Это могло бы положить начало смене парадигмы, которая позволит производителям быстрее проверять, может ли их технология автономных транспортных средств спасать жизни и уменьшать количество аварий. В моделируемой среде транспортные средства, обученные искусственным интеллектом, выполняют опасные маневры, вынуждая AV принимать решения, с которыми водители сталкиваются на дороге редко, но которые необходимы для лучшей подготовки транспортных средств.

Чтобы неоднократно сталкиваться с подобными ситуациями для сбора данных, испытательным автомобилям в реальном мире необходимо проехать от сотен миллионов до сотен миллиардов миль.

"Критические для безопасности события - несчастные случаи или промахи - очень редки в реальном мире, и часто автоинспекторы испытывают трудности с их устранением", - сказал Генри Лью, профессор гражданского строительства в Калифорнийском университете и директор Mcity и Центра подключенного и автоматизированного транспорта, регионального транспортного центра. исследовательский центр, финансируемый Министерством транспорта США.

Исследователи U-M называют эту проблему "проклятием редкости", и они решают ее, изучая данные о дорожном движении в реальном мире, которые содержат редкие события, критичные для безопасности. Тестирование, проведенное на тестовых трассах, имитирующих городское вождение, а также вождение по шоссе, показало, что виртуальные транспортные средства, обученные искусственному интеллекту, могут ускорить процесс тестирования в тысячи раз. Исследование появилось на обложке журнала Nature.

"Тестовые автомобили AV, которые мы используем, реальны, но мы создали среду тестирования в смешанной реальности. Фоновые транспортные средства являются виртуальными, что позволяет нам обучать их создавать сложные сценарии, которые редко случаются на дороге", - сказал Лю.

Команда U-M использовала подход к обучению фоновых транспортных средств, который удаляет информацию, не относящуюся к безопасности, из данных вождения, используемых при моделировании. По сути, это избавляет от длинных промежутков, когда другие водители и пешеходы ведут себя ответственно, ожидаемым образом, но сохраняет опасные моменты, требующие действий, например, когда другой водитель проезжает на красный свет.

Используя только критически важные для безопасности данные для обучения нейронных сетей, принимающих решения о маневрировании, тестируемые транспортные средства могут столкнуться с большим количеством таких редких событий за более короткий промежуток времени, что значительно удешевляет тестирование.

"Интенсивное обучение с подкреплением раскроет потенциал искусственного интеллекта для проверки интеллекта критически важных для безопасности автономных систем, таких как AVS, медицинская робототехника и аэрокосмические системы", - сказал Шуо Фэн, доцент кафедры автоматизации Университета Цинхуа и бывший помощник научного сотрудника в Институте транспортных исследований U-M.

"Это также открывает возможности для ускоренного обучения критически важных для безопасности автономных систем за счет использования агентов тестирования на основе искусственного интеллекта, которые могут создать симбиотическую взаимосвязь между тестированием и обучением, ускоряя обе области".

И ясно, что обучение, наряду с затратами времени и средств, является препятствием. В октябрьской статье Bloomberg говорилось, что, хотя автомобили лидера robotaxi Waymo за предыдущее десятилетие проехали 20 миллионов миль, требуется гораздо больше данных.

"Это означает, - писал автор, - что его автомобилям пришлось бы проехать еще в 25 раз больше, чем обычно, прежде чем мы смогли бы сказать, хотя бы со смутной уверенностью, что они вызывают меньше смертей, чем водители автобусов".

Тестирование проводилось в центре городской среды Mcity в Анн-Арборе, а также на испытательном треке highway в Американском центре мобильности в Ипсиланти.

Запущенная в 2015 году Mcity стала первой в мире специально созданной тестовой средой для подключенных и автономных транспортных средств. Благодаря новой поддержке Национального научного фонда сторонние исследователи вскоре смогут проводить удаленные тесты смешанной реальности, используя как симуляцию, так и физический тестовый трек, аналогичные тем, о которых сообщалось в этом исследовании.

Наборы реальных данных, которые поддерживают моделирование Mcity, собираются на интеллектуальных перекрестках в Анн-Арборе и Детройте, причем предстоит оборудовать еще больше перекрестков. Каждый перекресток оснащен датчиками, обеспечивающими конфиденциальность, которые фиксируют и классифицируют каждого участника дорожного движения, определяя его скорость и направление. Исследование финансировалось Центром подключенного и автоматизированного транспорта и Национальным научным фондом.