Hur framtida bilar kommer att förutsäga dina körmanövrar innan du gör dem

Köp en ny bil nu för tiden och chansen är stor att den kommer att vara utrustad med en rad förarstödstekniker. Dessa kan matcha hastigheten på en bil framför, hantera filbyte på ett säkert sätt och till och med bromsa för att förhindra en kollision. Så en intressant fråga är hur mycket bättre dessa säkerhetssystem kan bli innan det oundvikliga inträffar och bilen tar över helt.

Idag får vi ett delvis svar tack vare Ashesh Jains arbete vid Cornell University och några kompisar, som har utvecklat ett system som kan förutsäga en mänsklig förares nästa manöver cirka tre sekunder innan han eller hon gör det. Denna information, säger de, kan sedan användas för att identifiera och förhindra potentiella olyckor.

Tillvägagångssättet är okomplicerat i teorin. Jain och co påpekar att en omfattande kunskap om förarmiljön, både i och utanför bilen, kan användas för att göra en ganska bra gissning om förarens omedelbara avsikter. Till exempel brukar förare kontrollera körfälten bredvid innan de gör filbyten. Så att övervaka förarens huvudrörelser hjälper till att förutsäga om föraren har för avsikt att byta fil inom de närmaste sekunderna.

På samma sätt visar GPS- och gatukartainformation när en bil närmar sig en korsning där en vänster- eller högersväng blir ett alternativ. Och hastighet är också en viktig indikator eftersom förare vanligtvis saktar ner innan de svänger.

Men dessa uppgifter är olika. Huvudrörelsedata skiljer sig helt från hastighetsdata eller kartdata. Svårigheten ligger i att kombinera och analysera dessa informationsströmmar på ett sätt som gör det möjligt att göra bra förutsägelser.

Lösningen som Jain och co har kommit fram till är att analysera dessa strömmar tillsammans med hjälp av avancerade algoritmer för artificiell intelligens som lär sig att upptäcka de kontrollanta tecknen på att en manöver är nära förestående.

Den första delen av deras arbete var att samla in den data som behövdes för att träna sin maskin. Jain och co försåg en bil med en kamera för att övervaka föraren och en annan för att övervaka väghuvudet. De använde också GPS-data tillsammans med gatukartor och en hastighetslogger för att hålla reda på fordonets hastighet.

De samlade sedan in data från 10 olika förare som klockade upp över 1 000 miles av motorvägs- och stadskörning under två månader. De kommenterade uppgifterna för hand för att indikera vilka manövrar som inträffade. Totalt identifierade de 700 händelser: cirka 300 filbyten, 130 svängar och nästan 300 slumpmässigt valda fall av rakkörning.

De använde dessa data för att träna ett antal olika numeriska maskiner för att identifiera de förhållanden under vilka en förare skulle svänga vänster eller höger, byta fil till vänster om höger eller bara fortsätta köra i en rak linje.

Resultaten ger intressant läsning. Den bäst presterande algoritmen kunde korrekt bestämma en framtida manöver för det mesta - cirka 90 procent av förutsägelserna var korrekta. Och i genomsnitt kunde den göra sin förutsägelse 3,5 sekunder innan manövern faktiskt inträffade.

Naturligtvis finns det mer arbete framför oss. Ett potentiellt problem är att avgöra hur väl algoritmen fungerar under de mest farliga körförhållandena, särskilt på natten eller när sikten är dålig på grund av snö- eller regnstormar eller när solen står lågt på himlen.

Olyckor är mer sannolika under dessa förhållanden, så en prediktiv algoritm kan ha störst nytta. Men hur systemet fungerar under dessa förhållanden är inte klart.

En annan fråga är vad man ska göra med denna information när den väl har samlats in. Hur kan det användas för att förebygga olyckor? Återigen är det inte klart hur biltillverkare kan utnyttja uppgifterna.

Ändå kan det nya tillvägagångssättet förebåda en intressant förändring i synen på förarsäkerhet. Noggrann förutsägelse av förarmanövrar kommer säkerligen att bidra till att göra bilar säkrare inom en snar framtid. Såvida inte den självkörande biltekniken gör människor – och tekniken för att förutsäga vad de kommer att göra i framtiden – överflödiga snabbare än någon förväntar sig.

Ref: http://arxiv.org/abs/1601.00740 : Brain4Cars: Bil som vet innan du gör via Sensory-Fusion Deep Learning Architecture

Dölj