研究人员开发新方法 帮助自动驾驶汽车更快做出安全决策

据外媒报道，来自拉德伯格大学、奥斯汀大学、加州大学伯克利分校和埃因霍温大学的研究人员发现了一种应对不确定性的新方法，可以帮助人工智能更快地找到更安全的决策选项。

研究人员将这种方法称为“不确定的可观测马尔可夫决策过程”。这些是用于估计事件发生概率的真实世界模型。例如，自动驾驶汽车在驾驶时会面临许多未知的情况。为了验证自动驾驶汽车的人工智能，需要进行大量的计算来分析人工智能如何应对各种情况。研究人员认为，使用他们的新方法，这些建模练习可以变得更加逼真，使人工智能能够更快地做出更好、更安全的决策。此前，POMDP已被用于模拟和建模各种场景，这有助于预测流行病的传播，并计算航空和航天器如何避免碰撞。研究人员尼尔斯·詹森表示，我们知道这些模型非常善于提供真实世界的捕捉。然而，由于使用它们所需的高处理能力，它们在实际应用中的应用仍然有限。我们的新方法使我们能够考虑所有的计算和理论信息，并在现实世界中更一致、更有规律地应用它。研究人员通过四个步骤提供有效的解决方案。首先，将问题描述为一个具有无限约束的非凸优化问题。其次，通过专用对偶方案生成仍然非凸但具有有限多重约束的对偶问题。然后，将这个对偶问题线性化。最后，通过求解有限线性规划，得到了原问题的局部最优解。与现有方法相比，这个解决问题的公式比现有方法生成的公式小得多。此外，研究人员还通过车辆防撞场景和新的航天器运动规划案例研究验证了该算法的适用性。研究团队的突破在于其模型考虑了现实世界的不确定性。詹森表示， “例如，目前的模型可能只告诉你80%的自动驾驶汽车是完全安全的，但尚不清楚剩下的20%会发生什么以及风险类型。这可能是一种不明确和模糊的风险。有了这种新方法，系统可以对可能出现的问题做出更详细的解释，并在计算时考虑这些因素。对用户来说，这意味着他们可以知道重新提供潜在错误的具体例子，并进行更好、更全面的调整以避免这些风险。尽管其他研究人员以前曾考虑过uPOMDPs使用的方法，但它们仅限于特定的有限情况和思维实验。詹森解释道：“这是我们第一次将以前的理论思维实验转化为实用可行的方法。这是一个独特而困难的问题，但得益于跨学科的方法，我们得以实现真正的突破

标签：

汽车资讯热门资讯