Hvordan fremtidige biler vil forudsige dine køremanøvrer, før du laver dem

Køb en ny bil i disse dage, og chancerne er, at den vil blive udstyret med en række driverassistentteknologier. Disse kan matche hastigheden på en forankørende bil, styre vognbaneskift sikkert og endda aktivere bremserne for at forhindre en kollision. Så et interessant spørgsmål er, hvor meget bedre disse sikkerhedssystemer kan blive, før det uundgåelige indtræffer, og bilen tager fuldstændig over.

I dag får vi et delvist svar takket være arbejdet fra Ashesh Jain på Cornell University og et par venner, som har udviklet et system, der kan forudsige en menneskelig chaufførs næste manøvre omkring tre sekunder, før han eller hun gør det. Disse oplysninger, siger de, kan derefter bruges til at identificere og forhindre potentielle ulykker.

Tilgangen er i teorien ligetil. Jain og co påpeger, at et omfattende kendskab til køremiljøet, både i og uden for bilen, kan bruges til at lave et ret godt bud på chaufførens umiddelbare hensigter. For eksempel tjekker chauffører normalt vognbanerne ved siden af ​​dem, før de foretager vognbaneskift. Så overvågning af førerens hovedbevægelser hjælper med at forudsige, om føreren har til hensigt at skifte vognbane i løbet af de næste par sekunder.

Ligeledes viser GPS- og vejkortoplysninger, når en bil nærmer sig et vejkryds, hvor et venstre- eller højresving bliver en mulighed. Og hastighed er også en vigtig indikator, da bilister normalt sænker farten, før de svinger.

Men disse data er forskellige. Hovedbevægelsesdata er helt anderledes end hastighedsdata eller kortdata. Vanskeligheden ligger i at kombinere og analysere disse informationsstrømme på en måde, der gør det muligt at lave gode forudsigelser.

Løsningen, som Jain og co har fundet på, er at analysere disse strømme sammen ved hjælp af avancerede kunstig intelligens-algoritmer, der lærer at få øje på de afslørende tegn på, at en manøvre er forestående.

Den første del af deres arbejde var at indsamle de nødvendige data for at træne deres maskine. Jain og co monterede en bil med et kamera til at overvåge chaufføren og et andet til at overvåge vejhovedet. De brugte også GPS-data sammen med gadekort og en hastighedslogger til at holde styr på køretøjets hastighed.

De indsamlede derefter data fra 10 forskellige chauffører, der over to måneder kørte over 1.000 miles på motorvej og bykørsel. De annoterede dataene i hånden for at indikere, hvilke manøvrer der fandt sted. I alt identificerede de 700 hændelser: omkring 300 vognbaneskift, 130 sving og næsten 300 tilfældigt udvalgte tilfælde af ligeudkørsel.

De brugte disse data til at træne en række forskellige tal-knasende maskiner til at identificere de forhold, hvorunder en chauffør ville dreje til venstre eller højre, skifte vognbane til venstre eller højre eller bare fortsætte med at køre i en lige linje.

Resultaterne giver interessant læsning. Den bedst ydende algoritme var i stand til korrekt at bestemme en fremtidig manøvre det meste af tiden - omkring 90 procent af forudsigelserne var korrekte. Og i gennemsnit var den i stand til at lave sin forudsigelse 3,5 sekunder før manøvren faktisk fandt sted.

Selvfølgelig er der mere arbejde forude. Et potentielt problem er at bestemme, hvor godt algoritmen fungerer under de mest farlige kørselsforhold, især om natten, eller når sigtbarheden er dårlig på grund af sne- eller regnstorme, eller når solen står lavt på himlen.

Ulykker er mere sandsynlige under disse forhold, så en forudsigelig algoritme kunne have størst fordel. Men hvordan systemet fungerer under disse forhold er ikke klart.

Et andet spørgsmål er, hvad man skal gøre med disse oplysninger, når de er blevet indsamlet. Hvordan kan det bruges til at forebygge ulykker? Igen er det ikke klart, hvordan bilproducenter kan udnytte dataene.

Ikke desto mindre kunne den nye tilgang varsle en interessant ændring i tilgangen til førersikkerhed. Nøjagtig forudsigelse af førermanøvrer vil helt sikkert bidrage til at gøre biler mere sikre i den nærmeste fremtid. Medmindre selvfølgelig den selvkørende bilteknologi gør mennesker – og teknologien til at forudsige, hvad de vil gøre i fremtiden – overflødige hurtigere end nogen forventer.

Ref: http://arxiv.org/abs/1601.00740 : Brain4Cars: Bil, der ved før du gør det via Sensory-Fusion Deep Learning Architecture

skjule