蓋世汽車訊 人類可能是全自動駕駛汽車進入城市街道的最大障礙之一。機器人必須能夠預(yù)測附近駕駛員、騎自行車的人和行人的行為，才能在波士頓市中心安全地駕駛車輛。然而行為預(yù)測問題很難解決，當前的人工智能解決方案要么過于簡單（可能假設(shè)行人總是走直線），要么過于保守（為了避開行人，機器人只是把車停在公園里），或者只能預(yù)測一個代理的下一步動作（道路通常同時承載許多用戶。）

據(jù)外媒報道，麻省理工學(xué)院（MIT）的研究人員設(shè)計出一種看似簡單的解決方案，通過將多智能體行為預(yù)測問題分解成更小的部分并單獨處理每個部分，使得計算機可以實時解決這一復(fù)雜任務(wù)。

圖片來源：arxiv

研究人員的行為預(yù)測框架首先會猜測兩個道路使用者之間的關(guān)系，哪輛車、騎自行車的人或行人擁有通行權(quán)，以及哪個代理會讓路，并使用這些關(guān)系來預(yù)測多個代理的未來軌跡。

研究的共同主要作者Xin "Cyrus" Huang表示：“將我們的模型與該領(lǐng)域的其他最先進模型比較，如Waymo的模型，我們的模型在這個具有挑戰(zhàn)性的基準測試中取得了最佳性能。”

多個小模型

研究人員將該機器學(xué)習(xí)方法稱為M2I，需要兩個輸入：汽車、騎自行車的人和行人在交通環(huán)境（例如十字路口）中交互的過去軌跡，以及帶有街道位置、車道配置等的地圖。

使用此信息，關(guān)系預(yù)測器可推斷出兩個代理中哪一個首先擁有通行權(quán)，并將一個分類為通過者，一個分類為讓行者。然后一個預(yù)測模型（邊際預(yù)測器）猜測通過代理（獨立運行）的軌跡。

第二個預(yù)測模型，稱為條件預(yù)測器，會根據(jù)通過代理的動作猜測讓行代理的動作。該系統(tǒng)為讓行者和通過者預(yù)測許多不同的軌跡，分別計算每個軌跡的概率，然后選擇發(fā)生可能性最高的六個聯(lián)合結(jié)果。

M2I輸出預(yù)測這些代理將如何在接下來的8秒內(nèi)通過路口。在一個示例中，研究方法使車輛減速，以便行人可以過馬路，然后在行人通過交叉路口時再加速。在另一個示例中，車輛等到幾輛汽車通過后才從一條小街轉(zhuǎn)向繁忙的主干道。

雖然這項初步研究側(cè)重于兩個代理之間的交互，但M2I可以推斷許多代理之間的關(guān)系，然后通過連接多個邊際和條件預(yù)測變量來猜測它們的軌跡。

真實世界的駕駛測試

研究人員使用Waymo Open Motion數(shù)據(jù)集訓(xùn)練模型，該數(shù)據(jù)集包含由安裝在公司自動駕駛汽車上的激光雷達（光檢測和測距）傳感器和攝像頭記錄的數(shù)百萬個涉及車輛、行人和騎自行車者的真實交通場景。研究人員特別關(guān)注具有多個代理的案例。

為了確定準確性，研究人員將每種方法的六個預(yù)測樣本（按置信度加權(quán)）與場景中汽車、騎自行車者和行人所遵循的實際軌跡進行了比較。結(jié)果顯示，他們的方法是最準確的。該方法還在被稱為重疊率的指標上優(yōu)于基線模型；如果兩條軌跡重疊，則表明發(fā)生了碰撞。M2I的重疊率最低。

M2I的另一個優(yōu)點是，因為它將問題分解成更小的部分，因此用戶更容易理解模型的決策。研究人員表示，從長遠來看，這可以幫助用戶更加信任自動駕駛汽車。

但是該框架無法解釋兩個代理相互影響的情況，例如兩輛車在四向停車時各自向前輕推，因為駕駛員不確定誰應(yīng)該讓步。

未來，研究人員計劃解決該問題。此外，他們還希望使用該方法來模擬道路使用者之間的真實交互，從而可用于驗證自動駕駛汽車的規(guī)劃算法或創(chuàng)建大量合成駕駛數(shù)據(jù)，進而提高模型性能。

關(guān)鍵詞：