AI-gebaseerd vroegwaarschuwingssysteem leert van echte verkeerssituaties

Een nieuw vroegwaarschuwingssysteem voor voertuigen, ontwikkeld door een team van onderzoekers aan de Technische Universiteit van München (TUM), maakt gebruik van AI om te leren van duizenden echte verkeerssituaties. Een studie werd uitgevoerd in samenwerking met de BMW Group, waaruit bleek dat het systeem voordelig zou zijn voor zelfrijdende voertuigen van tegenwoordig. Als het wordt gebruikt, kan het een waarschuwing van zeven seconden geven voor potentiële kritieke situaties, die situaties zijn die de auto’s zelf niet aankunnen. Het nauwkeurigheidspercentage bleek 85% te zijn.

Huidige ontwikkelingsinspanningen voor zelfrijdende voertuigen gebruiken geavanceerde modellen die de voertuigen in staat stellen het gedrag van alle verkeersdeelnemers te analyseren. Echter, de meeste van deze modellen hebben nog niet aangetoond dat ze complexe of onvoorspelbare situaties aankunnen.

Het team achter het nieuwe vroegwaarschuwingssysteem werkte samen met prof. Eckehard Steinbach, voorzitter van de afdeling Media Technology en lid van de Raad van Bestuur van de Munich School of Robotics and Machine Intelligence aan de TUM.

Het onderzoek met de titel “Introspective Failure Prediction for Autonomous Driving Using Late Fusion of State and Camera Information” werd gepubliceerd in IEEE Transactions on Intelligent Transportation Systems.

De nieuwe aanpak maakt gebruik van AI om het systeem in staat te stellen te leren van eerdere situaties. Meer specifiek waren deze eerdere situaties situaties waarin zelfrijdende auto’s hun limiet bereikten in het echte verkeer. Dit gebeurt wanneer menselijke bestuurders de controle over het voertuig moeten overnemen, ofwel omdat de auto daarom vraagt of omdat de menselijke bestuurder besluit dat het de veiligste optie is.

RNN en zevensecondenwaarschuwing

Het nieuwe systeem maakt gebruik van sensoren en camera’s die de omgevingsomstandigheden vastleggen, en statusgegevens zoals de stuurhoek, wegcondities en weersomstandigheden worden opgenomen. Het AI-systeem maakt gebruik van een recurrent neural network (RNN), dat in staat is om gegevens te verwerken om patronen te herkennen. Telkens wanneer het systeem een nieuwe rij situatie detecteert die eerder niet kon worden afgehandeld, wordt de bestuurder van tevoren gewaarschuwd.

“Om voertuigen meer autonoom te maken, bestuderen veel bestaande methoden wat de auto’s nu begrijpen over het verkeer en proberen ze vervolgens de modellen die door de auto’s worden gebruikt te verbeteren. Het grote voordeel van onze technologie: we negeren volledig wat de auto denkt. In plaats daarvan beperken we ons tot de gegevens op basis van wat er werkelijk gebeurt en zoeken we naar patronen,” zegt Steinbach. “Op deze manier ontdekt de AI potentieel kritieke situaties die modellen mogelijk niet kunnen herkennen of nog niet hebben ontdekt. Ons systeem biedt dus een veiligheidsfunctie die weet wanneer en waar de auto’s zwakke punten hebben.”

De technologie werd getest met de BMW Group, en autonome voertuigen op openbare wegen werden geanalyseerd. Dit gebeurde tijdens 2500 situaties waarin de menselijke bestuurder ingreep, en de studie toonde aan dat het systeem 85% nauwkeurig is en bestuurders tot zeven seconden van tevoren kan waarschuwen.

De technologie is afhankelijk van grote hoeveelheden gegevens, omdat het beperkt is door het aantal situaties dat het systeem heeft gezien. De gegevens werden eigenlijk gegenereerd door het aantal ontwikkelvoertuigen dat momenteel op de weg is.

“Elke keer dat een potentieel kritieke situatie zich voordoet tijdens een testrit, krijgen we een nieuwe trainingsvoorbeeld.”

Omdat de gegevens centraal worden opgeslagen, kan de hele vloot ervan leren.