Kaip ateities automobiliai nuspės jūsų vairavimo manevrus prieš juos darydami

Įsigykite naują automobilį šiomis dienomis ir yra tikimybė, kad jame bus įdiegta daugybė vairuotojui padedančių technologijų. Jie gali atitikti priekyje važiuojančio automobilio greitį, saugiai keisti eismo juostą ir netgi naudoti stabdžius, kad išvengtų susidūrimo. Taigi įdomus klausimas, kiek šios saugos sistemos gali tapti geresnės, kol įvyks neišvengiamas dalykas ir automobilis visiškai neperims.





Šiandien mes gauname dalinį atsakymą dėl Ashesho Jain iš Kornelio universiteto ir kelių bičiulių, kurie sukūrė sistemą, kuri gali numatyti kitą žmogaus vairuotojo manevrą likus trims sekundėms iki jo padarymo. Ši informacija, pasak jų, gali būti panaudota siekiant nustatyti galimas avarijas ir užkirsti jai kelią.

Teoriškai požiūris yra paprastas. Jainas ir bendradarbis pabrėžia, kad išsamios žinios apie vairavimo aplinką, tiek automobilio viduje, tiek išorėje, gali būti naudojamos gana gerai atspėti artimiausius vairuotojo ketinimus. Pavyzdžiui, vairuotojai prieš keisdami eismo juostas dažniausiai patikrina šalia esančias eismo juostas. Taigi vairuotojo galvos judesių stebėjimas padeda numatyti, ar vairuotojas per artimiausias kelias sekundes ketina persirikiuoti.

Lygiai taip pat GPS ir gatvių žemėlapio informacija rodo, kada automobilis artėja prie sankryžos, kur galimas posūkis į kairę arba į dešinę. Greitis taip pat yra svarbus rodiklis, nes vairuotojai paprastai sulėtina greitį prieš sukdami.



Tačiau šie duomenys yra skirtingi. Galvos judėjimo duomenys visiškai skiriasi nuo greičio ar žemėlapio duomenų. Sunku yra sujungti ir analizuoti šiuos informacijos srautus taip, kad būtų galima daryti geras prognozes.

Jain ir bendradarbiai sugalvojo išanalizuoti šiuos srautus kartu naudojant pažangius dirbtinio intelekto algoritmus, kurie išmoksta pastebėti signalus, kad artėja manevras.

Pirmoji jų darbo dalis buvo surinkti duomenis, reikalingus mašinai apmokyti. Jainas ir bendražygiai įrengė automobilį su viena kamera vairuotojui stebėti, o kita – kelio galvai stebėti. Jie taip pat naudojo GPS duomenis kartu su gatvių žemėlapiais ir greičio registratoriumi, kad stebėtų transporto priemonės greitį.



Tada jie surinko duomenis iš 10 skirtingų vairuotojų, kurie per du mėnesius įveikė daugiau nei 1000 mylių greitkeliu ir mieste. Jie anotavo duomenis ranka, nurodydami, kokie manevrai vyksta. Iš viso jie nustatė 700 įvykių: apie 300 eismo juostų keitimų, 130 posūkių ir beveik 300 atsitiktinai parinktų važiavimo tiesiai.

Jie naudojo šiuos duomenis, kad apmokytų daugybę skirtingų skaičių fiksavimo mašinų, kad nustatytų sąlygas, kuriomis vairuotojas suktų į kairę arba į dešinę, persirikiuotų į kairę į dešinę arba tiesiog toliau važiuotų tiesia linija.

Rezultatai leidžia įdomiai skaityti. Geriausiai veikiantis algoritmas didžiąją laiko dalį galėjo teisingai nustatyti būsimą manevrą – apie 90 procentų prognozių buvo teisingos. Ir vidutiniškai jis sugebėjo numatyti 3,5 sekundės iki manevro iš tikrųjų.



Žinoma, laukia dar daugiau darbų. Viena iš galimų problemų yra nustatyti, kaip gerai algoritmas veikia pačiomis pavojingiausiomis vairavimo sąlygomis, ypač naktį arba kai blogas matomumas dėl sniego ar lietaus audros arba kai saulė žemai danguje.

Nelaimingi atsitikimai tokiomis sąlygomis yra labiau tikėtini, todėl nuspėjamasis algoritmas gali turėti daugiausia naudos. Tačiau neaišku, kaip sistema veikia tokiomis sąlygomis.

Kitas klausimas – ką daryti su šia informacija, kai ji bus surinkta. Kaip jį panaudoti siekiant išvengti nelaimingų atsitikimų? Vėlgi, neaišku, kaip automobilių gamintojai gali išnaudoti duomenis.



Nepaisant to, naujas požiūris gali paskelbti įdomų pokytį požiūryje į vairuotojų saugumą. Tikslus vairuotojo manevrų numatymas artimiausiu metu tikrai padės padaryti automobilius saugesnius. Žinoma, nebent dėl ​​savaeigių automobilių technologijos žmonės ir technologijos, leidžiančios numatyti, ką jie darys ateityje, tampa nereikalingi greičiau, nei kas nors tikisi.

Nuoroda: http://arxiv.org/abs/1601.00740 : „Brain4Cars“: automobilis, kuris žino prieš darydamas per „Sensory-Fusion Deep Learning“ architektūrą

paslėpti