Los investigadores del MIT y Toyota han diseñado un nuevo modelo que sopesa diversas incertidumbres y riesgos para ayudar a los vehículos autónomos a determinar cuándo es seguro incorporarse al tráfico en las intersecciones con objetos que obstruyen la vista. como edificios que bloquean la línea de visión. Crédito:Instituto de Tecnología de Massachusetts
Los investigadores del MIT y Toyota han diseñado un nuevo modelo para ayudar a los vehículos autónomos a determinar cuándo es seguro incorporarse al tráfico en las intersecciones con vistas obstruidas.
Navegar por las intersecciones puede ser peligroso tanto para los autos sin conductor como para los humanos. En 2016, Aproximadamente el 23 por ciento de los accidentes de tráfico mortales y el 32 por ciento de los no mortales ocurrieron en las intersecciones, según un estudio del Departamento de Transporte de 2018. Los sistemas automatizados que ayudan a los automóviles sin conductor y a los conductores humanos a conducir a través de las intersecciones pueden requerir visibilidad directa de los objetos que deben evitar. Cuando su línea de visión está bloqueada por edificios cercanos u otras obstrucciones, estos sistemas pueden fallar.
Los investigadores desarrollaron un modelo que, en cambio, utiliza su propia incertidumbre para estimar el riesgo de posibles colisiones u otras interrupciones del tráfico en tales intersecciones. Pesa varios factores críticos, incluyendo todas las obstrucciones visuales cercanas, ruido y errores del sensor, la velocidad de otros coches, e incluso la atención de otros conductores. Basado en el riesgo medido, el sistema puede indicarle al automóvil que se detenga, entrar en el tráfico, o avance para recopilar más datos.
"Cuando te acercas a una intersección, existe un peligro potencial de colisión. Las cámaras y otros sensores requieren una línea de visión. Si hay oclusiones, no tienen suficiente visibilidad para evaluar si es probable que se presente algo, "dice Daniela Rus, director del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) y el Profesor Andrew y Erna Viterbi de Ingeniería Eléctrica e Informática. "En este trabajo, utilizamos un modelo de control predictivo que es más robusto a la incertidumbre, para ayudar a los vehículos a navegar de forma segura en estas situaciones difíciles en la carretera ".
Los investigadores probaron el sistema en más de 100 pruebas de automóviles a control remoto que giraban a la izquierda en un concurrido, intersección obstruida en una ciudad falsa, con otros autos conduciendo constantemente por la calle transversal. Los experimentos involucraron autos totalmente autónomos y autos conducidos por humanos pero asistidos por el sistema. En todos los casos, el sistema ayudó con éxito a los automóviles a evitar colisiones entre el 70 y el 100 por ciento de las veces, dependiendo de varios factores. Otros modelos similares implementados en los mismos autos de control remoto a veces no podían completar una sola prueba sin una colisión.
Junto a Rus en el artículo están:el primer autor Stephen G. McGill, Guy Rosman, y Luke Fletcher del Toyota Research Institute (TRI); los estudiantes de posgrado Teddy Ort y Brandon Araki, investigadora Alyssa Pierson, y el postdoctorado Igor Gilitschenski, todo CSAIL; Sertac Karaman, profesor asociado de aeronáutica y astronáutica del MIT; y John J. Leonard, el profesor Samuel C. Collins de Ingeniería Mecánica y Oceánica del MIT y asesor técnico del TRI.
Modelado de segmentos de carreteras
El modelo está diseñado específicamente para cruces de carreteras en los que no hay semáforos y un automóvil debe ceder el paso antes de maniobrar en el tráfico en el cruce de calles. como girar a la izquierda a través de varios carriles o rotondas. En su trabajo, los investigadores dividieron una carretera en pequeños segmentos. Esto ayuda al modelo a determinar si algún segmento dado está ocupado para estimar un riesgo condicional de colisión.
Los autos autónomos están equipados con sensores que miden la velocidad de otros autos en la carretera. Cuando un sensor registra un automóvil que pasa viajando hacia un segmento visible, el modelo usa esa velocidad para predecir la progresión del automóvil a través de todos los demás segmentos. Una "red bayesiana" probabilística también considera incertidumbres, como sensores ruidosos o cambios de velocidad impredecibles, para determinar la probabilidad de que cada segmento esté ocupado por un automóvil que pasa.
Debido a oclusiones cercanas, sin embargo, esta única medida puede no ser suficiente. Básicamente, si un sensor nunca puede ver un segmento de carretera designado, entonces el modelo le asigna una alta probabilidad de ser ocluido. Desde donde se posiciona el automóvil, existe un mayor riesgo de colisión si el automóvil simplemente se incorpora rápidamente al tráfico. Esto anima al automóvil a avanzar hacia adelante para obtener una mejor vista de todos los segmentos ocluidos. Mientras el auto lo hace, el modelo reduce su incertidumbre y, Sucesivamente, riesgo.
Pero incluso si el modelo lo hace todo correctamente, todavía hay error humano, por lo que el modelo también estima la conciencia de otros conductores. "Estos días, los conductores pueden estar enviando mensajes de texto o distraídos de alguna otra manera, por lo que la cantidad de tiempo que se tarda en reaccionar puede ser mucho más prolongada, ", Dice McGill." Modelamos ese riesgo condicional, así como."
Eso depende de calcular la probabilidad de que un conductor haya visto o no que el automóvil autónomo entra en la intersección. Para hacerlo el modelo observa el número de segmentos por los que ha pasado un automóvil antes de la intersección. Cuantos más segmentos había ocupado antes de llegar a la intersección, cuanto mayor sea la probabilidad de que haya detectado el automóvil autónomo y menor será el riesgo de colisión.
El modelo suma todas las estimaciones de riesgo de la velocidad del tráfico, oclusiones, sensores ruidosos, y conciencia del conductor. También considera cuánto tiempo le tomará al automóvil autónomo conducir un camino planificado previamente a través de la intersección, así como todos los puntos de parada seguros para cruzar el tráfico. Esto produce una estimación del riesgo total.
Esa estimación de riesgo se actualiza continuamente para cualquier lugar donde se encuentre el automóvil en la intersección. En presencia de múltiples oclusiones, por ejemplo, empujará hacia adelante, poco a poco, para reducir la incertidumbre. Cuando la estimación del riesgo es lo suficientemente baja, el modelo le dice al automóvil que atraviese la intersección sin detenerse. Quedarse en medio de la intersección durante demasiado tiempo, los investigadores encontraron, también aumenta el riesgo de colisión.
Asistencia e intervención
Ejecutar el modelo en autos de control remoto en tiempo real indica que es lo suficientemente eficiente y rápido como para implementarlo en autos de prueba autónomos a gran escala en un futuro cercano. dicen los investigadores. (Muchos otros modelos son demasiado pesados desde el punto de vista computacional para ejecutarlos en esos autos). El modelo aún necesita pruebas mucho más rigurosas antes de ser utilizado para la implementación en el mundo real en vehículos de producción.
El modelo serviría como una métrica de riesgo complementaria que un sistema de vehículo autónomo puede usar para razonar mejor sobre la conducción segura a través de las intersecciones. El modelo también podría implementarse en ciertos "sistemas avanzados de asistencia al conductor" (ADAS), donde los humanos mantienen el control compartido del vehículo.
Próximo, los investigadores tienen como objetivo incluir otros factores de riesgo desafiantes en el modelo, como la presencia de peatones en y alrededor del cruce de carreteras.
Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.