Le auto a guida autonoma sono alimentate da algoritmi di apprendimento automatico che richiedono grandi quantità di dati di guida per funzionare in sicurezza. Ma se le auto a guida autonoma potessero imparare a guidare nello stesso modo in cui i bambini imparano a camminare, guardando e imitando gli altri intorno a loro, richiederebbero dati di guida molto meno compilati. Questa idea sta spingendo l'ingegnere della Boston University Eshed Ohn-Bar a sviluppare un modo completamente nuovo per i veicoli autonomi di apprendere tecniche di guida sicura, osservando le altre auto sulla strada, prevedendo come risponderanno al loro ambiente e utilizzando tali informazioni per rendere il loro proprie decisioni di guida.
Ohn-Bar, assistente professore di ingegneria elettrica e informatica del College of Engineering della BU e borsista junior presso il Rafik B. Hariri Institute for Computing and Computational Science & Engineering della BU, e Jimuyang Zhang, studente di dottorato in ingegneria elettrica e informatica della BU, hanno recentemente presentato la loro ricerca alla Conferenza 2021 su Computer Vision e Pattern Recognition. La loro idea per il paradigma della formazione è nata dal desiderio di aumentare la condivisione dei dati e la cooperazione tra i ricercatori nel loro campo: attualmente, i veicoli autonomi richiedono molte ore di dati di guida per imparare a guidare in sicurezza, ma alcune delle più grandi case automobilistiche del mondo mantengono la loro vasta quantità di dati privati per impedire la concorrenza.
"Ogni azienda passa attraverso lo stesso processo di prendere auto, mettere sensori su di esse, pagare i conducenti per guidare i veicoli, raccogliere dati e insegnare alle auto a guidare", afferma Ohn-Bar. La condivisione di questi dati di guida potrebbe aiutare le aziende a creare veicoli autonomi sicuri più velocemente, consentendo a tutti nella società di beneficiare della cooperazione. I sistemi di guida artificialmente intelligenti richiedono così tanti dati per funzionare bene, afferma Ohn-Bar, che nessuna singola azienda sarà in grado di risolvere questo problema da sola.
"Miliardi di miglia [di dati raccolti sulla strada] sono solo una goccia in un oceano di eventi e diversità del mondo reale", afferma Ohn-Bar. "Tuttavia, un campione di dati mancante potrebbe portare a comportamenti non sicuri e un potenziale arresto anomalo".
L'algoritmo di apprendimento automatico proposto dai ricercatori funziona stimando i punti di vista e i punti ciechi di altre auto vicine per creare una mappa a volo d'uccello dell'ambiente circostante. Queste mappe aiutano le auto a guida autonoma a rilevare gli ostacoli, come altre auto o pedoni, e a capire come le altre auto girano, negoziano e cedono senza sbattere contro nulla.
Attraverso questo metodo, le auto a guida autonoma imparano traducendo le azioni dei veicoli circostanti nei propri quadri di riferimento: le loro reti neurali alimentate da algoritmi di apprendimento automatico. Queste altre auto possono essere veicoli a guida umana senza sensori o veicoli con pilota automatico di un'altra azienda. Poiché le osservazioni di tutte le auto circostanti in una scena sono fondamentali per l'addestramento dell'algoritmo, questo paradigma di "apprendimento osservando" incoraggia la condivisione dei dati e, di conseguenza, veicoli autonomi più sicuri.
Ohn-Bar e Zhang hanno testato il loro algoritmo "guarda e impara" facendo in modo che le auto autonome guidate da esso navigassero in due città virtuali, una con curve semplici e ostacoli simili al loro ambiente di allenamento, e un'altra con colpi di scena inaspettati, come incroci a cinque vie. In entrambi gli scenari, i ricercatori hanno scoperto che la loro rete neurale a guida autonoma subisce pochissimi incidenti. Con solo un'ora di dati di guida per addestrare l'algoritmo di apprendimento automatico, i veicoli autonomi sono arrivati a destinazione sani e salvi il 92 percento delle volte.
"Mentre i metodi migliori precedenti richiedevano ore, siamo rimasti sorpresi dal fatto che il nostro metodo potesse imparare a guidare in sicurezza con soli 10 minuti di dati di guida", afferma Ohn-Bar.
Questi risultati sono promettenti, dice, ma ci sono ancora diverse sfide aperte nel trattare con intricati contesti urbani. "Contattare le prospettive drasticamente diverse tra i veicoli osservati, il rumore e l'occlusione nelle misurazioni dei sensori e i vari conducenti è molto difficile", afferma.
Guardando al futuro, il team afferma che il loro metodo per insegnare ai veicoli autonomi alla guida autonoma potrebbe essere utilizzato anche in altre tecnologie. "Consegna robot o anche i droni potrebbero imparare guardando altri sistemi di intelligenza artificiale nel loro ambiente", afferma Ohn-Bar.
