自驾驶汽车的新型号通过在过去的时间内发现它们来从过去的失败中学习,有时高达7秒。

对于自动驾驶汽车,未知或复杂的驾驶情况(比如拥挤的十字路口)可能会通过自动安全措施或人工干预导致自动驾驶系统脱离。

慕尼黑工业大学(TUM)的一个人工智能模型使用了数千个真实的交通状况——具体来说,就是记录下试驾时的脱离序列——作为训练数据来预测未来的失败。

为了尽早预测失败,机器学习方法将传感器数据序列分为失败或成功两类。

例如,如果系统发现了控制系统以前无法处理的新驾驶情况,司机将在可能出现的严重情况之前得到警告。

TUM开发的安全技术使用传感器和摄像机捕获周围条件,例如方向盘角度,道路状况,天气,可见性和速度。A.I.基于经常性神经网络(RNN)和数千个真实流量情况的系统学会识别与数据的模式。

汽车本身被视为黑匣子,仅聚焦在数据输入和数据输出上。根据慕尼黑队的说法,该系统从自己之前的错误中闻名地学习。

“我们的技术最大的优势是:我们完全忽略了汽车的想法。相反,我们将自己限制在基于实际发生的事情的数据中,并寻找模式助理首席研究员Eckehard Steinbach教授,谁也是董事会成员慕尼黑机器人与机器智能学院在中空的,。“通过这种方式,人工智能发现了模型可能无法识别或尚未发现的潜在关键情况。”

Steinbach说,该系统提供了一个安全功能,该安全功能是在斯坦巴赫说汽车缺点的何时何地。

Steinbach和他的团队的方法结合了两种传感器。一个基于图像的模型学会检测一般具有挑战性的情况,比如繁忙的城市街道。另一种基于数据的模型能在故障发生前立即检测到快速变化,比如突然刹车或转向。通过平均各个模型的失效概率来融合各个模型的结果。

宝马集团通过在公共道路上14个小时的自动驾驶,分析了大约2500种驾驶员必须干预的情况,评估了这种“内部性故障预测方法”。

根据一项研究,2020年12月发布在美国,晚期融合方法可以以超过85%的准确率预测故障——在故障发生前7秒,错误阳性率为20%。

在简短的采访中金宝搏官网下面,Steinbach谈到了黑箱方法的优势,以及当今车辆安全措施的局限性。

金宝搏官网我认为这是一个有趣的想法:“我们完全忽略了汽车的想法。相反,我们将自己限制在实际发生的事情的数据中,并寻找模式。”模型可能不能识别的模式的例子有哪些?

Eckehard斯坦巴赫教授:在我们的工作中,我们看看汽车的状态,如制动和转向,以及相机图像,汽车获得以检测导致脱离的模式。虽然这允许我们的模型检测人类必须接管的大百分比情况,但是在该数据中捕获了关于驾驶场景的所有信息。

举个简单的例子,反复刹车的模式可能是在温暖的天气里正常驾驶,但如果路面很滑,则可能意味着即将脱离。如果摄像头的图像不能捕捉到有关环境的信息,那么这种模式就不能用来区分正常驾驶和中断驾驶。虽然相机的信息通常足以评估道路状况,但这样的模式仍然很难识别。

金宝搏官网为什么“忽略汽车的想法”是一种优势?

Eckehard斯坦巴赫教授如果汽车完全正确地评估了情况,司机就不需要进行干预。然而,过度自信是许多自动驾驶车型面临的重大挑战。通过记录并从这些情况中学习,我们可以学会检测新情况是否有问题,即使汽车对此过于自信。

另外,观察到汽车的状态和周围环境的模式序列允许我们的模型能够有效地推断到未来,以预测未来七秒的脱离。这次提前提前,汽车对现场的评估可能仍然是完全正确的,这意味着它不能用于预测具有挑战性的情景。另一方面,原始收集的数据可能已经包含在之前导致故障的模式,因此允许提前预测脱离。

金宝搏官网系统如何能够提前7秒确定一个“关键”场景?此外,当检测发生时,接下来会发生什么?司机在车里看到了什么,车又做了什么?

Eckehard斯坦巴赫教授关键是观察数据序列并寻找时间模式。通过考虑过去三秒钟的记录数据,我们的模型能够检测出最终演变为人类驾驶员必须接管控制权的模式。如果你知道要寻找什么,你可以在几秒钟前就发现一个具有挑战性的情况的第一个迹象。

我们的方法提前七秒钟左右达到85%。剩下的15%的情况可以通过一些具有挑战性的情景在很短的时间内发展出来的事实来解释,例如行人突然从停放的汽车之间出现并接近道路。当检测发生时,需要警告驾驶员。

金宝搏官网:司机是如何收到通知的?

Eckehard斯坦巴赫教授:此警报的实现取决于人机界面的特定选择,但驾驶员需要知道他们对驾驶的控制将在未来七秒内需要控制。这次还允许汽车计划安全停止操纵,以防人类驾驶员没有对提示作出反应。

金宝搏官网:你的测试驾驶是怎么回事?你看到的最令人印象深刻的探测是什么?

Eckehard斯坦巴赫教授:由于测试是由宝马集团进行的,所以我并没有在车里参与测试。我们小组后来对这些驱动器的录音进行了研究。探测系统中最令人印象深刻的部分是预测发生的时间有多早。在检测的时候,驾驶场景仍然看起来很正常,例如,只有在下一个十字路口的交通变成一个复杂的,拥挤的环境,在几秒钟后,人类接管以确保安全。

金宝搏官网:自动驾驶汽车检测到什么仍然挑战?

Eckehard斯坦巴赫教授自动驾驶的一个重要挑战是新颖的或不分布的数据。如果汽车进入一个它没有被训练过的情况,或者看到一个它不知道的物体,问题就会出现。这种新奇的场景会引起人为干预,从而导致这些场景被用作我们方法的训练数据。虽然我们的方法可以帮助在下次遇到这种新的挑战性环境时检测到它,但在第一次遇到一个完全新奇的场景时检测并正确管理它仍然是一项具有挑战性的任务。

你怎么看?分享您的问题和评论。