Noll
Robotar är bra på att hantera förutsägbara miljöer, men den mänskliga fotgängare beteende kan vara svårt att förutse. Det är särskilt sant i ivern att fånga D tåg i rusningstid. En grupp MIT-forskare är på fallet och lägga till en växande mängd av akademiskt arbete som syftar till att ge robotar några av de verktyg vi (åtminstone de av oss som lever i överfulla städer) tar för givet: Street intuition.
I ett dokument med titeln “Djupt sekventiella modeller för provtagning-baserad planering,” forskarna att beskriva en metod för robot navigering som använder traditionella vägen planering algoritmer, som analyserar ett antal alternativ i realtid och välja det optimala valet, med ett neuralt nätverk som lär sig över tid genom att observera och interagera med människor.
Tillägg av ett neuralt nätverk avhjälper problemet med traditionella vägen planering, som bygger på en förgrening beslut träd som utvärderar miljöförhållanden. Paper co-författaren Andrei Barbu, forskare på MIT: s Computer Science and Artificial Intelligence Laboratory (CSAIL), förklarar varför det är mindre än perfekt:
“Precis som när man spelar schack, dessa beslut filial ut tills [robotar] hitta ett bra sätt att navigera. Men till skillnad från schack-spelare, [robotar] utforska hur framtiden ser ut, utan att lära sig mycket om sin omgivning och andra agenter. Den tusende gången de går igenom samma publiken är så komplicerat som första gången. De är alltid utforska, sällan att observera, och aldrig med vad som hänt i det förflutna.”
Förra året skrev jag om en grupp av Stanford forskare som arbetar på en socialt medveten hjul robot som kan navigera en upptagen college campus. Stanford projektet på samma sätt använder traditionella vägen planering algoritmer men förstärker det med maskinen lärande för att robotar för att utläsa mönster i de till synes slumpmässigt rörelser av människor zippa genom folkmassorna.
“Vi planerar inte hela vägen till målet-att det inte är vettigt att göra det längre, speciellt om du antar att världen förändras”, sade Michael Everett, en forskare på det projektet, sade förra året. “Vi ser bara vad vi kan se, välja en hastighet som gör att det för en tiondel av en sekund, för att sedan se på världen igen, väljer en annan hastighet, och gå igen.”
MIT-teamet specifikt testade sin modell i de fall där en robot måste navigera en miljö befolkad av flera agenter. Simuleringen bygger på ett scenario som är fruktad av många mänskliga förare: rondellen.
“Situationer som rondeller är svårt, eftersom de kräver ett resonemang om hur andra kommer att reagera på dina handlingar, hur kommer du då reagera på dem, vad de ska göra härnäst, och så vidare,” Barbu säger. “Du så småningom att upptäcka din första åtgärd var fel, för senare kommer det att leda till en trolig olycka. Detta problem blir exponentiellt värre ju fler bilar du har att brottas med.”
Valet av en väg scenario var ingen tillfällighet. Samtidigt som forskning visar på en strategi som kan hjälpa robotar navigera ett antal oförutsägbara miljöer, acceleration av autonoma fordon utveckling under de senaste par åren ökar behovet för nästa generations du planerar en rutt.
“Det är inte alla som beter sig på samma sätt, men folk är väldigt stereotypa. Det finns människor som är blyga, människor som är aggressiva. Modellen är medveten om att snabbt och det är därför det kan planera effektivt,” Barbu säger.
Relaterade Ämnen:
Innovation
CXO
Artificiell Intelligens
0