Auto

Suatu teknik untuk merencanakan lintasan adaptif untuk kendaraan otonom


LUCIDGames: Sebuah teknik untuk merencanakan lintasan adaptif untuk kendaraan otonom

Kredit: Le Cleac’h, Schwager & Manchester.

Meskipun banyak kendaraan self-driving telah mencapai performa yang luar biasa dalam simulasi atau uji coba awal, ketika diuji di jalanan sebenarnya, seringkali mereka tidak dapat menyesuaikan lintasan atau pergerakannya berdasarkan kendaraan atau agen lain di sekitarnya. Hal ini terutama berlaku dalam situasi yang membutuhkan tingkat negosiasi tertentu, misalnya, di persimpangan atau di jalan dengan banyak jalur.

Para peneliti di Universitas Stanford baru-baru ini menciptakan LUCIDGames, teknik komputasi yang dapat memprediksi dan merencanakan lintasan adaptif untuk kendaraan otonom. Teknik ini, yang disajikan dalam makalah yang diterbitkan sebelumnya di arXiv, mengintegrasikan algoritme berdasarkan teori permainan dan metode estimasi.

“Mengikuti kemajuan dalam teknologi mengemudi sendiri yang terjadi selama beberapa tahun terakhir, kami telah mengamati bahwa beberapa manuver mengemudi, seperti belok kiri di persimpangan yang tidak terlindungi, berpindah jalur atau menyatu dengan jalan raya yang padat, masih dapat menjadi tantangan bagi diri sendiri. mengendarai mobil, sementara manusia dapat mengeksekusinya dengan cukup mudah, “kata Simon Le Cleac’h, salah satu peneliti yang melakukan penelitian tersebut, kepada TechXplore. “Kami percaya bahwa interaksi ini melibatkan bagian penting dari negosiasi antara kendaraan tanpa pengemudi dan mobil di sekitarnya.”

Manusia pada umumnya dapat mengetahui tujuan pengemudi lain yang mengoperasikan kendaraan di sekitarnya dan menegosiasikan keputusan, seperti siapa yang pergi lebih dulu di persimpangan tertentu. Dalam studi mereka, Le Cleac’h dan rekan-rekannya mencoba meniru kemampuan ini dan perilaku kompleks yang mendasari mobil otonom. Tujuan keseluruhan mereka adalah untuk memungkinkan mobil yang mengemudi sendiri untuk mengidentifikasi tujuan kendaraan lain di sekitarnya untuk merencanakan lintasan yang lebih sesuai dalam skenario yang melibatkan beberapa tingkat negosiasi.

“Pekerjaan kami menggabungkan dua alat utama, sebuah algoritme yang bergantung pada teori permainan dan teknik estimasi,” kata Le Cleac’h. “Komponen berbasis teori permainan memungkinkan mobil yang mengemudi sendiri untuk bernalar tentang interaksi dengan agen lain (kendaraan, pejalan kaki, pengendara sepeda, dll.) Ketika tujuan mereka mungkin tidak sepenuhnya selaras dengan tujuannya sendiri. Bagian estimasi, di sisi lain Selain itu, memungkinkan kendaraan yang dapat mengemudi sendiri untuk dengan cepat menemukan tujuan yang mendasari agen lain saat berinteraksi dengan mereka, yang dapat berupa, misalnya, kecepatan yang diinginkan, jalur yang diinginkan, atau tingkat agresivitas setiap kendaraan yang berinteraksi dengan mobil yang mengemudi sendiri. . “

LUCIDGames, teknik yang diusulkan oleh Le Cleac’h dan rekan-rekannya, dirancang untuk memberikan kendaraan yang dapat mengemudi sendiri dengan kemampuan untuk dengan cepat mengidentifikasi tujuan mobil dan pejalan kaki di sekitar mereka. Ini memungkinkan mereka untuk memprediksi apa yang akan dilakukan agen ini di masa depan dan beroperasi dengan aman di sekitar mereka, bahkan dalam skenario yang kompleks.

Sistem yang dibuat oleh para peneliti terdiri dari “estimator”, teknik untuk mengidentifikasi tujuan pengemudi, dan “pengambil keputusan”, algoritme yang mengontrol sudut kemudi dan akselerasi kendaraan yang mengemudi sendiri. Pengambil keputusan mengidentifikasi lintasan yang paling cocok untuk kendaraan berdasarkan informasi yang dikumpulkan oleh penaksir.

“Awalnya, mobil yang dapat mengemudi sendiri tidak mengetahui tujuan dari mobil yang mengemudi di sampingnya, sehingga penaksir menebak tujuan dari mobil tersebut.” Le Cleac’h menjelaskan. “Untuk setiap tebakan, mobil otonom memprediksi seperti apa lintasan mobil untuk beberapa detik ke depan; kemudian membandingkan prediksi dengan apa yang terjadi dalam kenyataan. Tebakan yang paling akurat dalam memprediksi masa depan tetap dipertahankan.”

Setelah pelatihan awal ini, LUCIDGames mengambil sampel tebakan baru dari lintasan agen lain yang sangat dekat untuk mempertahankan tebakan dan mengevaluasi kinerja prediksi mereka. Dengan mengulangi proses ini beberapa kali per detik, ia mempersempit tebakannya dan menghasilkan prediksi akhir tentang bagaimana agen lain di sekitarnya akan bergerak.

“Dengan teknik kami, mobil yang dapat mengemudi sendiri juga menyadari kapan ia bisa yakin dengan tebakannya dan ketika ada terlalu banyak ketidakpastian dan kepercayaan diri lebih rendah,” kata Le Cleac’h. “Dalam situasi yang tidak pasti ini, itu akan mengambil tindakan yang lebih hati-hati dan menjaga jarak aman yang lebih jauh dengan kendaraan lain.”

LUCIDGames: Sebuah teknik untuk merencanakan lintasan adaptif untuk kendaraan otonom

Kredit: Le Cleac’h, Schwager & Manchester

Komponen estimasi dari teknik yang dirancang oleh Le Cleac’h dan rekan-rekannya juga memungkinkan mobil yang mengemudi sendiri untuk menyesuaikan keputusan mereka berdasarkan jenis pengemudi yang ditemuinya di jalan. Misalnya, dapat menentukan apakah seorang pengemudi sangat agresif, memungkinkan komponen pengambil keputusan untuk menyesuaikan lintasan dan pergerakan mobil otonom dengan sesuai (misalnya, menjaga jarak aman yang lebih jauh dengan kendaraan yang dioperasikan oleh pengemudi yang agresif). Tanpa teknik estimasi ini, mobil yang dapat mengemudi sendiri akan bergerak dengan cara yang sama dan melakukan tindakan yang sama terlepas dari apakah pengemudi di sekitarnya berhati-hati atau agresif, yang dapat meningkatkan risiko kecelakaan.

“Kami telah melihat bahwa menggabungkan konsep dari teori permainan dan estimasi adalah cara yang efisien untuk menghasilkan perilaku mengemudi yang kompleks untuk mobil yang mengemudi sendiri dalam skenario di mana interaksi dan negosiasi dengan pengemudi lain adalah kuncinya,” kata Le Cleac’h. “Algoritme kami mampu melakukan estimasi dan membuat keputusan untuk mobil yang mengemudi sendiri pada skenario mengemudi yang realistis dengan kecepatan yang cukup cepat untuk membuatnya dapat diterapkan dalam praktik.”

Di masa depan, LUCIDGames dapat membantu meningkatkan keamanan dan keandalan kendaraan tanpa pengemudi, memungkinkan mereka untuk bergerak secara adaptif dengan mengantisipasi pergerakan dan tindakan agen di sekitarnya. Sejauh ini, Le Cleac’h dan rekan-rekannya hanya mengevaluasi teknik dalam simulasi, tetapi mereka sekarang berencana untuk mengujinya pada mobil otonom sungguhan.

“Penelitian kami sebagian didanai oleh Toyota Research Institute (TRI), dan kami berencana bekerja sama dengan TRI untuk menguji LUCIDGames pada kendaraan mereka,” kata Le Cleac’h. “Lab kami (Lab Sistem Multi-Robot di Stanford) telah bereksperimen dengan interaksi teori permainan antara kendaraan pada mobil model skala kecil, dan pada mobil swakemudi skala penuh dengan bermitra dengan Pusat Penelitian Otomotif di Stanford (MOBIL). ”


Kerangka kerja untuk meningkatkan keamanan robot yang beroperasi di lingkungan yang ramai


Informasi lebih lanjut:
LUCIDGames: Game dinamis terbalik tanpa wewangian online untuk prediksi dan perencanaan lintasan adaptif. arXiv: 2011.08152 [cs.RO]. arxiv.org/abs/2011.08152

© 2020 Science X Network

Kutipan: LUCIDGames: Sebuah teknik untuk merencanakan lintasan adaptif untuk kendaraan otonom (2020, 21 Desember) diambil pada 21 Desember 2020 dari https://techxplore.com/news/2020-12-lucidgames-technique-trajectories-autonomous-vehicles.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : https://totohk.co/