Os carros autônomos são movidos por algoritmos de aprendizado de máquina que requerem grandes quantidades de dados de direção para funcionar com segurança. Mas se os carros autônomos pudessem aprender a dirigir da mesma maneira que os bebês aprendem a andar - observando e imitando os outros ao seu redor - eles exigiriam muito menos dados de direção compilados. Essa ideia está empurrando o engenheiro da Universidade de Boston, Eshed Ohn-Bar, a desenvolver uma maneira completamente nova para os veículos autônomos aprenderem técnicas de direção segura - observando outros carros na estrada, prevendo como eles responderão ao ambiente e usando essas informações para fazer seu próprias decisões de condução.
Ohn-Bar, professor assistente da BU da Faculdade de Engenharia de engenharia elétrica e da computação e bolsista júnior do Instituto Rafik B. Hariri para Computação e Ciência e Engenharia Computacional da BU, e Jimuyang Zhang, estudante de PhD da BU em engenharia elétrica e da computação, apresentou recentemente sua pesquisa na Conferência de 2021 sobre Visão Computacional e Reconhecimento de Padrões. Sua ideia para o paradigma de treinamento veio de um desejo de aumentar o compartilhamento de dados e a cooperação entre pesquisadores em seu campo - atualmente, os veículos autônomos requerem muitas horas de dados de direção para aprender a dirigir com segurança, mas algumas das maiores empresas automobilísticas do mundo mantêm seu vasto quantidades de dados privados para evitar a concorrência.
“Cada empresa passa pelo mesmo processo de pegar carros, colocar sensores neles, pagar motoristas para dirigir os veículos, coletar dados e ensinar os carros a dirigir”, diz Ohn-Bar. Compartilhar esses dados de direção pode ajudar as empresas a criar veículos autônomos seguros com mais rapidez, permitindo que todos na sociedade se beneficiem da cooperação. Os sistemas de direção artificialmente inteligentes requerem tantos dados para funcionar bem, diz Ohn-Bar, que nenhuma empresa será capaz de resolver esse problema sozinha.
“Bilhões de quilômetros [de dados coletados na estrada] são apenas uma gota em um oceano de diversidade e eventos do mundo real”, diz Ohn-Bar. “Ainda assim, uma amostra de dados perdidos pode levar a um comportamento inseguro e uma possível falha.”
O algoritmo de aprendizado de máquina proposto pelos pesquisadores funciona estimando os pontos de vista e pontos cegos de outros carros próximos para criar um mapa panorâmico do ambiente circundante. Esses mapas ajudam os carros autônomos a detectar obstáculos, como outros carros ou pedestres, e a entender como outros carros fazem curvas, negociam e cedem sem colidir com nada.
Por meio desse método, os carros autônomos aprendem traduzindo as ações dos veículos ao redor em seus próprios quadros de referência - suas redes neurais acionadas por algoritmo de aprendizagem de máquina. Esses outros carros podem ser veículos dirigidos por humanos sem quaisquer sensores ou veículos pilotados automaticamente por outra empresa. Como as observações de todos os carros ao redor em uma cena são centrais para o treinamento do algoritmo, esse paradigma de “aprender observando” incentiva o compartilhamento de dados e, consequentemente, veículos autônomos mais seguros.
Ohn-Bar e Zhang testaram seu algoritmo de "assistir e aprender" fazendo com que carros autônomos dirigidos por ele navegassem em duas cidades virtuais - uma com curvas diretas e obstáculos semelhantes ao ambiente de treinamento e outra com curvas inesperadas, como cruzamentos de cinco vias. Em ambos os cenários, os pesquisadores descobriram que sua rede neural autodirigida causa poucos acidentes. Com apenas uma hora de dados de condução para treinar o algoritmo de aprendizado de máquina, os veículos autônomos chegaram com segurança aos seus destinos 92 por cento do tempo.
“Embora os melhores métodos anteriores exigissem horas, ficamos surpresos que nosso método pudesse aprender a dirigir com segurança com apenas 10 minutos de dados de direção”, diz Ohn-Bar.
Esses resultados são promissores, diz ele, mas ainda existem vários desafios em aberto para lidar com configurações urbanas complexas. “É muito difícil levar em conta as perspectivas drasticamente variadas entre os veículos observados, o ruído e a oclusão nas medições do sensor e vários drivers”, diz ele.
Olhando para o futuro, a equipe diz que seu método para ensinar veículos autônomos a se dirigir sozinho também pode ser usado em outras tecnologias. "Entrega robôs ou mesmo drones poderiam aprender observando outros sistemas de IA em seu ambiente ”, diz Ohn-Bar.
