MIT ve Microsoft, daha iyi kararlar almanıza yardımcı olacak yeni kendi kendine sürüş eğitim yöntemleri sunuyor
Pazar kapasitesi beslenmeyi bekliyor, teknoloji şirketleri ve otomobil üreticileri para harcıyor ve insansız araçların yol testleri yeni bir şey değil, ancak otonom sürüşün gelişi hayal edildiği kadar kolay değil. En azından son iki yıldır pek çok sorun yaşadı.
ABD insansız araç politikasının en dostane olduğu Arizona'da, iki yıl içinde otonom araçları ve amirleri taciz eden en az 21 kişi olayı yaşandı ve hatta bazıları gözetmenleri korkutmak ve insansız araçların bloktan çıkmasını talep etmek için silahlarla silahlandı.
Halkın öfkesinin temel nedeni, çok fazla teknik arıza olmasıdır. Veriler, 2014'ten 2018'e kadar, Kaliforniya'da otonom sürüş kazalarının görülme sıklığının her geçen yıl arttığını ve Google Waymo, GM Cruise, Apple, TRI (Toyota Araştırma Enstitüsü), Drive.ai, UATC (Uber) vb. Gibi devlerin korunmadığını gösteriyor.
Tedbirli olmasına rağmen yine de her fırsatta suçu üstleniyor ve insansız araç çok acı hissettiğini ifade ediyor.
Birkaç yıllık geliştirmeden sonra, otonom sürüşün algılama teknolojisi önemli ilerleme kaydetti ve yüksek hassasiyetli sensörler ve lensler uzun zamandır standart hale geldi. Teknolojik bir ikilemde otonom sürüş, yavaş yavaş kaybolan insanların kalplerini kurtarmak için daha gelişmiş bir karar alma sistemi gerektirebilir.
Ve son zamanlarda, bu kurtuluş kahramanı gerçekten ortaya çıkmış gibi görünüyor.
California Motorlu Taşıtlar Bakanlığı (DMV) tarafından açıklanan "2018 Otonom Sürüş Devralma Raporu" ndan temel bir sonuç çıkarabiliriz:
Otonom sürüşün ilk aşamasındaki temel çelişki, insanların sürekli artan otomasyon beklentileri ile geriye dönük sürücüsüz teknoloji arasındaki çelişkidir.
Gerçekler, insansız araçların yolu tanımasını başlangıçta kısıtlayan uzamsal algılama yetenekleri büyük ölçüde geliştirilmiş olsa da, gerçek dünyaya iyi uyum sağlamalarına yardımcı olmadığını kanıtladı. Bu durum, Volkswagen'in yoldaki insansız araçlar için yüz eksikliğinden sorumlu tutulamaz.
Kötü şöhretli "Uber İnsansız Araç Olayı" gibi, yayaların tespit edildiği varsayımıyla, sistem mevcut konumun normal sürüş davranışını engellemeye yeterli olmadığına inanıyor, bu nedenle saatte 61 kilometre hızla ilerlemeyi seçiyor. Yeterli tepki süresi tanıyın.
Açıkçası, laboratuvarda "engellerle karşılaştığımda aktif olarak fren yapmak" için eğitildim, ancak aslında yoldayken doğru ve mantıklı kararlar vermek otonom bir araç için hala oldukça zor.
"Çok fazla kalp" kolayca kazalara yol açabilir ve çok "et" halkın eleştirisinin hedefi haline gelebilir. Phoenix'te Waymo, dur işaretinin olduğu her yerde en az üç saniye duracak, arkasındaki insan sürücüleri çok kızdıracak ve halk tarafından sık sık şikayet ediliyor.
Şu anda, kendi kendine giden arabaları kurtarabilecek tek şeyin risk kontrolü ve verimli karar verme sistemi olduğu görülüyor.
Ancak ne yazık ki, insanların gerçekte kolaylıkla başa çıkabileceği birçok trafik durumu için, makineler doğru, verimli ve ihtiyatlı kararlar veremezler. Bu nedenle, uzun bir süre için, otonom sürüş, sistem IQ ile insan beklentileri arasındaki boşluğu doldurmak için manuel çalışmaya güvenmek zorunda kalacaktır. Bu nedenle, manuel devralma sıklığı, otonom sürüş teknolojisini değerlendirmek için en önemli gösterge haline geldi.
DMV raporuna göre, en iyi teknolojiye sahip Waymo'nun ortalama 1.7846,8 kilometre için manuel olarak bir kez devralınması, yol testi yeterlilik belgesi iptal edilen Uber'in ise 0,6 kilometre boyunca bir kez devralınması gerekiyor.Bu da kendi süpervizörlerini yormak için. Evet!
Google'ın sunduğu bir raporda, 14 aylık yol testi sırasında, otopilotlar ve arabaların insansız durumdan ayrılma girişiminde bulunduğu 272 kez, 69 süpervizör kontrolü devralmaya karar verdi. Google, denetçilerin müdahalesi olmadan insansız araçlarda 13 trafik çarpışmasının olabileceğini söyledi.
Bu durumda Kaliforniya, gelecekte tüm insansız otonom araç şirketlerinin beklenmedik durumlarda araba kullanma işini devralabilecek uzaktan manuel kontrol odaları kurması gerektiğini şart koşmalıdır.
Ancak insanlar devraldığı sürece her şeyin yoluna gireceğini düşünmek saflık olur. İnsansız araçların kazara meydana gelen sorunlarını gelecekte yalnızca işçiliğe dayanarak çözmek için gereken büyük işçilik maliyetlerine bakılmaksızın. Kendi kendine giden arabanın mevcut IQ'su ile, bulut bilişimde görülebilse bile, yolda tek başına gitmesine izin verin, bu kolay değildir.
Temel neden, insansız arabanın, insan müdahalesi olmaksızın tamamen otomatik ve güvenli bir şekilde arabayı kontrol etmeyi öğrenmesine izin vermektir. mümkün mü?
MIT ve Microsoft'un en son araştırma sonuçları, sistemin eğitim sürecinde kendi hatalarını tanımasını ve düzeltmesini mümkün kılar, böylece yalnızca gerçek sürüşte insanlar tarafından değerlendirilebilecek beklenmedik durumlarla başa çıkabilir.
En son araştırmada, MIT ve Microsoft, insansız araçların bir kaza durumunda sadece bir şey olduğunda karmaşayı kaldırmak yerine daha iyi kararlar almasına yardımcı olmak için yepyeni bir kendi kendine sürüş eğitim yöntemi önerdiler. .
Ön çalışma, geleneksel eğitim yöntemiyle aynıdır.Araştırmacılar, aracın yolda karşılaşabileceği her şeye hazırlanmak için otomatik sürüş sistemi üzerinde eksiksiz bir simülasyon eğitimi verir.
Aradaki fark, sürücüsüz arabalar gerçek dünyada çalışacak şekilde konuşlandırıldığında, yeni "bilişsel kör nokta eğitimi" nin yeni başlamış olmasıdır. Otonom test aracı önceden belirlenmiş bir rota boyunca ilerlerken, insanlar sistemin davranışını her zaman yakından izleyeceklerdir, ancak asıl görev acil durumlarda ona yardım etmek değil, beklenmedik durumlarla karşılaştıklarında insanların ne yapacağını gözlemlemesine izin vermektir.
Arabanın davranışı doğruysa, insanlar hiçbir şey yapmaz. Arabanın eylemleri insan davranışından saparsa, insanlar direksiyon simidini ele geçirecek. Bu noktada sistem bir sinyal alacaktır.Bu özel durumda, uygulanabilir bir çözüm olan ve ne tür bir işlem kabul edilemez.
Sistemde herhangi bir hata meydana geldiğinde veya meydana gelmek üzereyken insan geri bildirim verilerini toplayarak, sistem, insan geri bildirim davranışlarının bir listesine sahip olur. Araştırmacılar, sistemin doğru eylemi nasıl gerçekleştirmesi gerektiğini daha doğru bir şekilde tahmin edebilen yeni bir model oluşturmak için verileri birleştiriyor.
Bu eğitim sürecinde sistemin birçok çelişkili sinyal alabileceğini belirtmek gerekir.
Örneğin sistem gözünde büyük bir otomobille paralel seyir halindeyken yavaşlamamak tamamen sorun değil ancak karşı taraf ambulans ise karşı taraf ambulans ise hata olarak değerlendirilecektir.
Oldukça benzer sahneler, insanlar tamamen zıt tepki verecek. Karar vermedeki bu tür bulanık alan, aynı zamanda, mevcut otomatik sürüş sistemindeki en hataya açık yerdir ve aynı zamanda tanınması gereken bir "kör noktadır".
Bu sorunu çözmek için MIT ve Microsoft'taki araştırmacılar Dawid-Skene makine öğrenimi algoritması kullandı. Algoritma, sistem her durumu ele aldığında karar verme stratejisinin "güvenli" veya "kör noktalar" olup olmadığını belirlemek için sistemin davranışını "kabul edilebilir" ve "kabul edilemez" olarak etiketleyecektir. Bu optimize edilmiş etiketin güvenilirliği.
Tekrarlanan testlerden sonra, sistem karşılaşılan bulanık sahneleri hatırlayacak ve etikete bağlı olarak bir "hata oranı" olasılığı hesaplayacaktır.
Örneğin sistem ambulans sahnesinde 10 defa 9 doğru işlemi (yavaşlama / durdurma) gerçekleştirirse bu özel durum altındaki seçim güvenli olarak işaretlenecektir.
Basitçe söylemek gerekirse, "hata oranı" ile donatılmış otopilot sistemi, insanların yardımıyla "bildirilen yanlış bir soru bankası" oluşturmuştur. Olağan hataya yatkın "bilişsel kör noktalar" ve bulanık sahnelerle karşılaşıldığında, İnsanlar için kabul edilebilir davranışları öne çıkarabilir ve daha temkinli ve akıllıca hareket edebilirsiniz.
Pratiklik açısından bakıldığında, araştırma hala bazı pratik sorunlarla karşı karşıyadır.
Örneğin, genel olarak, kabul edilemez davranışlar, kabul edilebilir davranışlardan çok daha azdır. Bu, olasılık hesaplaması yoluyla eğitilen bir sistemin, gerçek operasyonda tüm durumların güvenli olduğunu tahmin etme olasılığının yüksek olduğu anlamına gelir. Bu, şüphesiz aşırı derecede aşırıdır. tehlikeli.
Bu yeni eğitim yönteminin gerçek potansiyeli, sağduyu operasyonları ile otonom sürüşün daha parlak beklentilerinde yatmaktadır.
Her şeyden önce, insan katılımının yüksek olması nedeniyle, otonom sürüş, yeni durumlarda aslında yola çıkmadan önce yanlış önlemlerin alınabileceğini iyi bir şekilde tahmin edebilir. Geçmişte, bunlar yalnızca denetçilerin veya bulut bilişim personelinin işlem yapmasını pasif olarak bekleyebilirdi.
Pennsylvania Üniversitesi'nden bir profesör olan Eric Eaton'ın dediği gibi, "Bu araştırma, makine zekası ile gerçek dünya arasındaki uyumsuzluğu bir dönüm noktasına getiriyor. Sistem davranışına ilişkin insan geri bildirimlerinden makine zekasının ilerlemesini doğrudan destekliyor."
Öte yandan, "yapay" + "akıllı" çözüm, "yapay zekanın süper güçlere sahip olduğu" yanılsamasına neden olan Eliza etkisini de ortadan kaldırıyor. Bazı karmaşık ve değişken gerçek dünyalarda, insanlar yapay zekadan çok "kör noktalar" ile başa çıkma yeteneğine sahiptir.
Bu, otonom sürüşü aşırı iyimserlik ve aşırı karamsarlığın aşırı duygularından tekrar orta bir duruma çekmeye yardımcı olur.
Bu yüzden, otonom sürüşün gelişiminin ne halkın beklediği "otomasyona bir adım atmaya" benzemediğini, ne de kötü adamların gördüğü kadar sefil olduğunu biliyoruz. AI sürüşüne güvenmek onlarca yıl alır.
Salınımlarda ilerlemek, AI'nın hayata girmesinin en gerçek yoludur.
