211service.com
Hoe toekomstige auto's uw rijmanoeuvres zullen voorspellen voordat u ze maakt
Koop tegenwoordig een nieuwe auto en de kans is groot dat deze wordt uitgerust met een scala aan rijhulptechnologieën. Deze kunnen de snelheid van een voorligger evenaren, veilig van rijstrook wisselen en zelfs remmen om een aanrijding te helpen voorkomen. Een interessante vraag is dus hoeveel beter deze veiligheidssystemen kunnen worden voordat het onvermijdelijke zich voordoet en de auto het volledig overneemt.
Vandaag krijgen we een gedeeltelijk antwoord dankzij het werk van Ashesh Jain aan de Cornell University en een paar vrienden, die een systeem hebben ontwikkeld dat de volgende manoeuvre van een menselijke bestuurder kan voorspellen, ongeveer drie seconden voordat hij of zij het haalt. Deze informatie, zeggen ze, kan vervolgens worden gebruikt om mogelijke ongevallen te identificeren en te voorkomen.
De aanpak is in theorie eenvoudig. Jain en co wijzen erop dat een uitgebreide kennis van de rijomgeving, zowel binnen als buiten de auto, kan worden gebruikt om een vrij goede schatting te maken van de onmiddellijke bedoelingen van de bestuurder. Bestuurders controleren bijvoorbeeld meestal de rijstroken naast hen voordat ze van rijstrook wisselen. Het monitoren van de hoofdbewegingen van de bestuurder helpt dus te voorspellen of de bestuurder van plan is in de komende seconden van rijstrook te wisselen.
Evenzo laten GPS- en straatkaartinformatie zien wanneer een auto een kruispunt nadert waar links- of rechtsafslaan een optie wordt. En snelheid is ook een belangrijke indicator, aangezien automobilisten meestal vertragen voordat ze een bocht nemen.
Maar deze gegevens zijn ongelijksoortig. Gegevens over hoofdbewegingen zijn totaal anders dan snelheidsgegevens of kaartgegevens. De moeilijkheid is om deze informatiestromen zo te combineren en te analyseren dat er goede voorspellingen kunnen worden gedaan.
De oplossing die Jain en co hebben bedacht, is om deze streams samen te analyseren met behulp van geavanceerde kunstmatige-intelligentiealgoritmen die de veelbetekenende signalen leren herkennen dat er een manoeuvre op komst is.
Het eerste deel van hun werk was het verzamelen van de gegevens die nodig waren om hun machine te trainen. Jain en co voorzagen een auto van één camera om de bestuurder in de gaten te houden en een andere om de kop van de weg in de gaten te houden. Ze gebruikten ook GPS-gegevens, stratenkaarten en een snelheidslogger om de snelheid van het voertuig bij te houden.
Vervolgens verzamelden ze gegevens van 10 verschillende chauffeurs die in twee maanden tijd meer dan 1.000 mijl op de snelweg en in de stad hebben gereden. Ze annoteerden de gegevens met de hand om aan te geven welke manoeuvres plaatsvonden. In totaal identificeerden ze 700 gebeurtenissen: zo'n 300 rijstrookwisselingen, 130 bochten en bijna 300 willekeurig gekozen gevallen van rechtdoor rijden.
Ze gebruikten deze gegevens om een aantal verschillende rekenmachines te trainen om de omstandigheden te identificeren waaronder een bestuurder naar links of rechts zou afslaan, van rijstrook naar links of rechts zou veranderen of gewoon in een rechte lijn zou blijven rijden.
De resultaten zorgen voor interessante lectuur. Het best presterende algoritme was meestal in staat om een toekomstige manoeuvre correct te bepalen - ongeveer 90 procent van de voorspellingen was correct. En gemiddeld kon het zijn voorspelling 3,5 seconden voordat de manoeuvre daadwerkelijk plaatsvond, doen.
Natuurlijk is er meer werk aan de winkel. Een potentieel probleem is om te bepalen hoe goed het algoritme werkt in de meest gevaarlijke rijomstandigheden, met name 's nachts of wanneer het zicht slecht is vanwege sneeuw of regen of wanneer de zon laag aan de hemel staat.
Ongelukken zijn onder deze omstandigheden waarschijnlijker, dus een voorspellend algoritme zou het meeste voordeel kunnen hebben. Maar hoe het systeem onder deze omstandigheden presteert, is niet duidelijk.
Een andere vraag is wat te doen met deze informatie als deze eenmaal is verzameld. Hoe kan het worden gebruikt om ongevallen te voorkomen? Nogmaals, het is niet duidelijk hoe autofabrikanten de gegevens kunnen misbruiken.
Desalniettemin zou de nieuwe aanpak een interessante verandering kunnen inluiden in de benadering van chauffeursveiligheid. Nauwkeurige voorspelling van manoeuvres van chauffeurs zal zeker helpen om auto's in de nabije toekomst veiliger te maken. Tenzij, natuurlijk, de technologie van zelfrijdende auto's mensen - en de technologie om te voorspellen wat ze in de toekomst zullen doen - sneller overbodig maakt dan iemand verwacht.
Referentie: http://arxiv.org/abs/1601.00740 : Brain4Cars: auto die weet voordat u het doet via Sensory-Fusion Deep Learning Architecture