header-logo

Comunicación de marketing impulsada por inteligencia artificial

iCrowdNewswire Spanish

Fabricación de coches sin conductor cambiar carriles más como conductores humanos. Algoritmo calcula “zonas tampón” alrededor de vehículos autónomos y evaluar sobre la marcha.

May 23, 2018 5:00 AM ET

At the International Conference on Robotics and Automation tomorrow, researchers from MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL) will present a new lane-change algorithm.

En el campo de la uno mismo-conducción coches, algoritmos para el control de cambios de carril son un tema importante de estudio. Pero la mayoría los algoritmos de cambio de carril tienen uno de dos inconvenientes: o bien se basan en modelos estadísticos detallados del ambiente de conducción, que son difíciles de montar y demasiado complejas para analizar sobre la marcha; o son tan sencillos que pueden conducir a decisiones excesivamente conservadoras, como no cambia de carril en todos.

En la Conferencia Internacional sobre robótica y automatización mañana, investigadores de Ciencias de la computación y el laboratorio de Inteligencia Artificial (CSAIL) del MIT presenta un nuevo algoritmo de cambio de carril que divide la diferencia. Permite cambios de carril más agresivos que los modelos simples pero sólo cuenta con información inmediata sobre direcciones y velocidades para tomar decisiones de otros vehículos.

“La motivación es, ‘¿Qué podemos hacer con tan poca información como sea posible?’” dice Alyssa Pierson, un postdoc en el CSAIL y primer autor del artículo nuevo. “¿Cómo podemos tener un vehículo autónomo se comporta como un conductor humano podría comportarse? ¿Cuál es la cantidad mínima de información el coche tiene que provocar ese comportamiento humano como?”

Pierson se une en el papel de Daniela Rus, el profesor de Viterbi de ingeniería eléctrica y Ciencias de la computación; Sertac Karaman, profesor de Aeronáutica y Astronáutica; y Wilko Schwarting, un estudiante graduado en ingeniería eléctrica y Ciencias de la computación.

“La solución de optimización asegurará navegación con cambios de carril que puede modelar toda una gama de estilos, de las garantías de conservadoras a agresivo, con seguridad, de conducir”, dice Rus, quien es el director de CSAIL.

Una forma estándar para vehículos autónomos evitar colisiones es calcular zonas de amortiguamiento alrededor de los otros vehículos en el medio ambiente. Zonas de amortiguamiento describir no sólo las posiciones actuales de los vehículos pero sus posiciones futuro probable que dentro de algún tiempo. Planificación de cambios de carril entonces se convierte en una cuestión de simplemente quedarse fuera de las zonas de amortiguamiento de otros vehículos.

Para cualquier método dado de la informática en las zonas de amortiguamiento, diseñadores del algoritmo deben demostrar que garantiza evitar la colisión, en el contexto del modelo matemático usado para describir los patrones de tráfico. Esa prueba puede ser compleja, por lo que las zonas de amortiguamiento óptimo generalmente son calculadas de antemano. Durante la operación, el vehículo autónomo llama hasta las zonas de amortiguamiento que corresponde a su situación.

El problema es que si el tráfico es bastante rápido y bastante densas, las zonas de amortiguamiento puede ser demasiado restrictivas. Un vehículo autónomo no podrá cambiar de carril, mientras que un conductor humano zip alegremente alrededor de la carretera.

Con el sistema de los investigadores MIT, si las zonas de amortiguamiento por defecto llevan al desempeño que es mucho peor que un conductor humano, el sistema se para calcular nuevas zonas de amortiguamiento sobre la marcha, con la prueba de evitación de colisión.

Este enfoque depende de un método de descripción de zonas de amortiguamiento, matemáticamente eficiente para que la prueba de evitación de colisión puede ser ejecutada rápidamente. Y eso es lo que los investigadores MIT desarrollaron.

Empiezan con una llamada distribución de Gauss, la distribución de probabilidad conocida curva de bell. Que la distribución representa la posición actual del vehículo, teniendo en cuenta su longitud y la incertidumbre de la estimación de su ubicación.

Luego, basándose en estimaciones de la dirección y velocidad del coche, sistema de los investigadores construye una supuesta función logística. Multiplicando la función logística de la distribución gaussiana sesga la distribución en la dirección del movimiento del coche, con altas velocidades, aumentando la inclinación.

La sesgada distribución define nueva zona de amortiguación del vehículo. Pero su descripción matemática es tan simple, con sólo unas pocas variables de la ecuación, que el sistema puede evaluar sobre la marcha.

Los investigadores probaron su algoritmo en una simulación incluyendo hasta 16 coches autónomos en un entorno con varios cientos otros vehículos.

“Los vehículos autónomos no estaban en comunicación directa pero funcionaron el algoritmo propuesto en paralelo sin conflictos o colisiones,” explica Pierson. “Cada vehículo utiliza un umbral de riesgo que producen un estilo de conducción diferente, lo que nos permite crear controladores conservadoras y agresivos. Usando la estática, las zonas de amortiguamiento sólo permitiría conducir conservadora, mientras que nuestro algoritmo dinámico permite una gama más amplia de estilos de conducción.”

Este proyecto fue apoyado, en parte, por el Instituto de investigación de Toyota y la oficina de investigación Naval.

See Campaign: http://news.mit.edu/2018/driverless-cars-change-lanes-like-human-drivers-0523
Contact Information:
Larry Hardesty

Tags:
, Wire, Artificial Intelligence Newswire, United States, Spanish

image


Keywords:  afds, afdsafds

Tags:  News