Ein virtuelles autonomes Auto hat gelernt, mehrere mögliche Reaktionen benachbarter menschlicher Fahrer in Betracht zu ziehen, bevor es entscheidet, wie es beschleunigt oder die Spur wechselt.
Auf einer echten Straße reagieren zwei Autofahrer, die sich in einer ähnlichen Situation befinden, nicht unbedingt gleich. Der eine lässt möglicherweise ein Auto passieren, der andere schert schnell vor ihm ein. Für ein automatisiertes System schränkt es daher die Fähigkeit ein, seine nächste Aktion vorzubereiten, wenn es sich ausschließlich auf die aktuellen Positionen und Geschwindigkeiten verlässt.
Illustrationsbild von Pixabay
Die Forschenden entwickelten eine Methode, die nicht versucht, eine einzige Zukunft vorherzusagen. Ausgehend von den Bewegungen und Interaktionen der Fahrzeuge erzeugt sie mehrere plausible Trajektorien für die Fahrzeuge in der Nähe. Diese Möglichkeiten werden anschließend zu Informationen, die das für das Fahren zuständige Programm nutzen kann. Anders gesagt: Es kann seine Entscheidung vorbereiten und dabei mehrere mögliche menschliche Verhaltensweisen berücksichtigen.
Diese Antizipation hilft außerdem zu verhindern, dass das Training der KI zu häufig unrealistische Aktionen ausprobiert. Das System lernt durch aufeinanderfolgende Versuche in einer Simulation, wobei Kollisionen oder unnötige Manöver mit Strafen belegt werden. Es erhält außerdem eine Belohnung, wenn es effizient vorankommt, ohne die Sicherheit zu beeinträchtigen.
Um die Versuche realistischer zu gestalten, nutzte das Team auf deutschen Autobahnen aufgezeichnete Trajektorien aus dem Datensatz HighD. Drohnen hatten dort die Bewegungen von Fahrzeugen aus der Luft verfolgt. In dieser Studie wurden unter anderem 2.325 reale Trajektorien verwendet, um das Modul zu trainieren, das die Bewegungen vorhersagt.
Die Ergebnisse in dieser virtuellen Umgebung sind sehr ermutigend. Im Referenzszenario liegt die Kollisionsrate bei 0,1 %, verglichen mit 0,7 % bis 2,7 % bei vier verglichenen Lernmethoden. Bei einer Notbremsung beträgt sie 1,0 %, verglichen mit etwa 24 % bei zwei konkurrierenden Methoden, die unter denselben Bedingungen getestet wurden.
Das Team testete außerdem einen Verkehr, der um 50 % dichter war. Dort liegt die Kollisionsrate bei 0,3 %, verglichen mit 1,8 % bei den beiden ausgewählten Vergleichsmethoden. Gleichzeitig zeigt das Experiment eine höhere Durchschnittsgeschwindigkeit. Die Autoren führen dieses Ergebnis unter anderem auf die Möglichkeit zurück, mehrere Entwicklungen des Verkehrs vor dem Handeln vorherzusehen.
Vor einer möglichen praktischen Anwendung ist noch ein weiterer Schritt erforderlich: Das System muss lernen, sich an Situationen anzupassen, die in seinen ursprünglichen Daten nicht vorkommen. Die Forschenden planen außerdem, den Energieverbrauch einzubeziehen und ihre Methode auf mehrere autonome Fahrzeuge auszuweiten, die über direkte Kommunikation zusammenarbeiten.