AI-baserat tidigt varningssystem lär av verkliga trafiksituationer

Ett nytt tidigt varningssystem för fordon som utvecklats av en grupp forskare vid Tekniska universitetet i München (TUM) använder AI för att lära av tusentals verkliga trafiksituationer. En studie genomfördes i samarbete med BMW Group, som visade att systemet skulle vara fördelaktigt för dagens självkörande fordon. Om det används kan det ge en varning på sju sekunder mot potentiella kritiska situationer, som är situationer som bilarna inte kan hantera på egen hand. Noggrannhetsgraden visade sig vara 85%.

Nuvarande utvecklingsinsatser för självkörande fordon använder avancerade modeller som möjliggör för fordonen att analysera beteendet hos alla trafikdeltagare. Men de flesta av dessa modeller har fortfarande inte visat sig kunna hantera komplexa eller oförutsägbara situationer.

Teamet bakom det nya tidiga varningssystemet arbetade med Prof. Eckehard Steinbach, ordförande för Medieteknik och medlem i styrelsen för Munich School of Robotics and Machine Intelligence vid TUM.

Forskningen med titeln ”Introspektiv felprognos för autonom körning med sen fusion av tillstånds- och kamerainformation” publicerades i IEEE Transactions on Intelligent Transportation Systems.

Det nya tillvägagångssättet använder AI för att möjliggöra för systemet att lära av tidigare situationer. Mer specifikt var dessa tidigare situationer de där självkörande bilar nådde sin gräns i verklig trafik. Detta sker när mänskliga förare måste ta kontroll över fordonet, antingen för att bilen signalerar för det eller för att föraren bestämmer att det är det säkraste alternativet.

RNN och sju sekunders varning

Det nya systemet förlitar sig på sensorer och kameror som fångar omgivande förhållanden, och statusdata som rattvinkel, vägförhållanden och väder spelas in. AI-systemet använder ett rekurrent neuronalt nätverk (RNN), som kan bearbeta data för att känna igen mönster. När systemet upptäcker en ny körningssituation som inte kunde hanteras tidigare varnar föraren i förväg.

“För att göra fordon mer autonoma studerar många befintliga metoder vad bilarna förstår om trafiken och försöker sedan förbättra modellerna som används av dem. Den stora fördelen med vår teknik: vi ignorerar helt vad bilen tycker. Istället begränsar vi oss till data baserat på vad som faktiskt händer och letar efter mönster”, säger Steinbach. “På detta sätt upptäcker AI potentiellt kritiska situationer som modeller kanske inte kan känna igen, eller som de ännu inte har upptäckt. Vårt system erbjuder därför en säkerhetsfunktion som vet när och var bilarna har svagheter.”

Tekniken testades med BMW Group, och autonoma fordon på allmänna vägar analyserades. Detta skedde under 2500 situationer där den mänskliga föraren ingrep, och studien visade att systemet är 85% korrekt och kan varna förare upp till sju sekunder i förväg.

Tekniken förlitar sig på stora mängder data, eftersom den är begränsad av hur många situationer systemet har sett. Data genererades i princip av sig själv med tanke på antalet utvecklingsfordon som för närvarande är på vägarna.

“Varje gång en potentiellt kritisk situation uppstår under en testkörning, får vi ett nytt träningsexempel.”

Eftersom data lagras centralt kan hela flottan lära av den.