Le macchine senza conducente ora cambiano corsia come gli umani
Un nuovo algoritmo calcola le “zone tampone” attorno ai veicoli autonomi e li rivede in tempo reale
Nel campo delle auto a guida automatica, gli algoritmi per il controllo dei cambi di corsia sono un argomento importante di studio. Ma la maggior parte degli algoritmi di cambio di corsia esistenti presenta uno dei due inconvenienti: o si basano su modelli statistici dettagliati dell’ambiente di guida, troppo complessi da analizzare o sono così semplici che possono portare a decisioni conservative, come non cambiare corsia.
I ricercatori del Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT hanno presentato un nuovo algoritmo di cambio di corsia. Nello specifico il nuovo algoritmo permette cambi di corsia più efficaci rispetto ai modelli semplici, ma fa affidamento solo su informazioni immediate sulle direzioni e le velocità degli altri veicoli per prendere le decisioni.
“La motivazione è, ‘Cosa possiamo fare con il minimo di informazioni possibili?'”, dice Alyssa Pierson, postdoc al CSAIL e primo autore del nuovo documento. “Come possiamo avere un veicolo autonomo che si comporta come un autista umano? Qual è la quantità minima di informazioni che l’auto ha bisogno per prendere la decisione giusta? “
“La soluzione di ottimizzare le informazioni garantirà la navigazione con cambi di corsia che possono modellare un’intera gamma di stili di guida, da quelli conservatori a quelli aggressivi, con garanzie di sicurezza”, afferma Rus, che è il direttore di CSAIL.
Un modo standard per i veicoli autonomi di evitare le collisioni, consiste nel calcolare le zone cuscinetto attorno agli altri veicoli nell’ambiente esterno. Le zone tampone descrivono non solo le posizioni correnti dei veicoli, ma anche le loro probabili posizioni future entro un certo lasso di tempo. Pianificare i cambi di corsia diventa quindi una questione di rimanere semplicemente fuori dalle zone cuscinetto degli altri veicoli.
Per ogni dato metodo di calcolo delle zone tampone, i progettisti dell’algoritmo devono dimostrare di garantire l’evitamento delle collisioni, nel contesto del modello matematico utilizzato per descrivere i modelli di traffico. Questa dimostrazione può essere complessa, quindi le zone tampone ottimali vengono generalmente calcolate in anticipo. Durante il funzionamento, il veicolo autonomo richiama quindi le zone tampone pre-calcolate che corrispondono alla sua situazione.
Il problema è che se il traffico è abbastanza veloce e abbastanza denso, le zone tampone precalcolate potrebbero essere troppo restrittive. Un veicolo autonomo non cambierà affatto corsia, mentre un guidatore umano salterà allegramente lungo la carreggiata.
Con il nuovo sistema dei ricercatori del MIT, se le zone di buffer predefinite stanno portando a prestazioni decisamente peggiori di quelle di un umano, il sistema calcolerà al volo le nuove zone tampone, complete di prove di evitamento delle collisioni.
Tale approccio dipende da un metodo matematicamente efficiente di descrizione delle zone di buffer, in modo che la prova di evitare le collisioni possa essere eseguita rapidamente. Ed è quello che i ricercatori del MIT hanno sviluppato.
Iniziano con una cosiddetta distribuzione gaussiana – la familiare distribuzione della probabilità a campana. Quella distribuzione rappresenta la posizione corrente dell’auto, tenendo conto sia della sua lunghezza che dell’incertezza della sua posizione.
Quindi, sulla base delle stime della direzione e della velocità dell’auto, il sistema dei ricercatori costruisce una cosiddetta funzione logistica. Moltiplicando la funzione logistica per la distribuzione gaussiana, la distribuzione si sposta nella direzione del movimento della vettura, con velocità più elevate che aumentano l’inclinazione.
La distribuzione obliqua definisce la nuova zona cuscinetto del veicolo. Ma la sua descrizione matematica è così semplice – usando solo poche variabili di equazione – che il sistema può valutarlo in poco tempo.
I ricercatori hanno testato il loro algoritmo in una simulazione che includeva fino a 16 auto autonome in un ambiente con diverse centinaia di veicoli.
“I veicoli autonomi non erano in comunicazione diretta ma gestivano l’algoritmo proposto in parallelo senza conflitti o collisioni”, spiega Pierson. “Ogni auto ha utilizzato una diversa soglia di rischio che ha prodotto uno stile di guida diverso, consentendoci di creare conducenti prudenti e aggressivi. L’utilizzo delle zone tampone statiche e precalcolate consentirebbe solo una guida prudente, mentre il nostro algoritmo dinamico consente una gamma più ampia di stili di guida. “
Insomma il campo della guida automatica si arricchisce di nuovi studi e ricerche e siamo certi che questi studi presto daranno i risultati sperati.
Fonte: MIT