به گزارش سینا پرس فارس، پیش‌بینی رفتارها مشکل سختی است و راه‌حل‌های فعلی هوش مصنوعی یا خیلی ساده هستند "ممکن است تصور کنند عابران پیاده همیشه در یک خط مستقیم راه می‌روند"، یا خیلی محافظه‌کار هستند "برای جلوگیری از عابران پیاده، ربات فقط ماشین را در پارک رها می‌کند" یا می‌تواند فقط حرکات بعدی یک عامل را پیش بینی کنید "جاده ها معمولاً کاربران زیادی را به طور همزمان حمل می کنند".
محققان MIT یک راه حل ساده و فریبنده برای این چالش پیچیده ابداع کرده اند. آنها یک مشکل پیش‌بینی رفتار چندعاملی را به قطعات کوچک‌تر تقسیم می‌کنند و هر کدام را جداگانه حل می‌کنند، بنابراین یک کامپیوتر می‌تواند این کار پیچیده را در زمان واقعی حل کند.
این شبیه‌سازی‌ها نشان می‌دهد که چگونه سیستمی که محققان توسعه داده‌اند می‌تواند مسیرهای آینده (نشان داده شده با خطوط قرمز) وسایل نقلیه آبی را در موقعیت‌های ترافیکی پیچیده که شامل سایر خودروها، دوچرخه‌سواران و عابران پیاده می‌شود، پیش‌بینی کند.
چارچوب پیش‌بینی رفتار آنها ابتدا روابط بین دو کاربر جاده را حدس می‌زند "کدام خودرو، دوچرخه‌سوار یا عابر پیاده حق تقدم دارد و کدام عامل تسلیم خواهد شد" و از این روابط برای پیش‌بینی مسیرهای آینده برای چندین عامل استفاده می‌کند.
این مسیرهای تخمینی دقیق‌تر از سایر مدل‌های یادگیری ماشینی بودند، در مقایسه با جریان ترافیک واقعی در مجموعه داده عظیمی که توسط شرکت رانندگی خودمختار Waymo گردآوری شده بود. تکنیک MIT حتی از مدل اخیرا منتشر شده Waymo نیز بهتر عمل کرد. و از آنجایی که محققان مسئله را به قطعات ساده‌تر تقسیم کردند، تکنیک آنها از حافظه کمتری استفاده کرد.
چند مدل کوچک
روش یادگیری ماشینی محققان که M2I نام دارد، دو ورودی دریافت می‌کند: مسیرهای گذشته ماشین‌ها، دوچرخه‌سواران و عابران پیاده که در یک محیط ترافیکی مانند تقاطع چهار طرفه در حال تعامل هستند و نقشه‌ای با مکان‌های خیابان، پیکربندی خطوط و غیره.
با استفاده از این اطلاعات، یک پیش‌بینی‌کننده رابطه استنباط می‌کند که کدام یک از دو عامل اول حق تقدم دارد و یکی را به عنوان پاسور و دیگری را به عنوان تسلیم کننده طبقه‌بندی می‌کند. سپس یک مدل پیش‌بینی که به عنوان پیش‌بینی‌کننده حاشیه‌ای شناخته می‌شود، مسیر عامل عبوری را حدس می‌زند، زیرا این عامل به طور مستقل رفتار می‌کند.
مدل پیش‌بینی دوم، که به عنوان پیش‌بین شرطی شناخته می‌شود، سپس حدس می‌زند که عامل بازده بر اساس اقدامات عامل عبوری چه خواهد کرد. این سیستم تعدادی مسیر مختلف را برای تسلیم کننده و پاسور پیش بینی می کند، احتمال هر یک را به صورت جداگانه محاسبه می کند و سپس شش نتیجه مشترک با بیشترین احتمال وقوع را انتخاب می کند.
M2I پیش‌بینی می‌کند که این عوامل چگونه در ترافیک هشت ثانیه آینده حرکت خواهند کرد. در یک مثال، روش آنها باعث شد تا یک وسیله نقلیه از سرعت خود کم کند تا یک عابر پیاده بتواند از خیابان عبور کند، سپس هنگامی که تقاطع را پاک کردند سرعت خود را افزایش داد. در مثالی دیگر، این وسیله نقلیه منتظر ماند تا چند خودرو عبور کنند و سپس از یک خیابان فرعی به یک جاده اصلی شلوغ بپیچد.
تست های رانندگی واقعی
محققان این مدل‌ها را با استفاده از مجموعه داده‌های حرکت باز Waymo آموزش دادند، که حاوی میلیون‌ها صحنه ترافیک واقعی شامل وسایل نقلیه، عابران پیاده و دوچرخه‌سواران است که توسط سنسورها و دوربین‌های لیدار (تشخیص نور و محدوده) و دوربین‌های نصب شده روی وسایل نقلیه خودران شرکت ضبط شده‌اند. آنها به طور خاص روی پرونده هایی با چندین عامل تمرکز کردند.
برای تعیین دقت، آنها شش نمونه پیش‌بینی هر روش را که بر اساس سطح اطمینان آنها وزن می‌کردند، با مسیرهای واقعی که خودروها، دوچرخه‌سواران و عابران در یک صحنه دنبال می‌کردند، مقایسه کردند. روش آنها دقیق ترین بود. همچنین در معیاری که به عنوان نرخ همپوشانی شناخته می شود، از مدل های پایه بهتر عمل کرد. اگر دو مسیر با هم همپوشانی داشته باشند، نشان دهنده یک برخورد است. M2I کمترین میزان همپوشانی را داشت.
مترجم: فتانه حق پرست
منبع:scitechdaily