自动驾驶汽车的一种新模式可以通过提前发现故障(有时最多7秒)来从过去的故障中学习。

利用自动车辆,一种未知或复杂的驾驶情况(如拥挤的交叉路口)可以通过自动安全措施或人为干预来引起自动驱动系统的脱离。

慕尼黑技术大学(TUM)的人工智能模型使用了数千名现实生活流量情况 - 特别是从测试驱动器中记录了脱离序列 - 作为预测未来失败的培训数据。

为了尽早预测故障,机器学习方法将传感器数据的序列分类为失败或成功。

例如,如果系统斑点,例如,控制系统以前无法处理的新驾驶情况,例如,驾驶员将在可能的临界情况前警告驾驶员。

tums开发的安全技术使用传感器和摄像头来捕捉周围情况,如方向盘角度、路况、天气、能见度和速度。这个人工智能系统基于循环神经网络(RNN)和数以千计的真实交通情况,学习根据数据识别模式。

汽车本身被视为一个黑盒子,只关注数据输入和数据输出。慕尼黑研究小组表示,该系统会从自己以前的错误中进行内省学习。

“我们技术的大优势:我们完全忽略了汽车的想法。相反,我们基于实际发生的内容并寻找模式,而是将自己限制在数据上。Eckehard Steinbach援助研究员教授他也是公司的董事会成员慕尼黑机器人学院和机器智力(MSRM)在tum,。“以这种方式,A.I.发现模型可能无法识别或尚未发现的潜在关键情况。“

Steinbach说,该系统提供了一个安全功能,可以知道何时何地汽车有缺陷。

Steinbach和他的团队的方法结合了两种传感器。基于图像的模型学会了解通常挑战性的情况,如繁忙的城市街道。额外的基于数据的模型检测在失败之前立即进行快速变化,例如突然制动或旋转。通过平均个人故障概率来融合各个模型的结果。

BMW集团评估了“内省故障预测方法”,通过公共道路上的14小时自动驾驶,分析了驾驶员不得不介入的2,500个局势。

根据一项研究,于2020年12月发布,后期融合方法允许预测比85%的故障更好,最多七秒钟,并且以误阳性率为20%。

在短暂的面试中yabovip16.com下面,Steinbach谈到了黑箱方法的优点,以及今天的车辆安全措施的局限性。

yabovip16.com:我认为这是一个有趣的想法:“我们完全忽略了汽车的想法。相反,我们根据实际发生的并寻找模式来限制数据。“模型可能无法识别的模式的一些例子是什么?

Eckehard教授Steinbach.在我们的工作中,我们观察汽车的状态,如刹车和转向,以及汽车获得的摄像头图像,以检测导致脱离的模式。虽然这使得我们的模型能够检测到大部分需要人类接手的情况,但并不是所有关于驾驶场景的信息都能在这些数据中捕捉到。

作为一个简单的例子,重复制动的模式可能是常规的驾驶在温暖的天气中,但如果道路是冰冷的并且滑溜,则可能表明即将到来的脱离。如果相机图像未捕获有关环境的此信息,则该模式不能用于区分常规和中断的驾驶。虽然相机信息通常足以评估道路的条件,但这种模式仍然很难识别。

yabovip16.com:为什么它是一个有利的是“忽略汽车的想法?”

Eckehard教授Steinbach.:如果汽车完全正确评估情况,司机将无需进行干预。然而,过度交通是自主驾驶中许多模型的重要挑战。通过从那些情况下录制和学习,即使汽车过度自信,我们也可以学会检测新情况是否有问题。

此外,通过观察汽车状态和周围环境的模式序列,我们的模型可以有效地推断未来,提前7秒预测脱离状态。提前这么早,汽车对现场的评估可能仍然是完全正确的,这意味着它不能用于预测具有挑战性的场景。另一方面,原始收集的数据可能已经包含了之前导致失败的模式,因此可以提前预测脱离。

yabovip16.com:系统如何确定“关键”方案,提前七秒钟?此外,当发生这种检测时,接下来会发生什么?司机在车里看到了什么,汽车做了什么?

Eckehard教授Steinbach.:关键是观察数据序列并寻找时间模式。通过考虑过去三秒钟的记录数据,我们的模型能够检测到最终进化到人类驾驶员必须接管控制的场景的模式。如果您知道要查找的内容,您可以在未来几秒钟内发现最具挑战性情况的迹象。

我们的方法可以在7秒前实现85%的时间。剩下15%的情况可以用这样的事实来解释:一些具有挑战性的情况在很短的时间内发生,比如行人突然从停着的汽车之间出现,并向道路靠近。当检测发生时,需要提醒司机。

yabovip16.com:司机如何提醒?

Eckehard教授Steinbach.:这个警报的实现取决于具体的人机界面的选择,但驾驶员需要知道在接下来的7秒内他们将需要控制汽车。这一次,如果人类司机没有对提示做出反应,汽车还可以计划一个安全的停车策略。

yabovip16.com你的试驾怎么样?你看到的最令人印象深刻的发现是什么?

Eckehard教授Steinbach.:由于测试驱动器由BMW集团执行,因此我没有参加汽车内部。我们的小组后来与录音的录音。检测系统中最令人印象深刻的元素是预测经常发生的早期。在检测时,驾驶场景似乎似乎是常规的,例如,仅用于下一个交叉点的流量,转变为人类接手的复杂,拥挤的环境,以确保在几秒钟后确保安全。

yabovip16.com自动驾驶汽车检测到的挑战还有哪些?

Eckehard教授Steinbach.:自动驾驶中的一个重要挑战是新颖或分销的数据。如果汽车进入其尚未培训或看到它不知道的对象的情况,可能会出现问题。这种新颖的场景导致人为干预,这导致这些场景被用作我们的方法的培训数据。虽然我们的方法可以帮助检测下次遇到,检测和正确管理完全小说的挑战环境,而是第一次遇到的仍然是一个具有挑战性的任务。

你觉得呢?请在下方分享你的问题和评论。