En el campo de los automóviles sin conductor, los algoritmos para controlar los cambios de carril son un tema importante de estudio. 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 sondifícil de ensamblar y demasiado complejo para analizar sobre la marcha; o son tan simples que pueden llevar a decisiones poco conservadoras, como nunca cambiar de carril.
En la Conferencia Internacional sobre Robótica y Automatización de mañana, los investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial CSAIL del MIT presentarán un nuevo algoritmo de cambio de carril que divide la diferencia. Permite cambios de carril más agresivos que los modelos simples, perose 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 información posible?'", Dice Alyssa Pierson, un postdoc en CSAIL y primer autor del nuevo documento. "¿Cómo podemos hacer que un vehículo autónomo se comporte como un conductor humano?podría comportarse? ¿Cuál es la cantidad mínima de información que el automóvil necesita para provocar ese comportamiento humano? "
Daniela Rus, profesora de ingeniería eléctrica y ciencias de la computación de Viterbi; Sertac Karaman, profesor asociado de aeronáutica y astronáutica; y Wilko Schwarting, estudiante de posgrado en ingeniería eléctrica y ciencias de la computación se unen a Pierson en el documento.
"La solución de optimización asegurará la navegación con cambios de carril que pueden modelar una gama completa de estilos de manejo, desde conservadores hasta agresivos, 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 amortiguamiento alrededor de los otros vehículos en el medio ambiente. 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.una cuestión de simplemente mantenerse fuera de las zonas de amortiguamiento de otros vehículos.
Para cualquier método de cálculo de 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 por adelantadoDurante el funcionamiento, el vehículo autónomo activa 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 correría alegremente por la carretera.
Con el sistema de investigadores del MIT, si las zonas de amortiguamiento predeterminadas conducen a un rendimiento que es mucho peor que el de un conductor humano, el sistema calculará nuevas zonas de amortiguamiento sobre la marcha, completa con la prueba de evitar colisiones.
Ese enfoque depende de un método matemáticamente eficiente para describir las zonas de amortiguamiento, de modo que la prueba para evitar colisiones pueda ejecutarse rápidamente. Y eso es lo que desarrollaron los investigadores del MIT.
Comienzan con una llamada distribución gaussiana: la distribución de probabilidad de curva de campana familiar. Esa distribución representa la posición actual del automóvil, factorizando tanto su longitud como la incertidumbre de su estimación de ubicación.
Luego, con base en las estimaciones de la dirección y la 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 lasesgar.
La distribución sesgada define la nueva zona de amortiguación del vehículo. Pero su descripción matemática es tan simple, utilizando solo unas pocas variables de ecuación, que el sistema puede evaluarla sobre la marcha.
Los investigadores probaron su algoritmo en una simulación que incluía hasta 16 autos autónomos conduciendo en un entorno con varios cientos de otros vehículos.
"Los vehículos autónomos no estaban en comunicación directa pero ejecutaban el algoritmo propuesto en paralelo sin conflictos ni colisiones", explica Pierson. "Cada automóvil usaba un umbral de riesgo diferente que producía un estilo de conducción diferente, lo que nos permitía crear conductores conservadores y agresivosEl uso de zonas de amortiguación estáticas precalculadas solo permitiría una conducción conservadora, mientras que nuestro algoritmo dinámico permite una gama más amplia de estilos de conducción ".
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Original escrito por Larry Hardesty. Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :