En el campo de los vehículos autónomos, Los algoritmos para controlar los cambios de carril son un tema de estudio importante. Pero la mayoría de los algoritmos de cambio de carril existentes tienen uno de dos inconvenientes:o se basan en modelos estadísticos detallados del entorno de conducción, que son difíciles de ensamblar y demasiado complejos de analizar sobre la marcha; o son tan simples que pueden llevar a decisiones conservadoras que no son prácticas, como nunca cambiar de carril.

En la Conferencia Internacional de Robótica y Automatización de mañana, Investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL) presentarán un nuevo algoritmo de cambio de carril que divide la diferencia. Permite cambios de carril más agresivos que los modelos simples, pero se basa solo en información inmediata sobre las direcciones y velocidades de otros vehículos para tomar decisiones.

"La motivación es, '¿Qué podemos hacer con la menor cantidad de información posible?' ", Dice Alyssa Pierson, un postdoctorado en CSAIL y primer autor del nuevo artículo. "¿Cómo podemos hacer que un vehículo autónomo se comporte como podría comportarse un conductor humano? ¿Cuál es la cantidad mínima de información que el automóvil necesita para obtener ese comportamiento humano?"

Pierson está acompañado en el papel por Daniela Rus, el Profesor Viterbi de Ingeniería Eléctrica e Informática; Sertac Karaman, profesor asociado de aeronáutica y astronáutica; y Wilko Schwarting, estudiante de posgrado en ingeniería eléctrica e informática.

"La solución de optimización garantizará la navegación con cambios de carril que pueden modelar una gama completa de estilos de conducción, de conservador a agresivo, con garantías de seguridad, "dice Rus, quien es el director de CSAIL.

Una forma estándar para que los vehículos autónomos eviten colisiones es calcular las zonas de amortiguación alrededor de los otros vehículos en el entorno. Las zonas de amortiguamiento describen no solo las posiciones actuales de los vehículos, sino también sus posibles posiciones futuras dentro de un período de tiempo. La planificación de los cambios de carril se convierte en una cuestión de simplemente mantenerse fuera de las zonas de amortiguación de otros vehículos.

Para cualquier método dado de calcular las zonas de amortiguamiento, los diseñadores de algoritmos deben demostrar que garantiza la prevención de colisiones, dentro del contexto del modelo matemático utilizado para describir los patrones de tráfico. Esa prueba puede ser compleja por lo que las zonas de amortiguamiento óptimas generalmente se calculan de antemano. Durante la operación, el vehículo autónomo llama entonces a las zonas de amortiguación precalculadas que corresponden a su situación.

El problema es que si el tráfico es lo suficientemente rápido y denso, las zonas de amortiguamiento precalculadas pueden ser demasiado restrictivas. Un vehículo autónomo no podrá cambiar de carril en absoluto, mientras que un conductor humano se deslizaría alegremente por la carretera.

Con el sistema de investigadores del MIT, si las zonas de amortiguación predeterminadas conducen a un rendimiento mucho peor que el de un conductor humano, el sistema calculará nuevas zonas de amortiguación sobre la marcha, con una prueba de prevención de colisiones.

Ese enfoque depende de un método matemáticamente eficiente para describir las zonas de amortiguamiento, para que la prueba para evitar colisiones se pueda ejecutar rápidamente. Y eso es lo que desarrollaron los investigadores del MIT.

Comienzan con la denominada distribución gaussiana, la conocida distribución de probabilidad de curva de campana. Esa distribución representa la posición actual del automóvil, teniendo en cuenta tanto su longitud como la incertidumbre de su estimación de ubicación.

Luego, basado en estimaciones de la dirección y velocidad del automóvil, El sistema de los investigadores construye una llamada función logística. Multiplicar la función logística por la distribución gaussiana sesga la distribución en la dirección del movimiento del automóvil, con velocidades más altas aumentando el sesgo.

La distribución sesgada define la nueva zona de amortiguación del vehículo. Pero su descripción matemática es tan simple — usando sólo unas pocas variables de ecuación — que el sistema puede evaluarla sobre la marcha.

Los investigadores probaron su algoritmo en una simulación que incluyó hasta 16 automóviles autónomos que conducían en un entorno con varios cientos de otros vehículos.

"Los vehículos autónomos no estaban en comunicación directa pero ejecutaron el algoritmo propuesto en paralelo sin conflictos ni colisiones, "explica Pierson." Cada automóvil utilizaba un umbral de riesgo diferente que producía un estilo de conducción diferente, permitiéndonos crear conductores conservadores y agresivos. Usando la estática, las zonas de amortiguamiento precalculadas solo permitirían una conducción conservadora, mientras que nuestro algoritmo dinámico permite una gama más amplia de estilos de conducción ".