Um carro autônomo virtual aprendeu a considerar várias reações possíveis dos motoristas humanos próximos antes de decidir como acelerar ou mudar de faixa.
Em uma estrada real, dois motoristas colocados em uma situação semelhante não necessariamente reagem da mesma forma. Um pode deixar um carro passar, enquanto o outro pode entrar rapidamente à sua frente. Para um sistema automatizado, confiar apenas nas posições e velocidades atuais limita, portanto, a capacidade de preparar sua próxima ação.
Imagem ilustrativa do Pixabay
Os pesquisadores desenvolveram um método que não tenta prever um único futuro. Ele produz várias trajetórias plausíveis para os veículos próximos, com base em seus movimentos e interações. Essas possibilidades se tornam então informações utilizáveis pelo programa responsável pela condução. Em outras palavras, ele pode preparar sua decisão levando em conta vários comportamentos humanos possíveis.
Essa antecipação também ajuda a evitar que o aprendizado da IA explore com frequência ações pouco realistas. O sistema aprende por meio de tentativas sucessivas em uma simulação, com penalidades em caso de colisão ou manobra desnecessária. Ele também recebe uma recompensa quando avança com eficiência sem sacrificar a segurança.
Para tornar os testes mais realistas, a equipe utilizou trajetórias registradas em rodovias alemãs pelo conjunto de dados HighD. Drones haviam acompanhado os deslocamentos dos veículos vistos do céu. Neste estudo, 2.325 trajetórias reais foram usadas, entre outras coisas, para treinar o módulo responsável por antecipar os movimentos.
Os resultados são muito promissores nesse ambiente virtual. No cenário de referência, a taxa de colisão chega a 0,1%, contra 0,7% a 2,7% para quatro métodos de aprendizado comparados. Durante uma frenagem de emergência, ela chega a 1,0%, contra cerca de 24% para dois métodos concorrentes testados nas mesmas condições.
A equipe também testou um tráfego 50% mais denso. A taxa de colisão chegou a 0,3%, contra 1,8% para os dois métodos de comparação selecionados. O experimento também mostrou uma velocidade média mais alta. Os autores atribuem esse resultado, entre outros fatores, à possibilidade de antecipar várias evoluções do tráfego antes de agir.
Ainda é necessário avançar antes de considerar uma utilização real: o sistema deverá aprender a se adaptar a situações ausentes de seus dados iniciais. Os pesquisadores também planejam integrar o consumo de energia e ampliar seu método para vários veículos autônomos que cooperem por comunicação direta.