Kendi kendine giden arabalar, güvenli bir şekilde çalışabilmeleri için büyük miktarda sürüş verisi gerektiren makine öğrenimi algoritmaları tarafından desteklenmektedir. Ancak sürücüsüz arabalar, bebeklerin yürümeyi öğrendiği şekilde (etraflarındaki diğerlerini izleyerek ve taklit ederek) araba kullanmayı öğrenebilseydi, çok daha az derlenmiş sürüş verisine ihtiyaç duyarlardı. Bu fikir, Boston Üniversitesi mühendisi Eshed Ohn-Bar'ı, otonom araçların güvenli sürüş tekniklerini öğrenmesi için tamamen yeni bir yol geliştirmeye itiyor; yoldaki diğer arabaları izleyerek, onların çevrelerine nasıl tepki vereceklerini tahmin ederek ve bu bilgiyi kendi araçlarını oluşturmak için kullanarak. kendi sürüş kararları.
BÜ Mühendislik Fakültesi'nde elektrik ve bilgisayar mühendisliği alanında yardımcı doçent ve BÜ'nün Rafik B. Hariri Bilgisayar ve Hesaplamalı Bilim ve Mühendislik Enstitüsü'nde asistan öğretim üyesi olan Ohn-Bar ve BÜ elektrik ve bilgisayar mühendisliği alanında doktora öğrencisi Jimuyang Zhang, yakın zamanda araştırmalarını 2021 Bilgisayarlı Görü ve Örüntü Tanıma Konferansı'nda sundu. Eğitim paradigması fikri, kendi alanlarındaki araştırmacılar arasında veri paylaşımını ve işbirliğini artırma arzusundan doğmuştur; şu anda otonom araçlar, güvenli sürüşü öğrenmek için saatlerce süren sürüş verilerine ihtiyaç duymaktadır, ancak dünyanın en büyük otomobil şirketlerinden bazıları geniş bilgi birikimlerini koruyor. Rekabeti önlemek için özel miktarda veri.
Ohn-Bar, "Her şirket arabaları almak, onlara sensörler koymak, araçları sürmeleri için sürücülere para ödemek, veri toplamak ve arabalara araba kullanmayı öğretmek gibi aynı süreçten geçiyor" diyor. Bu sürüş verilerinin paylaşılması, şirketlerin güvenli otonom araçları daha hızlı oluşturmasına yardımcı olabilir ve toplumdaki herkesin bu işbirliğinden faydalanmasına olanak tanıyabilir. Ohn-Bar, yapay zekalı sürüş sistemlerinin iyi çalışması için o kadar çok veriye ihtiyaç duyduğunu söylüyor ki, hiçbir şirket bu sorunu tek başına çözemez.
Ohn-Bar, "Yolda toplanan milyarlarca kilometrelik veri, gerçek dünyadaki olaylar ve çeşitlilik okyanusunda yalnızca bir damladır" diyor. "Ancak eksik bir veri örneği, güvenli olmayan davranışlara ve potansiyel bir çökmeye yol açabilir."
Araştırmacıların önerdiği makine öğrenimi algoritması, çevredeki ortamın kuş bakışı bir haritasını oluşturmak için yakındaki diğer arabaların bakış açılarını ve kör noktalarını tahmin ederek çalışıyor. Bu haritalar, sürücüsüz arabaların diğer arabalar veya yayalar gibi engelleri tespit etmesine ve diğer arabaların herhangi bir şeye çarpmadan nasıl döndüğünü, yol aldığını ve yol aldığını anlamasına yardımcı oluyor.
Bu yöntem sayesinde, kendi kendini süren arabalar, çevredeki araçların eylemlerini kendi referans çerçevelerine (makine öğrenimi algoritmasıyla desteklenen sinir ağlarına) dönüştürerek öğrenir. Bu diğer arabalar, insan gücüyle çalışan, sensörleri olmayan araçlar ya da başka bir şirketin otomatik pilotlu araçları olabilir. Bir sahnedeki çevredeki tüm arabalardan yapılan gözlemler, algoritmanın eğitiminin merkezinde yer aldığından, bu "izleyerek öğrenme" paradigması, veri paylaşımını ve dolayısıyla otonom araçların daha güvenli olmasını teşvik eder.
Ohn-Bar ve Zhang, "izle ve öğren" algoritmasını, onun kullandığı otonom arabaların iki sanal kasabada dolaşmasını sağlayarak test etti; bunlardan biri eğitim ortamlarına benzer basit dönüşlere ve engellere, diğeri ise beş yollu kavşaklar gibi beklenmedik dönüşlere sahipti. Her iki senaryoda da araştırmacılar, otonom sinir ağlarının çok az kazaya maruz kaldığını buldu. Makine öğrenimi algoritmasını eğitmek için yalnızca bir saatlik sürüş verileriyle otonom araçlar, varış noktalarına yüzde 92 oranında güvenli bir şekilde ulaştı.
Ohn-Bar, "Daha önceki en iyi yöntemler saatler gerektirse de, yöntemimizin yalnızca 10 dakikalık sürüş verileriyle güvenli bir şekilde araç kullanmayı öğrenebilmesine şaşırdık" diyor.
Bu sonuçların umut verici olduğunu ancak karmaşık kentsel ortamlarla baş etmede hala bazı açık zorlukların bulunduğunu söylüyor. "İzlenen araçlarda büyük ölçüde değişen perspektifleri, sensör ölçümlerindeki gürültüyü ve tıkanmayı ve çeşitli sürücüleri hesaba katmak çok zordur" diyor.
Ekip, ileriye dönük olarak otonom araçlara kendi kendine sürüşü öğretme yönteminin diğer teknolojilerde de kullanılabileceğini söylüyor. "Teslimat robotlar Ohn-Bar, hatta dronların bile çevrelerindeki diğer yapay zeka sistemlerini izleyerek öğrenebileceğini söylüyor.
