذاتية القيادة التي تعمل في شوارع المدينة.
إذا كان الروبوت سيقود مركبة بأمان عبر وسط مدينة بوسطن، فيجب أن يكون قادرًا على التنبؤ بما سيفعله السائقون والمشاة وراكبو الدراجات القريبون بعد ذلك.
يُعد التنبؤ بالسلوك مشكلة صعبة، ومع ذلك، فإن حلول الذكاء الاصطناعي الحالية إما أن تكون مبسطة للغاية (قد تفترض أن المشاة يسيرون دائمًا في خط مستقيم)، أو متحفظ جدًا (لتجنب المشاة، يترك الروبوت السيارة في موقف السيارة)، أو يمكنه توقع فقط التحركات التالية لوكيل واحد (عادة ما تحمل الطرق العديد من المستخدمين في وقت واحد.)
ابتكر باحثو معهد ماساتشوستس للتكنولوجيا حلاً بسيطًا ومخادعًا لهذا التحدي المعقد. إنهم يقسمون مشكلة التنبؤ بالسلوك متعدد العوامل إلى أجزاء أصغر ويتعاملون مع كل واحدة على حدة، حتى يتمكن الكمبيوتر من حل هذه المهمة المعقدة في الوقت الفعلي.
تُظهر هذه المحاكاة كيف يمكن للنظام الذي طوره الباحثون التنبؤ بالمسارات المستقبلية (الموضحة باستخدام الخطوط الحمراء) للمركبات الزرقاء في المواقف المرورية المعقدة التي تشمل السيارات الأخرى وراكبي الدراجات والمشاة. الائتمان: معهد ماساتشوستس للتكنولوجيا
يقوم إطار عمل التنبؤ بالسلوك الخاص بهم أولاً بتخمين العلاقات بين اثنين من مستخدمي الطريق – أي السيارة، أو راكب الدراجة، أو المشاة له الحق في الطريق، وأي وكيل سينتج – ويستخدم هذه العلاقات للتنبؤ بالمسارات المستقبلية للعديد من الوكلاء.
كانت هذه المسارات المقدرة أكثر دقة من تلك الموجودة في نماذج التعلم الآلي الأخرى، مقارنةً بتدفق حركة المرور الحقيقي في مجموعة بيانات هائلة جمعتها شركة القيادة الذاتية Waymo.
حتى أن تقنية معهد ماساتشوستس للتكنولوجيا تفوقت على نموذج وايمو المنشور مؤخرًا. ولأن الباحثين قسموا المشكلة إلى أجزاء أبسط، فإن أسلوبهم استخدم ذاكرة أقل.
“هذه فكرة بديهية للغاية، لكن لم يكتشفها أحد بشكل كامل من قبل، وهي تعمل بشكل جيد.
البساطة بالتأكيد ميزة إضافية. نحن نقارن نموذجنا بأحدث النماذج الأخرى في هذا المجال، بما في ذلك النموذج من Waymo ، الشركة الرائدة في هذا المجال، ونموذجنا يحقق أعلى أداء في هذا المعيار الصعب.
يقول المؤلف الرئيسي المشارك شين “سايروس” هوانغ، وهو طالب دراسات عليا في قسم الملاحة الجوية والملاحة الفضائية ومساعد باحث في مختبر بريان ويليامز، أستاذ الطيران والملاحة الفضائية وأستاذ علوم الطيران والفضاء عضو في مختبر علوم الحاسب والذكاء الاصطناعي (CSAIL).
انضم إلى هوانغ وويليامز في الورقة ثلاثة باحثين من جامعة تسينغهوا في الصين: المؤلف الرئيسي المشارك تشياو صن، مساعد باحث؛ جونرو جو، طالب دراسات عليا؛ وكبير المؤلفين Hang Zhao PhD ’19، أستاذ مساعد. سيتم تقديم البحث في مؤتمر الرؤية الحاسوبية والتعرف على الأنماط.
نماذج صغيرة متعددة
تأخذ طريقة التعلم الآلي للباحثين، والتي تسمى M2I، مدخلين: المسارات السابقة للسيارات وراكبي الدراجات والمشاة الذين يتفاعلون في إعدادات حركة المرور مثل تقاطع رباعي الاتجاهات وخريطة لمواقع الشوارع وتكوينات الممرات وما إلى ذلك.
باستخدام هذه المعلومات، يشير متنبئ العلاقة إلى أي من الوكلاء له حق الطريق أولاً، حيث يصنف أحدهما على أنه مارة والآخر كعامل.
ثم يقوم نموذج التنبؤ، المعروف باسم المتنبئ الهامشي، بتخمين مسار العامل المار، لأن هذا العامل يتصرف بشكل مستقل.
نموذج التنبؤ الثاني، المعروف باسم المتنبئ الشرطي، يخمن بعد ذلك ما سيفعله العامل العائد بناءً على تصرفات العامل المار.
يتنبأ النظام بعدد من المسارات المختلفة للميلان والمارة، ويحسب احتمالية كل منها على حدة، ثم يختار النتائج المشتركة الستة ذات الاحتمالية الأعلى لحدوثها.
ينتج M2I تنبؤًا لكيفية تحرك هؤلاء الوكلاء عبر حركة المرور خلال الثواني الثماني القادمة. في أحد الأمثلة، تسببت طريقتهم في إبطاء السيارة حتى يتمكن المشاة من عبور الشارع، ثم زيادة السرعة عند إخلاء التقاطع.
في مثال آخر، انتظرت السيارة حتى مرت عدة سيارات قبل أن تنعطف من شارع جانبي إلى طريق رئيسي مزدحم.
بينما يركز هذا البحث الأولي على التفاعلات بين عاملين، يمكن لـ M2I استنتاج العلاقات بين العديد من العوامل ومن ثم تخمين مساراتهم من خلال ربط عدة تنبؤات هامشية وشرطية.
اختبارات القيادة في العالم الحقيقي
قام الباحثون بتدريب النماذج باستخدام Waymo Open Motion Dataset ، والتي تحتوي على ملايين من مشاهد حركة المرور الحقيقية التي تشمل المركبات والمشاة وراكبي الدراجات المسجلة بواسطة أجهزة استشعار وكاميرات Lidar (الكشف عن الضوء والمدى) والكاميرات المثبتة على مركبات الشركة المستقلة. ركزوا بشكل خاص على الحالات مع وكلاء متعددين.
https://flashnetic.com/r/p.html?f=wjcvgp&e=1418664694388https://flashnetic.com/r/p.html?f=vnwmkkhjt&e=1418664694388https://flashnetic.com/r/p.html?f=yrfuswff&e=1418664694388https://flashnetic.com/r/p.html?f=idpglilay&e=1418664694388https://flashnetic.com/r/p.html?f=ndwpnl&e=1418664694388https://flashnetic.com/r/p.html?f=xgfdnfcca&e=1418664694388https://flashnetic.com/r/p.html?f=unjfzzjdbi&e=1418664694388
لتحديد الدقة، قاموا بمقارنة عينات التنبؤ الستة لكل طريقة، موزونة بمستويات الثقة لديهم، بالمسارات الفعلية التي تتبعها السيارات وراكبي الدراجات والمشاة في مشهد ما. كانت طريقتهم هي الأكثر دقة.
كما تفوقت أيضًا على النماذج الأساسية على مقياس يعرف باسم معدل التداخل؛ إذا تداخل مساران، فهذا يشير إلى وجود تصادم. M2I كان لديه أدنى معدل تداخل.
“بدلاً من مجرد بناء نموذج أكثر تعقيدًا لحل هذه المشكلة، اتخذنا نهجًا يشبه إلى حد كبير كيف يفكر الإنسان عندما يفكر في التفاعلات مع الآخرين.
لا يفكر الإنسان في كل المئات من مجموعات السلوكيات المستقبلية. يقول هوانغ: “نحن نتخذ القرارات بسرعة كبيرة”.
ميزة أخرى لـ M2I هي أنه، نظرًا لأنه يقسم المشكلة إلى أجزاء أصغر، يسهل على المستخدم فهم عملية صنع القرار في النموذج.
على المدى الطويل، يمكن أن يساعد ذلك المستخدمين على زيادة الثقة في المركبات ذاتية القيادة، كما يقول هوانغ.
لكن إطار العمل لا يمكن أن يأخذ في الحسبان الحالات التي يكون فيها عاملان يؤثران بشكل متبادل على بعضهما البعض، مثل عندما تتحرك مركبتان للأمام عند توقف رباعي الاتجاه لأن السائقين ليسوا متأكدين من الذي يجب أن يستسلم.
انهم يخططون لمعالجة هذا القيد في العمل في المستقبل. يريدون أيضًا استخدام طريقتهم لمحاكاة التفاعلات الواقعية بين مستخدمي الطريق، والتي يمكن استخدامها للتحقق من خوارزميات التخطيط للسيارات ذاتية القيادة أو إنشاء كميات هائلة من بيانات القيادة الاصطناعية لتحسين أداء النموذج.
“التنبؤ بالمسارات المستقبلية للعديد من العوامل المتفاعلة أمر غير مستكشَف بشكل كافٍ ويمثل تحديًا كبيرًا لتمكين الاستقلالية الكاملة في المشاهد المعقدة.
يوفر M2I طريقة تنبؤ واعدة للغاية مع توقع العلاقة لتمييز العوامل المتوقعة بشكل هامشي أو مشروط مما يبسط المشكلة بشكل كبير، “كتب ماسايوشي توميزوكا ، أستاذ شيريل وجون نيرهاوت الابن المتميز في الهندسة الميكانيكية في جامعة كاليفورنيا في بيركلي ووي.
زان، باحث محترف مساعد، في رسالة بريد إلكتروني. “يمكن لنموذج التنبؤ أن يلتقط العلاقة المتأصلة والتفاعلات بين الوكلاء لتحقيق الأداء المتطور.” لم يشارك الزميلان في البحث.
المصدر: scitechdaily
قد يهمك:
