Korai riasztó­rendszer autonóm autókhoz

A megoldással jelentősen növelhető a veszélyes helyzetekre rendelkezésre álló idő.

A Müncheni Műszaki Egyetem kifejlesztett egy olyan technológiát, amely szenzorok és kamerák segítségével érzékeli az adott gépkocsi környezetét, valamint felméri a jármű, ezen belül a kormány és az utak állapotát, az időjárást, a látási viszonyokat és a sebességet. Az alkalmazott, rekurrens neurális hálózatra épülő mesterséges intelligencia megtanulta, hogy ezekből az adatokból hogyan ismerje fel a mintákat. A technológia a lehetséges kritikus veszélyességű közlekedési szituációkat - több mint 85 százalékos pontossággal - hét másodperccel a bekövetkezésük előtt képes előrejelezni, ez pedig elegendő időt hagy a sofőrnek és a fedélzeti rendszernek a baleset elkerülésére.

Az új rendszert több ezer valódi veszélyes helyzettel készítették fel. Ezekbe a szituációkba önállóan közlekedő autók kerültek valódi utcai forgalomban. Amennyiben már egy-egy szituációval kapcsolatban létezik egy minta és a rendszer egy ahhoz hasonló dolgot észlel, akkor időben figyelmeztetni tudja a vezetőt a helyzetre.

Eckehard Steinbach professzor, a Müncheni Műszaki Egyetem Médiatechnikai Tanszékének tulajdonosa kiemelte, hogy azért, hogy a gépkocsikat önállóbbá tegyék, számos eddigi módszert tanulmányoznak azzal kapcsolatban, hogy a járművek mit értenek meg a közlekedésből, majd igyekeznek javítani az adott modelleken. Miután kizárólag a valódi események adatait veszik figyelembe, így a mesterséges intelligencia olyan lehetséges kritikus helyzeteket is észrevesz, amelyeket a használt modellek talál fel sem ismernek. A rendszerük ezáltal olyan biztonsági funkciót kínál, amely pontosan tudja, hogy hol és mikor kerülnek elő az adott autó hiányosságai.

Az egyetem munkatársai, Christopher B. Kuhn, Markus Hofbauer, Goran Petrovic és Eckehard Steinbach az Introspective Failure Prediction for Autonomous Driving Using Late Fusion of State and Camera Information című művükben írták le a fejlesztés részleteit és a tapasztalataikat.