Тесты интеллекта вождения имеют решающее значение для разработки и внедрения автономных транспортных средств. Преобладающий подход тестирует автономные транспортные средства в реалистичных симуляциях естественной среды вождения. Однако из-за высокой размерности окружающей среды и редкости событий, критичных для безопасности, потребуются сотни миллионов миль, чтобы продемонстрировать показатели безопасности автономных транспортных средств, что крайне неэффективно. Мы обнаруживаем, что небольшие, но состязательные корректировки натуралистической среды вождения, приводящие к созданию натуралистической и состязательной среды вождения, могут значительно сократить требуемые тестовые мили без потери объективности оценки. Обучая фоновые транспортные средства тому, когда выполнять тот или иной маневр в условиях состязательности, предлагаемая среда становится интеллектуальной средой для тестирования интеллекта вождения. Мы демонстрируем эффективность предлагаемой среды в симуляции вождения по шоссе. По сравнению с естественной средой вождения предлагаемая среда может ускорить процесс оценки на несколько порядков. Подробнее про Оценку стиля езды водителя с помощью искусственного интеллекта — Exodrive читайте на страницах специализированного сайта.
Введение
Автономные транспортные средства (AVS) привлекли значительное внимание в последние годы из-за их потенциала революционизировать транспортную безопасность и мобильность. Одним из важнейших шагов в разработке и внедрении AVS является тестирование и оценка их водительского интеллекта, который показывает, может ли AV работать безопасно и эффективно без вмешательства человека. Однако текущие процедуры тестирования транспортных средств, управляемых человеком, такие как Федеральные стандарты безопасности транспортных средств (FMVSS) и ISO 26262, регулируют только компоненты, системы и конструктивные особенности, связанные с безопасностью автомобиля, без учета интеллекта вождения при выполнении задач вождения. Насколько известно авторам, на сегодняшний день нет единого мнения или стандартных процедур о том, как тестировать и оценивать AVS. В течение последних нескольких лет, хотя проблема AV-тестирования широко изучалась различными разработчиками AV, правительственными учреждениями, профессиональными организациями, а также академическими институтами, теория и методы для поддержки такого тестирования и оценки отсутствуют.
Как показано на рис. 1a, преобладающий современный подход к AV-тестированию использует платформу агент-среда посредством комбинации программного моделирования, тестирования на закрытых трассах и тестирования на дороге. Основная философия заключается в тестировании агентов AVs в реалистичных условиях вождения, наблюдении за их работой и статистическом сравнении с работой водителя-человека. Однако сложность AV-тестирования связана с тремя различными аспектами, показанными на рис. 1b: Во-первых, агент вождения в AV обычно разрабатывается на основе статистики или алгоритмов искусственного интеллекта (ИИ). Агент на основе искусственного интеллекта, который обычно является черным ящиком для внешних пользователей, ограничивает использование традиционных методов проверки программного обеспечения на основе логики. Во-вторых, среда вождения обычно сложна и случайна. Чтобы представить всю сложность и изменчивость среды, переменные, которые определяют среду, имеют высокую размерность, что может вызвать “проклятие размерности”. Стохастичность окружающей среды также может не соответствовать традиционным формальным методам обеспечения абсолютной безопасности. В-третьих, события, представляющие интерес (например, аварии) для теста интеллекта вождения, происходят редко, и редкость событий может привести к недопустимой проблеме неэффективности тестирования. Поэтому ключом к проблеме тестирования AV становится то, как создать интеллектуальную среду тестирования, которая может точно и эффективно тестировать AV-интеллект вождения, учитывая высокую размерность и редкость событий.