Het recente dodelijke ongeval met zelfrijdende auto's van Uber onderstreept het feit dat de technologie nog steeds niet klaar is voor wijdverbreide toepassing. Een reden is dat er niet veel plaatsen zijn waar zelfrijdende auto's daadwerkelijk kunnen rijden. Bedrijven zoals Google testen hun wagenpark alleen in grote steden waar ze talloze uren hebben besteed aan het nauwkeurig labelen van de exacte 3D-posities van rijstroken, stoepranden, afrit en stopborden.

Inderdaad, als je langs de miljoenen kilometers aan onverharde wegen in de VS woont, onverlicht of onbetrouwbaar gemarkeerd, je hebt geen geluk. Dergelijke straten zijn vaak veel ingewikkelder om in kaart te brengen, en krijg veel minder verkeer, dus het is onwaarschijnlijk dat bedrijven op korte termijn 3D-kaarten voor hen zullen ontwikkelen. Van de Mojave-woestijn in Californië tot de witte bergen van Vermont, er zijn enorme delen van Amerika waar zelfrijdende auto's gewoon niet klaar voor zijn.

Een manier om dit te omzeilen is om systemen te maken die geavanceerd genoeg zijn om zonder deze kaarten te navigeren. In een belangrijke eerste stap, een team van MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) heeft MapLite ontwikkeld, een nieuw raamwerk waarmee zelfrijdende auto's kunnen rijden op wegen waar ze nog nooit zijn geweest zonder 3D-kaarten.

MapLite combineert eenvoudige GPS-gegevens die u op Google Maps zou vinden met een reeks sensoren die de wegomstandigheden observeren. Samen, door deze twee elementen kon het team autonoom rijden op meerdere onverharde landwegen in Devens, Massachusetts, en detecteert betrouwbaar de weg meer dan 30 meter van tevoren. (Als onderdeel van een samenwerking met het Toyota Research Institute, onderzoekers gebruikten een Toyota Prius die ze hadden uitgerust met een reeks LIDAR- en IMU-sensoren.)

"De reden dat dit soort 'kaartloze' benadering nog niet eerder is gedaan, is omdat het over het algemeen veel moeilijker is om dezelfde nauwkeurigheid en betrouwbaarheid te bereiken als bij gedetailleerde kaarten, " zegt CSAIL afgestudeerde student Teddy Ort, die een hoofdauteur was van een gerelateerd artikel. "Een systeem als dit, dat alleen kan navigeren met ingebouwde sensoren, toont het potentieel van zelfrijdende auto's die in staat zijn om wegen aan te kunnen die verder gaan dan het kleine aantal dat technologiebedrijven in kaart hebben gebracht."

De krant, die in mei zal worden gepresenteerd op de International Conference on Robotics and Automation (ICRA) in Brisbane, Australië, is mede geschreven door MIT-professor Daniela Rus en PhD-afgestudeerde Liam Paull, die nu assistent-professor is aan de Universiteit van Montreal.

Hoe het werkt

Voor alle vooruitgang die is geboekt met zelfrijdende auto's, hun navigatievaardigheden verbleken nog steeds in vergelijking met mensen'. Bedenk hoe u zich verplaatst:als u op een specifieke locatie probeert te komen, je plugt waarschijnlijk een adres in je telefoon en raadpleegt het dan af en toe onderweg, zoals wanneer u kruispunten of snelwegafritten nadert.

Echter, als je door de wereld zou gaan zoals de meeste zelfrijdende auto's, je zou in wezen de hele tijd naar je telefoon staren. Bestaande systemen zijn nog steeds sterk afhankelijk van kaarten, alleen sensoren en vision-algoritmen gebruiken om dynamische objecten zoals voetgangers en andere auto's te vermijden.

In tegenstelling tot, MapLite gebruikt sensoren voor alle aspecten van navigatie, alleen vertrouwen op GPS-gegevens om een ​​ruwe schatting van de locatie van de auto te krijgen. Het systeem stelt eerst zowel een eindbestemming in als wat onderzoekers een "lokaal navigatiedoel" noemen. die in het zicht van de auto moet zijn. De waarnemingssensoren genereren dan een pad om dat punt te bereiken, LIDAR gebruiken om de locatie van de randen van de weg te schatten. MapLite kan dit doen zonder fysieke wegmarkeringen door basisaannames te doen over hoe de weg relatief vlakker zal zijn dan de omliggende gebieden.

"Onze minimalistische benadering van kaarten maakt autonoom rijden op landwegen mogelijk met behulp van lokale uitstraling en semantische kenmerken zoals de aanwezigheid van een parkeerplaats of een zijweg, ' zegt Rus.

Het team ontwikkelde een systeem van modellen die "geparametriseerd" zijn, wat betekent dat ze meerdere situaties beschrijven die enigszins op elkaar lijken. Bijvoorbeeld, één model kan breed genoeg zijn om te bepalen wat te doen op kruispunten, of wat te doen op een bepaald type weg.

MapLite verschilt van andere kaartloze rijbenaderingen die meer afhankelijk zijn van machine learning door te trainen op gegevens van de ene reeks wegen en vervolgens te worden getest op andere.

"Uiteindelijk willen we de auto vragen kunnen stellen als 'hoeveel wegen komen samen op dit kruispunt?'", zegt Ort. "Door modelleringstechnieken te gebruiken, als het systeem niet werkt of betrokken is bij een ongeval, we kunnen beter begrijpen waarom."

MapLite is in veel opzichten nog steeds beperkt. Het is nog niet betrouwbaar genoeg voor bergwegen, omdat het geen rekening houdt met dramatische hoogteverschillen. Als volgende stap, het team hoopt de verscheidenheid aan wegen die het voertuig aankan, uit te breiden. Uiteindelijk streven ze ernaar dat hun systeem vergelijkbare prestatie- en betrouwbaarheidsniveaus bereikt als in kaart gebrachte systemen, maar met een veel groter bereik.

"Ik stel me voor dat de zelfrijdende auto's van de toekomst altijd enig gebruik zullen maken van 3D-kaarten in stedelijke gebieden, ", zegt Ort. "Maar toen hij werd opgeroepen om buiten de gebaande paden te gaan, deze voertuigen zullen net zo goed moeten zijn als mensen in het rijden op onbekende wegen die ze nog nooit eerder hebben gezien. We hopen dat ons werk een stap in die richting is."