Es ist ein Szenario, das jeder kennt, der eine überfüllte, enge Straße entlanggefahren ist: Geparkte Autos säumen beide Seiten, und es gibt nicht genug Platz für Fahrzeuge, die in beide Richtungen fahren, um sich gegenseitig zu überholen. Der eine muss sich in den geparkten Autos in eine Lücke ducken oder langsamer werden und so weit wie möglich anhalten, damit der andere sich vorbeiquetschen kann.
Die Fahrer finden einen Weg, dies zu verhandeln, aber nicht ohne enge Anrufe und Frustration. Ein autonomes Fahrzeug (AV) so zu programmieren, dass es dasselbe tut – ohne einen Menschen am Steuer oder das Wissen darüber, was der andere Fahrer tun könnte – stellte die Forscher am Argo AI Center for Autonomous Vehicle Research der Carnegie Mellon University vor eine einzigartige Herausforderung.
„Es sind die ungeschriebenen Regeln der Straße, damit haben wir es hier so ziemlich zu tun“, sagt Christoph Killing, ehemaliger Gastwissenschaftler am Robotik-Institut der Fakultät für Informatik und heute Teil des Autonomous Aerial Systems Lab am Technical Universität München. „Es ist ein schwieriges Stück. Sie müssen lernen, dieses Szenario zu bewältigen, ohne zu wissen, ob das andere Fahrzeug anhält oder fährt.“
Während seiner Zeit an der CMU arbeitete Killing mit dem Forschungswissenschaftler John Dolan und Ph.D. Student Adam Villaflor, um dieses Problem zu lösen. Das Team präsentierte seine Forschung „Learning To Robustly Negotiate Bi-Directional Lane Usage in High-Conflict Driving Scenarios“ auf der International Conference on Robotics and Automation.
Das Team glaubt, dass seine Forschung die erste in diesem speziellen Fahrszenario ist. Es erfordert, dass Fahrer – menschlich oder nicht – zusammenarbeiten, um sicher aneinander vorbeizukommen, ohne zu wissen, was der andere denkt. Fahrer müssen Aggression mit Kooperation ausgleichen. Ein übermäßig aggressiver Fahrer, der andere Fahrzeuge einfach ignoriert, könnte sich selbst und andere gefährden. Ein übermäßig kooperativer Fahrer, der immer im Angesicht des Gegenverkehrs anhält, wird es vielleicht nie auf der Straße schaffen.
„Ich fand dies immer ein interessanter und manchmal schwieriger Aspekt des Fahrens in Pittsburgh“, sagte Dolan.
Autonome Fahrzeuge gelten als potenzielle Lösung für die Herausforderungen der letzten Meile bei Lieferung und Transport. Aber damit ein AV eine Pizza, ein Paket oder eine Person an ihr Ziel bringen kann, muss er in der Lage sein, enge Räume und unbekannte Fahrerabsichten zu bewältigen.
Das Team entwickelte eine Methode, um verschiedene Ebenen der Kooperationsfähigkeit des Fahrers zu modellieren – die Wahrscheinlichkeit, dass ein Fahrer anhält, um den anderen Fahrer vorbeizulassen – und verwendet diese Modelle, um einen Algorithmus zu trainieren, der einen autonomen Fahrer unterstützen kann Fahrzeug um diese Situation sicher und effizient zu meistern. Der Algorithmus wurde nur in der Simulation und nicht an einem Fahrzeug in der realen Welt verwendet, aber die Ergebnisse sind vielversprechend. Das Team stellte fest, dass ihr Algorithmus besser funktionierte als aktuelle Modelle.
Autofahren ist voll von komplexen Szenarien wie diesem. Während die Forscher des autonomen Fahrens damit umgehen, suchen sie nach Wegen, die für ein Szenario entwickelten Algorithmen und Modelle, beispielsweise das Einfahren auf eine Autobahn, für andere Szenarien wie den Spurwechsel oder das Linksabbiegen gegen den Verkehr an einer Kreuzung nutzbar zu machen.
„Umfangreiche Tests bringen das letzte Prozent der Touch-Fälle ans Licht“, sagte Dolan. „Wir finden immer wieder diese Eckfälle und finden immer wieder Wege, damit umzugehen.“