.
O impulso para veículos verdadeiramente autônomos foi prejudicado pelo custo e tempo associados aos testes de segurança, mas um novo sistema desenvolvido na Universidade de Michigan mostra que a inteligência artificial pode reduzir as milhas de teste necessárias em 99,99%.
Isso pode iniciar uma mudança de paradigma que permite aos fabricantes verificar mais rapidamente se sua tecnologia de veículo autônomo pode salvar vidas e reduzir acidentes. Em um ambiente simulado, veículos treinados por inteligência artificial realizam manobras perigosas, obrigando o AV a tomar decisões que raramente confrontam os motoristas na estrada, mas são necessárias para melhor treinar os veículos.
Para encontrar repetidamente esses tipos de situações para coleta de dados, os veículos de teste do mundo real precisam percorrer centenas de milhões a centenas de bilhões de quilômetros.
“Os eventos críticos de segurança – os acidentes ou quase acidentes – são muito raros no mundo real e, muitas vezes, os AVs têm dificuldade em lidar com eles”, disse Henry Liu, professor de engenharia civil da UM e diretor da Mcity e da Center for Connected and Automated Transportation, um centro regional de pesquisa de transporte financiado pelo Departamento de Transporte dos EUA.
Os pesquisadores da UM referem-se ao problema como a “maldição da raridade” e estão lidando com isso aprendendo com dados de tráfego do mundo real que contêm eventos críticos de segurança raros. Os testes realizados em pistas de teste que imitam a condução urbana e rodoviária mostraram que os veículos virtuais treinados por IA podem acelerar o processo de teste em milhares de vezes. O estudo aparece na capa da Nature.
“Os veículos de teste AV que estamos usando são reais, mas criamos um ambiente de teste de realidade mista. Os veículos de fundo são virtuais, o que nos permite treiná-los para criar cenários desafiadores que raramente acontecem na estrada”, disse Liu .
A equipe da UM usou uma abordagem para treinar os veículos em segundo plano que retira informações não críticas de segurança dos dados de direção usados na simulação. Basicamente, ele elimina os longos períodos em que outros motoristas e pedestres se comportam de maneira responsável e esperada – mas preserva os momentos perigosos que exigem ação, como outro motorista ultrapassando o sinal vermelho.
Ao usar apenas dados críticos de segurança para treinar as redes neurais que tomam decisões de manobra, os veículos de teste podem encontrar mais desses eventos raros em um período de tempo menor, tornando os testes muito mais baratos.
“O aprendizado de reforço denso irá liberar o potencial da IA para validar a inteligência de sistemas autônomos críticos para a segurança, como AVs, robótica médica e sistemas aeroespaciais”, disse Shuo Feng, professor assistente do Departamento de Automação da Universidade de Tsinghua e ex-cientista pesquisador assistente no Instituto de Pesquisa de Transporte da UM.
“Também abre as portas para o treinamento acelerado de sistemas autônomos críticos para a segurança, aproveitando agentes de teste baseados em IA, que podem criar uma relação simbiótica entre teste e treinamento, acelerando os dois campos”.
E está claro que o treinamento, junto com o tempo e as despesas envolvidas, é um impedimento. Um artigo da Bloomberg de outubro afirmou que, embora os veículos do líder do robotáxi, Waymo, tivessem percorrido 20 milhões de milhas na década anterior, muito mais dados eram necessários.
“Isso significa”, escreveu o autor, “seus carros teriam que dirigir 25 vezes mais do que o total antes de podermos dizer, mesmo com uma vaga sensação de certeza, que eles causam menos mortes do que motoristas de ônibus”.
Os testes foram realizados no ambiente urbano de Mcity em Ann Arbor, bem como na pista de testes da rodovia no American Center for Mobility em Ypsilanti.
Lançado em 2015, o Mcity foi o primeiro ambiente de teste do mundo construído especificamente para veículos conectados e autônomos. Com o novo apoio da National Science Foundation, pesquisadores externos em breve poderão executar testes remotos de realidade mista usando a simulação e a pista de teste físico, semelhantes aos relatados neste estudo.
Conjuntos de dados do mundo real que suportam simulações de Mcity são coletados de interseções inteligentes em Ann Arbor e Detroit, com mais interseções a serem equipadas. Cada cruzamento é equipado com sensores de preservação de privacidade para capturar e categorizar cada usuário da estrada, identificando sua velocidade e direção. A pesquisa foi financiada pelo Center for Connected and Automated Transportation e pela National Science Foundation.
.
