自動運転車の警告システムは故障から学ぶ
自動運転車の新しいモデルは、過去の故障から、場合によっては最大7秒前に発見することで学習します。
自動運転車の場合、未知または複雑な運転状況（混雑した交差点など）により、自動安全対策または人間の介入により、自動運転システムが切断される可能性があります。
ミュンヘン工科大学（TUM）の人工知能モデルは、将来の障害を予測するためのトレーニングデータとして、何千もの実際の交通状況、具体的には、テストドライブからの記録された離脱シーケンスを使用します。
障害をできるだけ早く予測するために、機械学習アプローチでは、センサーデータのシーケンスを障害または成功のいずれかに分類します。
たとえば、システムが以前は制御システムが処理できなかった新しい運転状況を発見した場合、ドライバーは起こりうる重大な状況に先立って警告を受けます。
TUMが開発した安全技術は、センサーとカメラを使用して、ハンドルの角度、道路の状態、天気、視界、速度などの周囲の状態をキャプチャします。 A.I.システムは、リカレントニューラルネットワーク（RNN）と何千もの実際の交通状況に基づいており、データを使用してパターンを認識することを学習します。
車自体はブラックボックスとして扱われ、データ入力とデータ出力のみに焦点が当てられます。ミュンヘンのチームによると、システムはそれ自体の以前の過ちから内省的に学習します。
「私たちの技術の大きな利点は、車の考えを完全に無視することです。代わりに、実際に起こっていることに基づいてデータに限定し、パターンを探します」と、主任研究員のEckehardSteinbach教授
このシステムは、車に弱点がある時期と場所を知る安全機能を提供します、とスタインバッハは言います。
スタインバッハと彼のチームの方法は、2種類のセンサーを組み合わせたものです。画像ベースのモデルは、にぎやかな街路など、一般的に困難な状況を検出することを学習します。追加のデータベースモデルは、急ブレーキや急旋回などの障害の直前の高速変化を検出します。個々のモデルの結果は、個々の故障確率を平均することによって融合されます。
BMWグループは、公道での14時間の自動運転を通じて「内省的故障予測アプローチ」を評価し、ドライバーが介入しなければならない約2,500の状況を分析しました。
ある調査によると、2020年12月にリリースされた 、レイトフュージョンアプローチでは、85％を超える精度で障害を予測できます。障害が発生する最大7秒前で、誤検知率は20％です。
Tech Briefsとの短いインタビュー 以下では、Steinbachが、ブラックボックスアプローチの長所と、今日の車両安全対策の限界について説明しています。
技術概要 ：これは興味深いアイデアだと思います。「私たちは車の考えを完全に無視しています。代わりに、実際に起こっていることに基づいてデータに限定し、パターンを探します。」モデルが認識できないパターンの例をいくつか挙げてください。
教授Eckehard Steinbach ：私たちの仕事では、ブレーキやステアリングなどの車の状態と、車が取得したカメラ画像を調べて、離脱につながるパターンを検出します。これにより、モデルは人間が引き継ぐ必要のある状況の大部分を検出できますが、運転シーンに関するすべての情報がこのデータにキャプチャされるわけではありません。
簡単な例として、繰り返しブレーキをかけるパターンは、暖かい天候では通常の運転である可能性がありますが、道路が凍っていて滑りやすい場合は、差し迫った離脱を示している可能性があります。カメラの画像が環境に関するこの情報をキャプチャしていない場合、そのパターンを使用して、通常の運転と中断された運転を区別することはできません。通常、カメラ情報は道路の状態を評価するのに十分ですが、そのようなパターンは依然として認識が難しい場合があります。
自動運転車の詳細
Tech Briefs TVで見る：ミシガン州は、接続された自動運転車向けの初めての回廊を開発しています。
ブログで：専門家の調査は質問を調査します：自律システムは自然にどのように影響しますか？
技術概要 ：「車の考えを無視する」ことが有利なのはなぜですか？
教授Eckehard Steinbach ：車が状況を完全に正しく評価していれば、ドライバーが介入する必要はありません。ただし、自信過剰は、自動運転で使用される多くのモデルの重要な課題です。それらの状況を記録して学習することで、車が自信過剰であっても、新しい状況に問題があるかどうかを検出する方法を学ぶことができます。
さらに、車の状態と周囲のパターンシーケンスを観察することで、モデルは将来を効果的に推定し、最大7秒先の離脱を予測できます。この早い段階で、シーンの車の評価はまだ完全に正しい可能性があります。つまり、困難なシナリオを予測するために使用することはできませんでした。一方、収集された生データには、以前に障害を引き起こしたパターンがすでに含まれている可能性があるため、事前に離脱を予測することができます。
技術概要 ：システムは、7秒前に「重大な」シナリオをどのように判断できますか？また、その検出が発生すると、次に何が起こりますか？ドライバーは車の中で何を見ていますか、そして車は何をしていますか？
教授Eckehard Steinbach ：重要なのは、データのシーケンスを観察し、時間的パターンを探すことです。過去3秒間の記録データを考慮することで、私たちのモデルは、人間のドライバーが制御を引き継ぐ必要があるシナリオに最終的に進化するパターンを検出できます。何を探すべきかがわかっている場合は、何秒も先に困難な状況の最初の兆候を見つけることができます。
私たちの方法では、7秒前に約85％の時間でこれを達成します。残りの15％の状況は、駐車中の車の間から突然出てきて道路に近づく歩行者など、非常に短時間でいくつかの困難なシナリオが発生するという事実によって説明できます。検出が発生したら、ドライバーに警告する必要があります。
技術概要 ：ドライバーはどのように警告されますか？
教授Eckehard Steinbach ：このアラートの実装は、マンマシンインターフェイスの特定の選択によって異なりますが、ドライバーは、車の制御が次の7秒以内に必要になることを知っている必要があります。今回は、人間のドライバーがプロンプトに反応しない場合に備えて、車が安全な停止操作を計画することもできます。
技術概要 ：試乗はどうでしたか？あなたが見た中で最も印象的な検出は何でしたか？
教授Eckehard Steinbach ：試乗はBMWグループが行ったため、車内では参加しませんでした。私たちのグループは、後でドライブの録音を処理しました。検出システムの最も印象的な要素は、予測がどれだけ早く発生するかです。検出時には、運転シナリオはまだ規則的であるように見えます。たとえば、次の交差点の交通が複雑で混雑した環境に変わり、数秒後に人間が安全を確保するために引き継いだ場合のみです。
>技術概要 ：自動運転車が検出するのにまだ難しいことは何ですか？
教授Eckehard Steinbach ：自動運転における重要な課題の1つは、新しいデータまたは配布されていないデータです。車が訓練されていない状況に入ったり、知らない物体を見たりすると、問題が発生する可能性があります。そのような斬新なシーンは人間の介入を引き起こし、それが私たちのアプローチのトレーニングデータとして使用されるシーンにつながります。私たちの方法は、次に遭遇したときにそのような新しい困難な環境を検出するのに役立ちますが、最初に遭遇したときにまったく新しいシーンを検出して正しく管理することは、依然として困難な作業です。
どう思いますか？以下で質問やコメントを共有してください。
センサー