Mokslininkai pristatė naują metodą, kuris padeda autonominiams automobiliams išmokti ne tik „matyti“ aplinką, bet ir veikti kaip eismo dalyvių komanda. Tyrėjų teigimu, būtent bendradarbiavimas tampa vienu svarbiausių veiksnių siekiant saugumo sudėtingose miesto situacijose.
Sprendimas skirtas atvejams, kai vien tik individuali automobilio reakcija gali būti nepakankama: nereguliuojamose sankryžose, žiedinėse sankryžose ar susiaurėjimuose. Tokiose vietose kelių transporto priemonių veiksmai neišvengiamai persipina, o klaidos kaina gali būti susidūrimas arba eismo sutrikdymas.
Kaip veikia COIN principas
Sistemą, pavadintą COIN, kūrė Tsinghua universiteto Pekine komanda kartu su partneriais iš Singapūro nacionalinio universiteto ir Honkongo politechnikos universiteto. Pagrindinė idėja yra ta, kad autonominės transporto priemonės mokomos numatyti tarpusavio sąveikas ir pasirinkti tokias manevravimo strategijas, kurios būtų naudingos visam srautui, o ne tik vienam automobiliui.
Svarbi detalė – COIN nereiškia vieno centrinio „dispečerio“, valdančio visus automobilius. Mokymo metu modeliai gali pasinaudoti platesne informacija apie sistemą, tačiau realiame važiavime kiekviena transporto priemonė sprendimus priima remdamasi savo jutiklių duomenimis ir aplinkos stebėjimu.
Toks principas aktualus praktikoje, nes centralizuotas valdymas realiame eisme susidurtų su ryšio vėlavimo, suderinamumo ir infrastruktūros priklausomybės problemomis. Kūrėjai pabrėžia, kad jų tikslas – didesnis saugumas ir sklandesnis judėjimas, neįpareigojant miestų diegti vieningos valdymo sistemos.
Testai simuliatoriuje ir rezultatai
COIN buvo išbandyta „MetaDrive“ simuliatoriuje, kuris plačiai naudojamas autonominio vairavimo ir DI tyrimuose. Eksperimentuose taikyti trys intensyvaus miesto eismo scenarijai: sankryžos be šviesoforų, žiedinės sankryžos ir važiuojamosios dalies susiaurėjimai.
Tyrėjai nurodo, kad pagal kelis kriterijus – sėkmės rodiklį, susidūrimų dažnį, saugumą ir važiavimo efektyvumą – COIN aplenkė keturis žinomus mokymui naudojamus algoritmus. Pavyzdžiui, sankryžų scenarijuje pasiektas 88,78 proc. sėkmės rodiklis, o susidūrimų dalis siekė 3,94 proc.
Susiaurėjimo scenarijuje skelbiama, kad sėkmės rodiklis pakilo iki 96,33 proc., o susidūrimų dalis sumažėjo iki 1,57 proc. Tokie skaičiai simuliacijoje rodo, kad transporto priemonėms naudinga mokytis ne vien „gynybiškai“ reaguoti, bet ir prognozuoti, kaip jų veiksmai paveiks kitų dalyvių sprendimus.
Žingsnis link realių kelių
Be grynos simuliacijos, sistema testuota hibridinėje aplinkoje, kur realūs mobilūs robotai veikė kartu su virtualiais eismo dalyviais. Modelinėje nereguliuojamoje sankryžoje aštuoni robotai judėjo pagal COIN parinktas trajektorijas, o likusi eismo dalis buvo atkurta kompiuterinėje simuliacijoje.
Toks bandymas laikomas tarpine grandimi tarp kompiuterinio mokymo ir bandymų realiuose keliuose. Jis leidžia įvertinti, kaip algoritmai elgiasi su fizinės aplinkos netikslumais, jutiklių paklaidomis ir realaus judėjimo dinamika.
„Atsisakius visiškai nepriklausomo sprendimų priėmimo ir pereinant prie bendradarbiavimu grįstos optimizacijos, COIN gali prisidėti prie saugesnio ir sklandesnio autonominio vairavimo esant dideliam miesto eismo intensyvumui“, – teigia tyrėjai.
Nors rezultatai kol kas pateikiami kaip tyrimų demonstracija, kryptis atitinka platesnę autonominio vairavimo raidą: vis daugiau dėmesio skiriama ne vien atskiram automobiliui, o viso eismo srauto elgsenai. Praktinis pritaikymas priklausys nuo to, kaip tokie metodai pasiteisins realiomis sąlygomis, kur eismo dalyviai yra nenuspėjami, o situacijų įvairovė – milžiniška.
Leave a Reply