מכוניות לנהיגה עצמית מופעלות על ידי אלגוריתמים של למידת מכונה הדורשות כמויות עצומות של נתוני נהיגה על מנת לתפקד בבטחה. אבל אם מכוניות בנהיגה עצמית יכלו ללמוד לנהוג באותו אופן שבו תינוקות לומדים ללכת-על ידי צפייה וחיקוי של אחרים בסביבתם-הם היו דורשים נתוני נהיגה הרבה פחות מורכבים. רעיון זה דוחף את מהנדס אוניברסיטת בוסטון, אשד אוהן-בר, לפתח דרך חדשה לגמרי לרכבים אוטונומיים ללמוד טכניקות נהיגה בטוחה-על ידי צפייה במכוניות אחרות בכביש, ניבוי כיצד יגיבו לסביבתן ושימוש במידע זה כדי להפוך את החלטות נהיגה משלו.
אוהן-בר, עוזר פרופסור להנדסת חשמל ומחשבים במכללת ה BU ועמית סגל זוטר במכון רפיק ב. חרירי למדעי מחשוב והנדסה, ו- Jimuyang Zhang, סטודנט לתואר שלישי בהנדסת חשמל ומחשבים, הציגו לאחרונה את מחקריהם בכנס 2021 בנושא ראיית מחשב וזיהוי תבניות. הרעיון שלהם לפרדיגמת ההדרכה הגיע מתוך רצון להגדיל את שיתוף הנתונים ושיתוף הפעולה בין חוקרים בתחומם - נכון לעכשיו, כלי רכב אוטונומיים דורשים שעות רבות של נתוני נהיגה כדי ללמוד כיצד לנהוג בבטחה, אך כמה מחברות הרכב הגדולות בעולם שומרות על עצמן הגדול כמויות נתונים פרטיות למניעת תחרות.
"כל חברה עוברת את אותו תהליך של לקיחת מכוניות, הנחת חיישנים עליהן, תשלום לנהגים בכדי לנהוג ברכבים, איסוף נתונים ולימוד המכוניות לנהוג", אומר אוהן-בר. שיתוף נתוני נהיגה יכול לסייע לחברות ליצור כלי רכב אוטונומיים בטוחים מהר יותר, ולאפשר לכל אחד מהחברה ליהנות מהשיתוף פעולה. מערכות נהיגה אינטליגנטיות מלאכותיות דורשות כל כך הרבה נתונים כדי לעבוד היטב, אומר און-בר, שאף חברה אחת לא תוכל לפתור בעיה זו בכוחות עצמה.
"מיליארדי קילומטרים [של נתונים שנאספו על הכביש] הם רק טיפה בים של אירועים ומגוון בעולם האמיתי", אומר אוהן-בר. "עם זאת, דגימת נתונים חסרה עלולה להוביל להתנהגות לא בטוחה ולהתרסקות אפשרית."
האלגוריתם המוצע של הלמידה המכונה של החוקרים פועל על ידי הערכת נקודות המבט והנקודות העיוורות של מכוניות סמוכות אחרות ליצירת מפה ממבט הציפור של הסביבה הסובבת. מפות אלה מסייעות למכוניות בנהיגה עצמית לזהות מכשולים, כמו מכוניות אחרות או הולכי רגל, ולהבין כיצד מכוניות אחרות מסתובבות, מנהלות משא ומתן ומתנפחות מבלי להתנגש בשום דבר.
באמצעות שיטה זו, מכוניות בנהיגה עצמית לומדות על ידי תרגום הפעולות של כלי הרכב הסובבים למסגרות ההתייחסות שלהן-רשתות עצביות המופעלות על ידי אלגוריתם המכונות למידה מכונה. מכוניות אחרות אלה עשויות להיות כלי רכב המונעים על ידי בני אדם ללא חיישנים כלשהם, או רכבי טייס אוטומטי של חברה אחרת. מכיוון שתצפיות מכל המכוניות שמסביב בסצנה הן מרכזיות באימון האלגוריתם, פרדיגמת "למידה על ידי צפייה" מעודדת שיתוף נתונים, וכתוצאה מכך כלי רכב אוטונומיים בטוחים יותר.
אוהן-בר וז'אנג בדקו את האלגוריתם של "צפה ולמד" על ידי כך שמכוניות אוטונומיות מונעות על ידו מנווטות בשתי עיירות וירטואליות-אחת עם סיבובים ישירים ומכשולים הדומים לסביבת האימונים שלהם, ואחת עם פיתולים בלתי צפויים, כמו צמתים חמש כיוונים. בשני התרחישים, החוקרים מצאו כי הרשת העצבית המנהגת את עצמן נכנסת למעט מאוד תאונות. עם שעה אחת בלבד של נתוני נהיגה לאימון האלגוריתם של למידת מכונה, הרכבים האוטונומיים הגיעו בשלום ליעדם 92 אחוז מהזמן.
"למרות שהשיטות הטובות ביותר הקודמות דרשו שעות, הופתענו מכך שהשיטה שלנו יכולה ללמוד לנהוג בבטחה רק עם 10 דקות של נתוני נהיגה", אומר אוהן-בר.
התוצאות האלה מבטיחות, הוא אומר, אך עדיין יש כמה אתגרים פתוחים בהתמודדות עם מסגרות עירוניות מורכבות. "התייחסות לפרספקטיבות משתנות באופן דרסטי בכל הרכבים הנצפים, רעש וסתימה במדידות חיישנים ונהגים שונים היא קשה מאוד", הוא אומר.
במבט קדימה, הצוות אומר שהשיטה שלהם ללמד כלי רכב אוטונומיים לנהיגה עצמית יכולה לשמש גם בטכנולוגיות אחרות. "מְסִירָה רובוטים או אפילו מזל"טים יכולים ללמוד כולם על ידי צפייה במערכות AI אחרות בסביבתם ", אומר אוהן-בר.
