M2I: Yapay Zeka İle Yolda Davranış Tahmini

MIT araştırmacıları; sürücüler, bisikletçiler ve yayalar gibi birden fazla yol kullanıcısının rotalarını verimli bir şekilde tahmin eden ve otonom bir aracın şehir sokaklarında daha güvenli bir şekilde gezinmesini sağlayabilecek bir makine öğrenme sistemi oluşturdular. Bir robot, şehir merkezinde bir aracı güvenli bir şekilde yönlendirecekse; yakındaki sürücülerin, bisikletçilerin ve yayaların bir sonraki adımda ne yapacağını tahmin edebilmesi gerekir.

Yeni makine öğrenimi sistemi ile sürücüsüz otomobillerin; yakındaki sürücülerin, yayaların ve bisikletçilerin bir sonraki hareketlerini gerçek zamanlı olarak tahmin etmesine yardımcı olabilir.

İnsanlar, şehrin sokaklarında çalışan tam otonom araçların önündeki en büyük engellerden biridir. Bir robot, şehir merkezinde bir aracı güvenli bir şekilde yönlendirecekse, yakındaki sürücülerin, yayaların ve bisikletçilerin bir sonraki adımda ne yapacağını tahmin edebilmesi gerekir.

Bununla birlikte, davranış tahmini zor bir problemdir ve mevcut yapay zeka çözümleri ya çok basit (yayaların her zaman düz bir çizgide yürüdüğünü varsayabilirler) ya da çok tutucu (yayalardan kaçınmak için robot arabayı parkta bırakır) olabilir.

MIT araştırmacıları, bu karmaşık soruna basit bir çözüm geliştirdiler. Çok etmenli davranış tahmini problemini daha küçük parçalara bölüp, her birini ayrı ayrı ele aldılar. Böylece bir bilgisayar bu karmaşık görevi gerçek zamanlı olarak çözebilmekte.

Davranış-tahmin çerçeveleri önce iki yol kullanıcısı arasındaki ilişkileri (hangi arabanın, bisikletçinin veya yayaların yol hakkına sahip olduğunu ve hangi aracının yol vereceğini) tahmin eder ve bu ilişkileri birden fazla araç için bir sonraki rotayı tahmin etmek için kullanır.

Bu tahmini rotalar, otonom sürüş şirketi Waymo tarafından derlenen muazzam bir veri kümesindeki gerçek trafik akışına kıyasla, diğer makine öğrenimi modellerinden daha doğru. MIT tekniği, Waymo’nun yakın zamanda yayınlanan modelinden bile daha iyi performans gösterdi.

Çoklu küçük modeller ile davranış tahmini

Araştırmacıların M2I adı verilen makine öğrenimi yöntemi iki veri alır: geçmiş rotalar (dört yönlü kavşak gibi bir trafik ortamında etkileşime giren arabaların, bisikletçilerin ve yayaların geçmiş rotaları)  ve harita (sokak konumlarını, şerit konfigürasyonlarını vb. içeren bir harita).

Bir ilişki tahmincisi bu bilgiyi kullanarak, birini geçiş yapan ve diğerini geçişe izin veren olarak sınıflandırarak, iki aracıdan hangisinin ilk geçiş hakkına sahip olduğunu çıkarır. Daha sonra, marjinal tahmin edici olarak bilinen ve bağımsız çalışan bir tahmin modeli, geçiş yapan için rotayı tahmin eder.

Koşullu bir tahmin edici olarak bilinen ikinci bir tahmin modeli, daha sonra, geçiş yapanın eylemlerine dayalı olarak geçişe izin verenin ne yapacağını tahmin eder. Sistem, geçiş izni veren ve geçen için bir dizi farklı rotayı tahmin eder, her birinin olasılığını ayrı ayrı hesaplar ve ardından meydana gelme olasılığı en yüksek olan altı ortak sonucu seçer.

Çoğu araştırma iki etmen arasındaki etkileşimlere odaklanırken, M2I birçok etmen arasındaki ilişkileri çıkarsayabilir ve ardından çoklu marjinal ve koşullu tahmin edicileri birbirine bağlayarak rotalarını tahmin edebilir.

Gerçek sürüş testleri

Araştırmacılar modelleri, şirketin otonom araçlarına monte edilmiş lidar (ışık algılama ve mesafe) sensörleri ve kameralar tarafından kaydedilen araçlar, yayalar ve bisikletlileri içeren milyonlarca gerçek trafik sahnesini içeren Waymo Açık Hareket Veri Kümesini kullanarak eğitti. Özellikle birden fazla kullanıcının olduğu vakalara odaklandılar.

Doğruluğu belirlemek için, her yöntemin güven seviyelerine göre ağırlıklandırılmış altı tahmin örneğini, bir sahnedeki arabaların, bisikletçilerin ve yayaların izlediği gerçek rotalarla karşılaştırdılar. Ayrıca, örtüşme oranı olarak bilinen bir metrikte temel modellerden daha iyi performans gösterdi. İki yörünge üst üste gelirse, bu bir çarpışma anlamına gelmekteydi. Keza M2I, en düşük örtüşme oranına sahip verileri elde etti.

M2I’nin bir başka avantajı da, sorunu daha küçük parçalara ayırdığı için kullanıcının karar verme sürecini anlamasının daha kolay olmasıdır. Proje yöneticileri uzun vadede kullanıcıların otonom araçlara daha fazla güvenmelerine yardımcı olabileceğini söylüyor.

Ancak, iki aracın birbirini karşılıklı olarak etkilediği durumları açıklayamayabilir. Örneğin, iki aracın her birinin kavşakta öne doğru hareket ettiğini düşünürsek, araçlardan hangisinin pes etmesi gerektiğinden emin değiller. Gelecekteki çalışmalarda da bu sınırlamayı ele almayı planlıyorlar.

Opinyu 13.05.2022

Kaynaklar:

https://waymo.com/

https://allainews.com/item/mits-new-machine-learning-system-m2i-may-someday-help-driverless-cars-predict-the-next-moves-of-others-2022-04-23/