Ljudi su jedna od najvećih prepreka koje potpuno autonomna vozila još uvijek drže podalje od gradskih ulica. Robot bi morao moći predvidjeti sljedeće poteze vozača, biciklista i pješaka u blizini.

Predviđanje ponašanja

No, trenutna rješenja umjetne inteligencije su ili previše pojednostavljena pa pretpostavljaju da pješaci uvijek hodaju ravno, ili previše konzervativna pa robot kako bi izbjegao pješake auto ostavlja na parkiralištu, ili predviđaju sljedeće poteze samo jednog agenta, mada se na cesti obično nalazi više sudionika prometa. 

Istraživači s MIT-a osmislili su jednostavno rješenje ovog izazova. Razbili su predviđanje ponašanja više agenata na manje dijelove pa probleme rješavaju pojedinačno, tako da računalo može riješiti ovaj složeni zadatak u stvarnom vremenu.

Okvir za predviđanje ponašanja prvo pogađa odnose između dva sudionika u prometu - koji automobil, biciklist ili pješak ima prednost i koji agent će popustiti - i te odnose koristi za predviđanje budućih putanja više agenata.

Procijenjene putanje bile su točnije od drugih modela strojnog učenja, a kako su istraživači problem razbili na jednostavnije dijelove, njihova tehnika koristila je manje memorije.

Više malih modela

Metoda strojnog učenja istraživača, nazvana M2I, koristi dva ulaza. Za početak, analizira prošle putanje automobila, biciklista i pješaka te kartu s lokacijama ulica, konfiguracijom traka, itd. Koristeći ove informacije, sustav zaključuje tko ima pravo prvenstva, a potom pogađa putanju vozila koje prolazi. 

Sustav predviđa niz različitih putanja, izračunava vjerojatnost svake od njih i zatim odabire šest zajedničkih rezultata s najvećom vjerojatnošću da će se dogoditi. 
M2I predviđa kako će se ti agenti kretati kroz promet sljedećih osam sekundi. Iako se ovo početno istraživanje usredotočuje na interakcije između dvaju agenata, M2I bi mogao zaključiti odnose između mnogih agenata i  a zatim pogoditi njihove putanje.

U stvarnom svijetu

Istraživači su modele obučili koristeći Waymo Open Motion Dataset s milijunima stvarnih prometnih scena koje uključuju vozila, pješake i bicikliste snimljene lidarskim senzorima i kamerama postavljenim na autonomna vozila. Posebno su se usredotočili na slučajeve s više agenata.

Sustav zasad još ne može objasniti slučajeve u kojima dva agenta međusobno utječu jedan na drugog, kao u slučajevima kad vozači ne znaju tko ima prednost na raskrižju, pa će se istraživači tome posvetiti u svom budućem radu.