Greifen selbstfahrende Autos auf Zufälligkeit zurück, um Entscheidungen zu treffen?


12

Ich habe kürzlich gehört, dass jemand behauptet, wenn man ein selbstfahrendes Auto entwirft, dass man kein Auto baut, sondern einen computergesteuerten Fahrer, also versucht man, einen menschlichen Verstand zu modellieren - zumindest den Teil des Autos menschlicher Geist, der fahren kann.

Wie würde ein selbstfahrendes Auto dies widerspiegeln, wenn Menschen unvorhersehbar sind oder wenn ihre Handlungen von so vielen Faktoren abhängen, von denen einige für lange Zeit ungeklärt bleiben werden?

Eine Dosis von Unvorhersehbarkeit könnte ihren Nutzen haben. Wenn z. B. zwei selbstfahrende Autos in einer Sackgasse stecken, kann es sinnvoll sein, einen Zufallsgenerator zu verwenden, anstatt möglicherweise dieselbe Aktion zur selben Zeit anzuwenden, wenn die Autos dasselbe System ausführen.

Andererseits wissen wir, dass Nichtdeterminist nicht mit Softwareentwicklung befreundet ist, insbesondere beim Testen. Wie könnten Ingenieure es kontrollieren und darüber nachdenken?

Antworten:


2

Fahrprioritäten

Bei der Betrachtung der Art der Modellierung, die für die Erstellung zuverlässiger und sicherer autonomer Fahrzeuge erforderlich ist, sollten die folgenden Kriterien für die Fahrsicherheit und die Wirksamkeit berücksichtigt werden, die vorrangig aufgeführt werden, wobei die wichtigsten Kriterien an erster Stelle stehen.

  • Die Sicherheit der Personen im Fahrzeug und außerhalb des Fahrzeugs
  • Reduzierung des Passagierverschleißes
  • Die Sicherheit von Eigentum
  • Die Ankunft am angegebenen Ziel
  • Reduzierung des Fahrzeugverschleißes
  • Sparsamkeit bei den Kraftstoffressourcen
  • Fairness gegenüber anderen Fahrzeugen
  • Die Sparsamkeit in der Zeit

Diese sind in einer Weise geordnet, die bürgerlich und global sinnvoll ist, aber sie sind nicht die Prioritäten, die menschliche Fahrer aufweisen.

Menschen kopieren oder neu bewerten und neu gestalten?

Wer immer gesagt hat, dass das Ziel des autonomen Autodesigns darin besteht, die Teile eines menschlichen Geistes zu modellieren, die fahren können, sollte nicht autonome Autos für die tatsächliche Herstellung entwerfen. Es ist allgemein bekannt, dass die meisten Menschen, obwohl sie von den folgenden Sicherheitstipps gehört haben, sie nicht mit ausreichender Geschwindigkeit ins Bewusstsein bringen können, um von ihnen in tatsächlichen Fahranordnungen zu profitieren.

  • Wenn die Reifen seitwärts rutschen, lenken Sie in die Kufe.
  • Wenn ein Vorwärtsrutschen beginnt, pumpen Sie die Pausen.
  • Wenn jemand tangential in das Heck Ihres Autos fährt, beschleunigen Sie sofort und brechen Sie dann.
  • Beschleunigen Sie auf einer Auffahrrampe, um der Geschwindigkeit der Autos in der Spur zu entsprechen, in die Sie einfahren, es sei denn, es ist kein Platz zum Einfahren vorhanden.
  • Wenn Sie ein Stück Eis sehen, steuern Sie geradeaus und beschleunigen oder verzögern Sie nicht, sobald Sie es erreicht haben.

Viele Kollisionen zwischen Lokomotiven und Wagen sind darauf zurückzuführen, dass ein rotes Licht eine mehrspurige Linie über die Gleise verursacht. Häufig bewegt sich eine Person auf die Eisenbahnschienen, um die Länge eines Wagens auf den anderen Wagen zu erhöhen. Wenn andere versuchen, diese Entscheidung problematisch zu machen, entsteht ein ernstes Risiko.

So absurd dieses Verhalten auch für die Zuschauer ist, viele Todesfälle ereignen sich, wenn eine schnell fahrende 2000-Tonnen-Lokomotive auf die Zugpassagiere trifft, die sich wie ein Staubfleck anfühlen.

Berechenbarkeit und Anpassungsfähigkeit

Menschen sind unvorhersehbar, wie die Frage zeigt, aber obwohl Anpassungsfähigkeit unvorhersehbar sein kann, kann Unvorhersehbarkeit nicht anpassungsfähig sein. Es ist Anpassungsfähigkeit, die benötigt wird, und dies auf fünf Hauptwegen.

  • Adaptiv im Moment auf Überraschungen
  • Adaptiv durch allgemeines Fahrerlebnis
  • Adaptiv für das jeweilige Auto
  • Anpassung an den Fahrgastausdruck
  • Adaptiv für bestimmte Kartenregionen

Darüber hinaus ist Autofahren

  • Hochmechanisch,
  • Visuell,
  • Gehörgang,
  • Plan orientiert
  • Geografische und
  • Präventiv in Überraschungssituationen.

Modellierung von Fahrkomplexitäten

Dies erfordert ein Modell oder Modelle, die aus mehreren Arten von Objekten bestehen.

  • Karten
  • Das Fahrzeug
  • Die Absichten der Passagiere
  • Anderes Fahrzeug
  • Andere Hindernisse
  • Fußgänger
  • Tiere
  • Überfahrten
  • Ampeln
  • Straßenschilder
  • Straßenrand

Weder Rätsel noch Unbestimmtheit

Obwohl diese Modelle im menschlichen Gehirn kognitiv approximiert werden, ist es von Fahrer zu Fahrer und von Fahrt zu Fahrt für denselben Fahrer unterschiedlich, wie gut sie modelliert sind und wie effektiv diese Modelle bei der Erreichung eines angemessenen Gleichgewichts der oben genannten Prioritäten sind .

So komplex das Fahren auch ist, es ist nicht mysteriös. Jedes der oben genannten Modelle lässt sich auf hohem Niveau hinsichtlich ihrer Wechselwirkung und ihrer mechanischen und wahrscheinlichkeitstheoretischen Eigenschaften leicht betrachten. Diese zu detaillieren ist eine enorme Aufgabe, und das zuverlässige Funktionieren des Systems ist neben der Schulungsfrage eine bedeutende technische Herausforderung.

Unvermeidlichkeit der Leistung

Unabhängig von der Komplexität und der Tatsache, dass es sich hauptsächlich um ein Problem der Mechanik, der Wahrscheinlichkeit und der Mustererkennung handelt, wird das Problem gelöst und letztendlich auch gelöst.

Wenn es so unwahrscheinlich ist, dass dies für die Person, die unsere gegenwärtige Kultur als dauerhaft akzeptiert, klingt, kann menschliches Fahren in diesem Jahrhundert in einigen Gerichtsbarkeiten illegal werden. Jeder Verkehrsanalyst kann eine Menge Beweise dafür sammeln, dass die meisten Menschen nicht in der Lage sind, eine tonnenschwere Maschine mit üblichen Geschwindigkeiten zu fahren. Die Zulassung von unprofessionellen Fahrern hat sich nur deshalb durchgesetzt, weil die Öffentlichkeit auf Bequemlichkeit und Komfort beim Transport besteht und die Wirtschaft der Belegschaft dies verlangt.

Autonome Autos spiegeln zwar die besten menschlichen Fähigkeiten wider, werden diese jedoch wahrscheinlich weit übertreffen, da die Objekte im Modell zwar komplex sind, sie jedoch weitgehend vorhersehbar sind, mit Ausnahme von spielenden Kindern. Die AV-Technologie wird hierfür die Standardlösung verwenden. Das gesamte Szenario kann in Zeitlupe gebracht werden, um sich an spielende Kinder anzupassen. KI-Komponenten, die speziell Kinder und Hunde erkennen, werden wahrscheinlich bald auftreten, wenn sie noch nicht existieren.

Zufälligkeit

Zufälligkeit ist im Training wichtig. Zum Beispiel wird ein Rennfahrer absichtlich Skids verschiedener Typen erstellen, um sich daran zu gewöhnen, wie man sie steuert. Beim maschinellen Lernen werden einige Pseudozufallsstörungen während des Trainings eingeführt, um sicherzustellen, dass der Gradientenabstiegsprozess nicht an einem lokalen Minimum hängen bleibt, sondern eher ein globales Minimum (Optimum) findet.

Sackgasse

Die Frage ist richtig: "Eine Dosis von Unvorhersehbarkeit könnte ihren Nutzen haben." Das Deadlock-Szenario ist interessant, es ist jedoch unwahrscheinlich, dass es bei der Entwicklung von Standards auftritt. Wenn vier Fahrer gleichzeitig an ein Stoppschild kommen, tun sie das wirklich nicht. Es scheint nur so, als ob sie es getan hätten. Die Wahrscheinlichkeit, dass keiner von ihnen mehr als eine Millisekunde vor dem anderen eintrifft, ist astronomisch gering.

Die Leute werden diese kleinen Zeitunterschiede nicht erkennen (oder sogar ehrlich genug sein), daher kommt es normalerweise darauf an, wer am liebenswürdigsten ist, die anderen anzusprechen, und es kann dort auch einen Stillstand geben, der komisch werden kann, zumal alle von ihnen wollen sich wirklich in Bewegung setzen. Autonome Fahrzeuge werden äußerst selten auf eine Blockierung stoßen, die nicht durch das von der staatlichen Zulassungsstelle veröffentlichte Regelwerk abgedeckt ist, das als Fahrregeln in das System programmiert werden kann.

In diesen seltenen Fällen könnten die Fahrzeuge, wie vorgeschlagen, digital verlost werden. Dies ist ein Ort, an dem Unvorhersehbarkeit adaptiv ist. Skid-Experimente wie bei einem Rennfahrer auf der Main Street um Mitternacht sind vielleicht das, was ein betrunkener Teenager tun könnte, aber das ist eine Form der Unvorhersehbarkeit, die sich nicht auf eine vernünftige Reihenfolge der Prioritäten des Fahrens einstellen lässt. Weder würde man eine SMS schreiben, noch würde man versuchen zu essen und zu fahren.

Determinismus

In Bezug auf den Determinismus wird im Kontext der diskutierten Verwendungen die Erzeugung von Pseudozufallszahlen bestimmter Verteilungen ausreichen.

  • Deadlock-Freigabe oder
  • Beschleunigung des Trainings und höhere Zuverlässigkeit, wenn es lokale Minima gibt, die bei der Optimierung nicht das globale Minimum sind,

Funktionstests und Komponententesttechnologien können nicht nur das Testen von Komponenten mit Pseudozufälligkeit handhaben, sondern sie verwenden manchmal Pseudozufälligkeit, um eine bessere Testabdeckung bereitzustellen. Der Schlüssel dazu ist das Verständnis von Wahrscheinlichkeit und Statistik, und einige Ingenieure und KI-Designer verstehen es gut.

Element der Überraschung

Wo Zufälligkeit in der AV-Technologie am wichtigsten ist, liegt nicht in der Entscheidungsfindung, sondern in den Überraschungen. Das ist heute der neueste Stand dieser Ingenieursarbeit. Wie kann man sicher fahren, wenn in den Audio- oder Videokanälen ein völlig neues Szenario auftaucht? Dies ist vielleicht der Ort, an dem die Vielfalt des menschlichen Denkens am besten geeignet ist, aber bei Autobahngeschwindigkeiten ist es normalerweise zu langsam, um so zu reagieren, wie wir es in Verfolgungsjagden sehen.

Korrelation zwischen Risiko und Geschwindigkeit

Dies führt zu einem interessanten Zusammenspiel von Risikofaktoren. Es wird angenommen, dass höhere Geschwindigkeiten gefährlicher sind, die tatsächliche Mechanik und Wahrscheinlichkeit sind nicht so eindeutig. Niedrige Geschwindigkeiten führen zu zeitlich längeren Fahrten und höheren Verkehrsdichten. Einige Formen von Unfällen sind bei höheren Geschwindigkeiten weniger wahrscheinlich, insbesondere solche, die hauptsächlich auf die Verkehrsdichte oder den Zufall zurückzuführen sind. Andere Formen sind bei höheren Geschwindigkeiten wahrscheinlicher, insbesondere solche, die mit der Reaktionszeit und der Reifenreibung zusammenhängen.

Bei autonomen Fahrzeugen kann der Reifenschlupf genauer modelliert werden und die Reaktionszeit kann um Größenordnungen kürzer sein, sodass möglicherweise höhere Mindestgeschwindigkeiten und Obergrenzen gelten, sobald wir Menschen vom Fahrersitz holen.


Danke für die tolle Antwort! Der Punkt, einen computerisierten Fahrer zu modellieren, wurde hier angesprochen - es ging weniger darum, den menschlichen Verstand mit seinen Fehlern nachzubilden, sondern vielmehr darum , zu betonen, dass der schwierige Teil dieser Aufgabe darin besteht, die KI zu bauen, kein physisches Auto. Die Hochrechnung auf das Thema Zufälligkeit liegt bei mir.
Guillaume31

Um 09:50 Uhr: "Ich mag den Begriff" selbstfahrendes Auto "fast nicht einmal, weil er impliziert, dass das Auto fährt. Ich denke, wir versuchen wirklich, einen computergestützten Fahrer zu bauen. Und dann tun Sie das nicht Stellen Sie sich vor, Sie bauen ein Auto. Stellen Sie sich vor, Sie bauen einen Menschen. "
Guillaume31

@ guillaume31, Vielen Dank für das gute Q. ... Obwohl ich verstehe, was der Verfasser des Zitats zu sagen beabsichtigt, enthält das Zitat einen begrifflichen Fehler pro Satz. ... Satz 1: Die KI wird während der Herstellung im Auto verpackt, so dass die Autos fahren. ... Satz 2: Der Begriff computergestützter Fahrer verschleiert die Unerwünschtheit der Modellierung der Fahrintelligenz nach dem typischen menschlichen Fahrstil. ... Satz 3: Wir wollen nicht, dass ein Roboter einen Platz einnimmt. ... Das Zitat zeigt, warum nur 1 von 1.000 dieser KI-Start-ups überleben dürften. Wie können sie klar gestalten, wenn sie nicht klar schreiben können?
FauChristian

2

Selbstfahrende Autos wenden Reinforcement Learning und Semi-Supervised Learning an. Dies ermöglicht es ihnen, sich besser für Situationen zu eignen, die Entwickler nicht selbst erwartet haben.

Einige Autos wenden jetzt Swarm Intelligence an , wo sie effektiv aus Interaktionen untereinander lernen, was auch beim Transferlernen hilfreich sein kann.

Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.