Прогнозирование поведения людей на дороге с помощью искусственного интеллекта

Прогнозирование поведения людей на дороге с помощью искусственного интеллекта

Новая система машинного обучения может помочь беспилотным автомобилям предсказывать в реальном времени дальнейшие действия водителей, пешеходов и велосипедистов.

Если робот собирается безопасно управлять автомобилем в центре крупного города, он должен уметь предсказывать, что будут делать ближайшие водители, пешеходы и велосипедисты.

Существующие решения искусственного интеллекта либо слишком упрощены (они могут предполагать, что пешеходы всегда движутся по прямой), либо слишком консервативны (чтобы не столкнуться с пешеходами, робот просто оставляет машину на стоянке), либо могут предсказать следующие действия только одного агента (на дорогах обычно одновременно движется множество пользователей).

визуализация прогнозных ситуаций

Исследователи Массачусетского технологического университета разработали решение этой задачи. Они разбивают проблему прогнозирования поведения нескольких агентов на более мелкие части и решают каждую из них отдельно, так что компьютер может решать эту сложную задачу в режиме реального времени.

Их система прогнозирования поведения сначала угадывает ситуацию между двумя участниками дорожного движения - какой автомобиль, велосипедист или пешеход имеет право проезда, а какой агент уступит дорогу - и использует эти отношения для прогнозирования будущих траекторий движения нескольких агентов.

Эти расчетные траектории оказались более точными, чем у других моделей машинного обучения, по сравнению с реальным дорожным потоком в огромном наборе данных, собранных компанией Waymo, специализирующейся на автономном вождении. Методика MIT даже превзошла недавно опубликованную модель Waymo. А поскольку исследователи разбили задачу на более простые части, их методика использовала меньше памяти.

визуализация прогнозных ситуаций

Используя эту информацию, предиктор отношений определяет, кто из двух агентов имеет право проезда первым, классифицируя одного как пропускающего, а другого - как уступающего. Затем модель прогнозирования, известная как маргинальный предиктор, угадывает траекторию для проезжающего агента, поскольку этот агент ведет себя независимо.

Вторая модель прогнозирования, известная как условный предиктор, угадывает, что будет делать уступающий агент, основываясь на действиях проезжающего агента.

Обратите внимание: Пополнить бюджет города по дороге в Пулково.

Система предсказывает несколько различных траекторий для уступающего и проезжающего, рассчитывает вероятность каждой из них в отдельности, а затем выбирает шесть совместных результатов с наибольшей вероятностью возникновения.

M2I выдает прогноз того, как эти агенты будут двигаться по дорожному движению в течение следующих восьми секунд. В одном примере их метод заставил автомобиль замедлиться, чтобы пешеход мог перейти улицу, а затем ускориться, когда он проехал перекресток. В другом примере автомобиль ждал, пока проедут несколько машин, прежде чем повернуть с боковой улицы на оживленную главную дорогу.

Хотя это первоначальное исследование сосредоточено на взаимодействии между двумя агентами, M2I может сделать вывод о взаимоотношениях между многими агентами и затем угадать их траектории, связав несколько маргинальных и условных предикторов.

Для определения точности они сравнили шесть образцов предсказаний каждого метода, взвешенных по уровню доверия, с реальными траекториями движения автомобилей, велосипедистов и пешеходов в сцене. Их метод оказался самым точным.

Источник тут

#ИИ #искусственный интелект #пдд

========================================

Сайт "Tech and Logos". Новости, история сферы технологий!

Пара минут Вашего времени в разделе не пройдут даром!

Загляните в раздел в Телеграм "Tech and Logos".

Больше интересных статей здесь: ПДД.

Источник статьи: Прогнозирование поведения людей на дороге с помощью искусственного интеллекта.