Op het gebied van zelfrijdende auto's algoritmen voor het beheersen van rijstrookwisselingen zijn een belangrijk onderwerp van studie. Maar de meeste bestaande algoritmen voor het wisselen van rijstrook hebben een van de twee nadelen:ofwel vertrouwen ze op gedetailleerde statistische modellen van de rijomgeving, die moeilijk te assembleren zijn en te complex om on-the-fly te analyseren; of ze zijn zo eenvoudig dat ze kunnen leiden tot onpraktisch conservatieve beslissingen, zoals nooit van rijstrook wisselen.

Op de internationale conferentie over robotica en automatisering morgen, onderzoekers van MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) zullen een nieuw lane-change-algoritme presenteren dat het verschil splitst. Het maakt agressievere rijstrookwisselingen mogelijk dan de eenvoudige modellen, maar vertrouwt alleen op onmiddellijke informatie over de richtingen en snelheden van andere voertuigen om beslissingen te nemen.

"De motivatie is 'Wat kunnen we doen met zo min mogelijk informatie?'", zegt Alyssa Pierson, een postdoc bij CSAIL en eerste auteur van het nieuwe artikel. "Hoe kunnen we een autonoom voertuig laten gedragen zoals een menselijke bestuurder zich zou gedragen? Wat is de minimale hoeveelheid informatie die de auto nodig heeft om dat mensachtige gedrag uit te lokken?"

Pierson wordt op het papier vergezeld door Daniela Rus, de Viterbi-hoogleraar Elektrotechniek en Informatica; Sertac Karaman, universitair hoofddocent luchtvaart en ruimtevaart; en Wilko Schwarting, een afgestudeerde student elektrotechniek en informatica.

"De optimalisatieoplossing zorgt voor navigatie met rijstrookwisselingen die een hele reeks rijstijlen kunnen modelleren, van conservatief tot agressief, met veiligheidsgaranties, " zegt Rus, wie is de directeur van CSAIL.

Een standaardmanier voor autonome voertuigen om botsingen te voorkomen, is het berekenen van bufferzones rond de andere voertuigen in de omgeving. De bufferzones beschrijven niet alleen de huidige posities van de voertuigen, maar ook hun waarschijnlijke toekomstige posities binnen een bepaald tijdsbestek. Het plannen van rijstrookwisselingen wordt dan een kwestie van simpelweg uit de bufferzones van andere voertuigen blijven.

Voor een bepaalde methode voor het berekenen van bufferzones, ontwerpers van algoritmen moeten bewijzen dat het botsingsvermijding garandeert, binnen de context van het wiskundige model dat wordt gebruikt om verkeerspatronen te beschrijven. Dat bewijs kan complex zijn, dus de optimale bufferzones worden meestal vooraf berekend. Tijdens bedrijf, het autonome voertuig roept dan de vooraf berekende bufferzones op die overeenkomen met zijn situatie.

Het probleem is dat als het verkeer snel genoeg en druk genoeg is, vooraf berekende bufferzones kunnen te beperkend zijn. Een autonoom voertuig zal helemaal niet van rijstrook veranderen, terwijl een menselijke bestuurder vrolijk over de rijbaan zou ritselen.

Met het systeem van de MIT-onderzoekers, als de standaard bufferzones leiden tot prestaties die veel slechter zijn dan die van een menselijke bestuurder, het systeem berekent on-the-fly nieuwe bufferzones, compleet met bewijs van het vermijden van botsingen.

Die benadering hangt af van een wiskundig efficiënte methode om bufferzones te beschrijven, zodat het aanrijdingsvermijdingsbewijs snel kan worden uitgevoerd. En dat is wat de MIT-onderzoekers hebben ontwikkeld.

Ze beginnen met een zogenaamde Gauss-verdeling - de bekende kansverdeling met klokkromme. Die verdeling vertegenwoordigt de huidige positie van de auto, rekening houdend met zowel de lengte als de onzekerheid van de locatieschatting.

Vervolgens, gebaseerd op schattingen van de richting en snelheid van de auto, het systeem van de onderzoekers construeert een zogenaamde logistieke functie. Door de logistieke functie te vermenigvuldigen met de Gauss-verdeling, wordt de verdeling scheefgetrokken in de richting van de beweging van de auto, bij hogere snelheden neemt de scheefstand toe.

De scheve verdeling definieert de nieuwe bufferzone van het voertuig. Maar de wiskundige beschrijving ervan is zo eenvoudig - met slechts een paar vergelijkingsvariabelen - dat het systeem het in een oogwenk kan evalueren.

De onderzoekers testten hun algoritme in een simulatie met maximaal 16 autonome auto's die in een omgeving met honderden andere voertuigen rijden.

"De autonome voertuigen waren niet in directe communicatie, maar voerden het voorgestelde algoritme parallel uit zonder conflicten of botsingen, " legt Pierson uit. "Elke auto hanteerde een andere risicodrempel die een andere rijstijl opleverde, waardoor we conservatieve en agressieve chauffeurs kunnen creëren. Met behulp van de statische, vooraf berekende bufferzones zouden alleen conservatief rijden mogelijk maken, terwijl ons dynamische algoritme een breder scala aan rijstijlen mogelijk maakt."