Un sistema de advertencia para autos autónomos aprende de las fallas

Un nuevo modelo de autos autónomos aprende de fallas pasadas al detectarlas con anticipación, a veces hasta 7 segundos.

Con los vehículos autónomos, una situación de conducción desconocida o compleja (como una intersección llena de gente) puede provocar la desactivación del sistema de conducción autónoma, ya sea mediante medidas de seguridad automáticas o mediante la intervención humana.

Un modelo de inteligencia artificial de la Universidad Técnica de Múnich (TUM) utiliza miles de situaciones de tráfico de la vida real, específicamente, secuencias de desconexión registradas de pruebas de manejo, como datos de entrenamiento para predecir futuras fallas.

Para predecir fallas lo antes posible, el enfoque de aprendizaje automático clasifica las secuencias de datos del sensor como fallas o éxito.

Si el sistema detecta una nueva situación de conducción que el sistema de control no pudo manejar anteriormente, por ejemplo, se advertirá al conductor con anticipación de una posible situación crítica.

La tecnología de seguridad desarrollada por TUM utiliza sensores y cámaras para capturar las condiciones del entorno, como el ángulo del volante, las condiciones de la carretera, el clima, la visibilidad y la velocidad. la IA El sistema, basado en una red neuronal recurrente (RNN) y miles de situaciones de tráfico real, aprende a reconocer patrones con los datos.

El automóvil en sí se trata como una caja negra, enfocada solo en la entrada y salida de datos. El sistema aprende introspectivamente de sus propios errores anteriores, según el equipo de Múnich.

"La gran ventaja de nuestra tecnología:ignoramos por completo lo que piensa el automóvil. En cambio, nos limitamos a los datos basados ​​en lo que realmente sucede y buscamos patrones", dijo el investigador principal, el profesor Eckehard Steinbach , quien también es miembro de la Junta Directiva de la Escuela de Robótica e Inteligencia de Máquinas de Munich (MSRM) en TUM,. “De esta manera, la I.A. descubre situaciones potencialmente críticas que los modelos pueden no ser capaces de reconocer, o aún no han descubierto".

El sistema ofrece una función de seguridad que sabe cuándo y dónde los autos tienen debilidades, dice Steinbach.

El método de Steinbach y su equipo combina dos tipos de sensores. Un modelo basado en imágenes aprende a detectar situaciones generalmente desafiantes, como una calle concurrida de la ciudad. Un modelo adicional basado en datos detecta cambios rápidos inmediatamente antes de una falla, como un frenado repentino o un desvío. El resultado de los modelos individuales se fusiona promediando las probabilidades de falla individuales.

BMW Group evaluó el "enfoque de predicción de fallos introspectivo" a través de 14 horas de conducción autónoma en la vía pública, analizando alrededor de 2500 situaciones en las que el conductor tuvo que intervenir.

Según un estudio, publicado en diciembre de 2020 , el enfoque de fusión tardía permite predecir fallas con una precisión superior al 85 %, hasta siete segundos antes de que ocurran, y con una tasa de falsos positivos del 20 %.

En una breve entrevista con Tech Briefs a continuación, Steinbach habla sobre los puntos fuertes de un enfoque de caja negra, así como las limitaciones de las medidas actuales de seguridad de los vehículos.

Resúmenes técnicos :Creo que esta es una idea interesante:“Ignoramos por completo lo que piensa el auto. En cambio, nos limitamos a los datos basados ​​en lo que realmente sucede y buscamos patrones”. ¿Cuáles son algunos ejemplos de patrones que un modelo puede no reconocer?

Profesor. Eckehard Steinbach :En nuestro trabajo, observamos el estado del automóvil, como el frenado y la dirección, así como las imágenes de la cámara que obtiene el automóvil para detectar patrones que conducen a desacoplamientos. Si bien esto permite que nuestro modelo detecte un gran porcentaje de situaciones en las que un ser humano debe hacerse cargo, no toda la información sobre una escena de conducción se captura en estos datos.

Como un ejemplo simple, un patrón de frenado repetido podría ser una conducción regular en clima cálido, pero podría indicar una desconexión inminente si las carreteras están heladas y resbaladizas. Si las imágenes de la cámara no capturan esta información sobre el entorno, ese patrón no se puede usar para distinguir entre la conducción regular y la interrumpida. Si bien la información de la cámara suele ser suficiente para evaluar las condiciones de la carretera, estos patrones aún pueden ser difíciles de reconocer.

Más información sobre vehículos autónomos

Mírelo en Tech Briefs TV:Michigan está desarrollando un corredor único en su tipo para vehículos conectados y autónomos.

En el blog:una encuesta de expertos explora la pregunta:¿Cómo afectarán los sistemas autónomos a la naturaleza?

Resúmenes técnicos :¿Por qué es una ventaja "ignorar lo que piensa el auto?"

Profesor. Eckehard Steinbach :Si el automóvil evalúa una situación de forma completamente correcta, no sería necesario que el conductor interviniera. Sin embargo, el exceso de confianza es un desafío importante de muchos modelos utilizados en la conducción autónoma. Al registrar y aprender de esas situaciones, podemos aprender a detectar si una nueva situación es problemática, incluso si el auto está demasiado confiado al respecto.

Además, la observación de secuencias de patrones sobre el estado y los alrededores del automóvil permite que nuestro modelo se extrapole de manera efectiva hacia el futuro para predecir desconexiones hasta siete segundos antes. Con tanta anticipación, la evaluación del automóvil de la escena aún podría ser completamente correcta, lo que significa que no podría usarse para predecir el escenario desafiante. Los datos sin procesar recopilados, por otro lado, pueden contener patrones que han llevado a fallas antes y, por lo tanto, permiten predecir desconexiones por adelantado.

Resúmenes técnicos :¿Cómo es capaz el sistema de determinar un escenario “crítico” con siete segundos de antelación? Además, cuando se produce esa detección, ¿qué sucede a continuación? ¿Qué ve el conductor en el automóvil y qué hace el automóvil?

Profesor. Eckehard Steinbach :La clave es observar secuencias de datos y buscar patrones temporales. Al considerar los últimos tres segundos de datos registrados, nuestro modelo puede detectar patrones que eventualmente evolucionan hacia un escenario en el que el conductor humano tiene que tomar el control. Si sabe qué buscar, puede detectar los primeros signos de situaciones desafiantes con muchos segundos de anticipación.

Nuestro método logra esto alrededor del 85% del tiempo con siete segundos de anticipación. El 15% restante de las situaciones puede explicarse por el hecho de que algunos escenarios desafiantes se desarrollan en muy poco tiempo, como peatones que emergen repentinamente de entre automóviles estacionados y se acercan a la carretera. Cuando se produce la detección, se debe alertar al conductor.

Resúmenes técnicos :¿Cómo se alerta al conductor?

Profesor. Eckehard Steinbach :La implementación de esta alerta depende de la elección específica de la interfaz hombre-máquina, pero el conductor debe saber que se le requerirá el control del automóvil dentro de los próximos siete segundos. Este tiempo también permite que el automóvil planifique una maniobra de parada segura en caso de que el conductor humano no reaccione a la indicación.

Resúmenes técnicos :¿Cómo te fue en tu prueba de manejo? ¿Cuál fue la detección más impresionante que viste?

Profesor. Eckehard Steinbach :Dado que las pruebas de manejo fueron realizadas por BMW Group, no participé en ellas dentro del automóvil. Nuestro grupo trabajó más tarde con las grabaciones de las unidades. El elemento más impresionante del sistema de detección es cuán pronto ocurre la predicción. En el momento de la detección, el escenario de conducción aún puede parecer regular, por ejemplo, solo para que el tráfico en la siguiente intersección se convierta en un entorno complicado y abarrotado donde el humano se hizo cargo para garantizar la seguridad unos segundos más tarde.

Resúmenes técnicos :¿Qué sigue siendo difícil de detectar para los vehículos autónomos?

Profesor. Eckehard Steinbach :Un desafío importante en la conducción autónoma son los datos novedosos o fuera de distribución. Si el automóvil entra en una situación para la que no ha sido entrenado o ve un objeto que no conoce, pueden surgir problemas. Tales escenas novedosas provocan la intervención humana, lo que lleva a que esas escenas se utilicen como datos de entrenamiento para nuestro enfoque. Si bien nuestro método puede ayudar a detectar un entorno tan nuevo y desafiante la próxima vez que se encuentre, detectar y administrar correctamente una escena completamente nueva la primera vez que se encuentre sigue siendo una tarea desafiante.

¿Qué opinas? Comparta sus preguntas y comentarios a continuación.