Coches Autónomos Dominan la Navegación en Calles Estrechas

Imaginemos que dos vehículos se dirigen directamente el uno hacia el otro por una calle de sentido único.

Si usted está al volante en este tipo de escenario de conducción ajustado y desafiante, puede negociar con las partes cercanas. Puede apartarse al lado de la carretera y luego hacer señas al conductor de adelante para que pase por el carril estrecho. A través de la interacción, puede descubrir maniobras que mantengan a todos a salvo y en ruta hacia su destino.

Un coche autónomo tiene un desafío más difícil, y debe de alguna manera entender a los conductores cercanos y su disposición a colaborar.

Un nuevo algoritmo en desarrollo puede guiar un vehículo autónomo a través de tráfico denso en una calle estrecha y concurrida.

El algoritmo, desarrollado por investigadores del Centro Argo AI para Investigación de Vehículos Autónomos de la Universidad Carnegie Mellon , toma decisiones modelando diferentes niveles de cooperatividad del conductor —qué tan probable es que un conductor se aparte para dejar pasar a otro.

Con "Aprendizaje por Refuerzo Multiagente" (MARL), el equipo, liderado por el investigador Christoph Killing, logró que los vehículos autónomos exhibieran comportamientos similares a humanos, incluyendo conducción defensiva e interpretación del comportamiento de otros agentes —en simulación, por ahora.

El algoritmo no se ha usado en un vehículo en el mundo real, pero los resultados son prometedores, gracias al sistema basado en recompensas del modelo.

"Incentivamos interacciones con la seguridad en mente", dijo Killing, ex investigador visitante en el Instituto de Robótica de la Escuela de Ciencias de la Computación  y ahora parte del Laboratorio de Sistemas Aéreos Autónomos en la Universidad Técnica de Múnich.

En una breve entrevista con Tech Briefs a continuación, Christoph explica más sobre cómo el modelo basado en incentivos de su equipo navega situaciones de tráfico difíciles, donde no hay reglas oficiales de la carretera.

Tech Briefs: ¿Caracterizaría su modelo como más cooperativo o agresivo al navegar un desafío que requiere un poco de ambos?

Christoph Killing: Como en cualquier escenario de conducción, los vehículos autónomos deben anteponer la seguridad y seguir todas las reglas de tráfico. Sin embargo —y este es el reto y la belleza del escenario considerado— no existen reglas de tráfico coordinadoras en este tipo de escenario (en contraste con intersecciones de 4 vías, por ejemplo). Dos vehículos con igual derecho de paso deben negociar esencialmente quién va primero y quién espera.

Si ambos vehículos se centran puramente en la seguridad, ambos se apartarán. El desafío clave al que nos enfrentamos en nuestra investigación fue: ¿Cómo hacemos que un vehículo se aparte y el otro avance —no que ambos se aparten, no que ambos avancen, cuando cada uno toma sus propias decisiones sin ninguna instancia coordinadora.

Incentivamos interacciones con la seguridad en mente; chocar a velocidad es peor que agotar el tiempo —pero los tiempos de espera también resultan en una pequeña penalización para incentivar a los agentes a aprender a interactuar y pasar el uno al lado del otro.

Tech Briefs: ¿Cuáles son los principales parámetros que su modelo usa para ejecutar la conducción? ¿En qué criterios basa el algoritmo sus decisiones?

Christoph Killing: Nuestro algoritmo percibe lo que estaría disponible en un coche real. Tenemos mediciones de distancia y velocidad relativa alrededor del frente del coche (ver Fig. 2 en el informe aquí ). Notablemente, comparado con trabajos relacionados, no usamos una vista cenital del escenario sino una perspectiva egocéntrica. Esto lo hace un poco más complicado ya que ahora tenemos puntos ciegos. Esta observación se aumenta con parámetros adicionales, como la cooperatividad mencionada para indicar al agente cómo de agresivo comportarse, pero también el ángulo de dirección actual y la posición del acelerador (que también sabría al conducir usted mismo en este escenario).

Tech Briefs: ¿Qué sigue siendo un desafío para que el algoritmo lo haga bien?

Christoph Killing: Hay dos desafíos principales: emparejamientos demasiado agresivos y emparejamientos demasiado pasivos. (Compare las visualizaciones aquí .) Notablemente, nuestras políticas pueden negociar el escenario la mayoría de las veces. Sin embargo, los pasajeros humanos podrían estar bastante descontentos con sus coches realizando algunas de las maniobras mostradas aquí .

Tech Briefs: ¿Qué hace el algoritmo cuando está claro que un conductor contrario es agresivamente "malo"? ¿O demasiado "cooperativo"?

Christoph Killing: Probamos nuestras políticas de conducción asignando un valor de cooperatividad a cada vehículo, indicándole cómo de agresivo comportarse. Cada uno solo conoce su propia cooperatividad, no la del coche contrario. Estos valores de cooperatividad se traducen a comportamientos de conducción de manera bastante directa: un conductor no cooperativo solo está interesado en su propio progreso. Un conductor altamente cooperativo no le importa qué vehículo haga progreso primero, mientras alguien avance. Estos valores son fijos durante la interacción.

(No consideramos "perder los estribos". No voy a profundizar aquí, pero mantengámoslo en "por razones matemáticas".)

Tech Briefs: ¿Requiere parte del modelo una especie de "lectura" del conductor contrario?

Christoph Killing: Una palabra sobre la "lectura": En robótica, distinguimos entre el estado del mundo (es decir, el planeta Tierra como es ahora) y una observación. Nuestros vehículos no tienen un módulo de memoria. Entonces, ¿cómo lidiamos con cosas que no vemos en el momento?

Más Coches Autónomos en Tech Briefs

Un sistema de advertencia para coches autónomos aprende de los fallos.

Software de la Universidad Técnica de Múnich mantiene vehículos autónomos en una ruta segura.

Digamos, por ejemplo, que está en una llamada de Zoom con alguien. Percibe una observación parcial del planeta Tierra por así decirlo. La otra parte toma una taza de café fuera del campo de visión de su cámara, bebe un sorbo y la vuelve a dejar fuera del campo de visión de su cámara. Si solo tiene en cuenta la última observación que hizo después de que la taza se posara y le preguntan qué beben, simplemente no lo sabe (porque no hay memoria). Sin embargo, si apila (llamamos "concatenar") varias observaciones a lo largo de los últimos segundos, puede inferir algo sobre el estado del mundo al ver la taza moviéndose a lo largo de varios fotogramas. Basado en qué tan rápido la mueven, podría incluso saber algo sobre su estado de ánimo.

Igualmente, en nuestro escenario, cada coche solo conoce al otro agente, basado en lo que puede observar del espacio de observación (mostrado en Fig 2. en el artículo ). Los estados internos (el valor de cooperatividad del otro coche, por ejemplo) son desconocidos. Concatenamos varias de esas observaciones parciales de cada vehículo para permitirles formar implícitamente una creencia sobre qué tan cooperativo podría ser el otro vehículo. No lo hacemos manualmente, sino que la Red Neuronal Profunda, la inteligencia artificial, asimila la tarea. Esta Red Neuronal también tiene que aprender la respuesta a su pregunta, es decir, qué hacer después de notar cierta agresividad o comportamiento demasiado cooperativo.

Tech Briefs: ¿Cómo nota el modelo un comportamiento "agresivo" o "cooperativo" y responde en consecuencia?

Christoph Killing: Un agente demasiado agresivo podría, por ejemplo, proceder directamente al cuello de botella del escenario, forzando esencialmente al otro agente a esperar. Un agente demasiado cooperativo —en cuanto la extensión total del cuello de botella es percibible por sus sensores— reduciría la velocidad y esperaría. Aquí nuestra política está entrenada para seleccionar inmediatamente la acción complementaria: detectar una desaceleración y avanzar, o viceversa.

Tech Briefs: ¿Qué sigue para esta investigación?

Christoph Killing: Muchas cosas: Tres puntos principales: Primero, el trabajo actual es vehículo autónomo frente a vehículo autónomo solamente. Necesitaremos extender esto a un vehículo autónomo frente a un humano y ver qué tan bien cooperamos con ellos. Segundo, en nuestro trabajo los vehículos solo pueden moverse hacia adelante, no permitimos marcha atrás. Sin embargo, esto podría ayudar a recuperarse de situaciones donde estamos atascados. Tercero, nuestro trabajo actualmente es solo simulación. Transferirlo a una solución real es un paso importante que debemos dar en algún momento.

¿Qué opina? Comparta sus preguntas y comentarios abajo.