Kiemelt kép: Wikimedia Commons
Több tényező hátráltatja a valóban önvezető járművek elterjedést, a biztonsági tesztek például túl pénz- és időigényesek. A Michigan Egyetem kutatói komoly lépést tettek a probléma megoldására, mesterséges intelligenciával működő új rendszerük ugyanis 99,99 százalékkal csökkentheti a tesztelés közben megtett kilométerek számát.
A fejlesztéssel a gyártók hamarabb ellenőrizhetik, hogy önvezető járműveikkel életek menthetők meg, karambolok kerülhetők el. Az autókat mesterséges intelligenciával gyakoroltatják, a szimulált környezetben a húsvér vezetők által a valóságban ritkán tapasztalt, veszélyes műveletekkel kapcsolatban kell súlyos döntést hozniuk. Ellentétben a humán sofőrökkel, robotjárművek esetében ezeket a problémákat kezelni kell.
Mi tegyen az önvezető autó, ha egy felelőtlen sofőr áthajt a piroson?
Ha az önvezető autónak a valóságban kell vizsgáznia ilyen esetekben, akár többszáz millió, vagy többszáz milliárd kilométert meg kell tennie hozzá. Az igazság az, hogy a biztonsági kockázattal járó események, például karambolok, vagy majdnem-karambolok a való világban elég ritkák, az önvezető járművek viszont nehezen kezelik őket.
Önvezető autó szimulációja (Kép: Wikimedia Commons)
A michigani kutatók a „ritkaság átka” nevet adták a problémának. MI-vel gyakoroltatott virtuális járműveknek valóban ritka és veszélyes eseményeket tartalmazó forgalmi adatokból kellett tanulniuk az eddigi tesztfolyamat ezerszeres felgyorsításához.
A tesztautók valódiak, a háttérben lévők virtuálisak, a tesztkörnyezet viszont kevert valóság (mixed reality). Ez a közeg teszi lehetővé kihívásokkal járó, de ritka forgatókönyvek begyakorlását. A háttér-járművek tanításához eltávolították a nem biztonságkritikus infókat, például más vezetők és gyalogosok felelős viselkedési példáit, a veszélyeseket, mondjuk, ha egy vezető piros fénynél nem áll meg, viszont megőrizték.
Önvezető autó a valóságban (Kép: Flickr)
A manőverezési döntéseket hozó ideghálók kizárólag biztonságkritikus adatokkal való gyakoroltatásánál, a tesztautók rövidebb idő alatt jóval gyakrabban kerülnek veszélyes helyzetekbe, amellyel a tesztelés költségei is csökkennek. Megerősítéses tanulással az MI jobban hitelesíti a biztonsági szempontból tényleg kritikus rendszereket, például önvezető autókat, egészségügyi robotokat, légi járműveket.
Szimbiotikus kapcsolat alakul ki teszt és tréning között. A tesztelésnek az Mcity (Ann Arbor) városi közeg, illetve autópálya szimulációja ad otthont.