PersonaDrive: Controllable Trajectory Prediction with Multi-Dimensional Driving Personas

Jedes Mal, wenn ein selbstfahrendes Auto durch eine belebte Stadtstraße navigiert, muss es eine Reihe von blitzschnellen Entscheidungen darüber treffen, wohin es fahren soll und wie schnell es dort ankommen soll. Jahrelang haben Forscher diesen Fahrzeugen beigebracht, die zukünftigen Wege anderer Autos und Fußgänger vorherzusagen, aber die Fahrzeuge selbst wurden weitgehend darauf trainert, auf eine einzige, sichere und vorhersehbare Weise zu fahren. Sie sind darauf programmiert, der ideale, vorsichtige Fahrer zu sein, der niemals unnötig beschleunigt und niemals eine scharfe Kurve fährt. Während dieser Ansatz sicher ist, verpasst er einen entscheidenden Teil der menschlichen Realität: Menschen fahren unterschiedlich, je nachdem, wer sie sind, wohin sie gehen und wie sie sich fühlen. Ein Elternteil, das ein krankes Kind in Eile in ein Krankenhaus bringt, benötigt eine sanfte, behutsame Fahrt, selbst wenn es eilt, während ein Feuerwehrmann, der zu einem Brand eilt, vielleicht eine rauere, aggressivere Route akzeptieren muss, um Zeit zu sparen. Bis jetzt hatten autonome Systeme Schwierigkeiten, diese subtilen, widersprüchlichen menschlichen Bedürfnisse zu verstehen, und griffen oft auf einen „Einheitsstil“ zurück, der sich roboterhaft und von der tatsächlichen Situation des Passagiers entkoppelt anfühlt.

Ein Team von Forschern aus Südkorea hat dieses Problem angegangen, indem sie einen neuen Weg entwickelten, um selbstfahrenden Autos beizubringen, die Persönlichkeit hinter dem Steuer zu verstehen. Sie erkannten, dass das menschliche Fahrverhalten nicht nur davon geprägt ist, schnell oder langsam zu sein; es wird durch zwei unterschiedliche Kräfte geformt. Die erste ist die Dringlichkeit, die bestimmt, wie schnell ein Fahrer sein Ziel erreichen möchte. Die zweite ist der Komfort, der bestimmt, wie sanft der Fahrer reisen möchte, wobei eine behutsame Fahrt gegenüber der Geschwindigkeit priorisiert wird. Durch die Trennung dieser beiden Faktoren schufen die Forscher einen neuen Rahmen, der es einem Fahrzeug ermöglicht, nicht nur angewiesen zu werden, „schnell“ oder „langsam“ zu fahren, sondern eine spezifische Fahr-Persona anzunehmen, die diese konkurrierenden Wünsche ausbalanciert.

Um diese Idee zu testen, musste das Team zuerst eine neue Art von Trainingsbibliothek erstellen. Sie nahmen Tausende von realen Fahrszenen und nutzten fortschrittliche Sprachmodelle, um neun verschiedene Versionen derselben Fahrt zu generieren. Jede Version entsprach einer einzigartigen Kombination aus Dringlichkeit und Komfort, die von einer hektischen, holprigen Fahrt für jemanden in einer verzweifelten Krise bis hin zu einer langsamen, ultra-sanften Reise für einen Passagier, der sich unwohl fühlt, reichte. Für jedes dieser neun Szenarien schrieben sie natürliche Sprachbeschreibungen, die ein Passagier tatsächlich zu einem Fahrer sagen könnte, wie zum Beispiel: „Bitte, treten Sie aufs Gas! Mein Kind ist im Auto eingeschlossen“, oder „Könnten Sie bitte sanft fahren? Ich habe einen heißen Kaffee bei mir“. Diese Sammlung, die sie den PCT-Datensatz nennen, paart diese Textbeschreibungen mit den präzisen physischen Pfaden, die ein Auto nehmen sollte, um dieser spezifischen Stimmung zu entsprechen.

Mit diesen neuen Daten in der Hand entwickelten die Forscher ein System namens PersonaDrive. Dieses System fungiert als Übersetzer, der die Textanfrage des Passagiers entgegennimmt und sie in spezifische Anweisungen für die Lenkung und Beschleunigung des Autos umwandelt. Anstatt jede Anweisung als einfachen Schalter zu behandeln, lernt das System, den Pfad des Autos entlang zweier separater Achsen anzupassen. Wenn ein Passagier nach Geschwindigkeit verlangt, lernt das Auto, mehr Distanz in weniger Zeit zurückzulegen. Wenn ein Passagier nach Komfort verlangt, lernt das Auto, seine Kurven abzuflachen und plötzliche Ruckler zu vermeiden. Entscheidend ist, dass das System Anfragen bewältigen kann, die diese Bedürfnisse mischen, wie etwa einen Passagier, der in Eile ist, aber eine sanfte Fahrt benötigt, weil er zerbrechliche medizinische Ausrüstung transportiert. Die Forscher fanden heraus, dass das System, indem es das Auto lehrte, beide Achsen gleichzeitig zu respektieren, Trajektorien generieren konnte, die weitaus genauer auf die Absicht des Passagiers abgestimmt waren als bisherige Methoden, die oft in einem einzigen Fahrmodus stecken blieben.

Die Ergebnisse ihrer Experimente zeigten, dass dieser Ansatz signifikant besser funktioniert als ältere Modelle. In einem Standard-Fahrsimulator getestet, sagte das neue System konsistent den korrekten Pfad für alle neun verschiedenen Fahr-Personas voraus, während ältere Systeme oft daran scheiterten, zwischen einem Fahrer, der schnell fahren wollte, und einem, der sanft fahren wollte, zu unterscheiden. Die Forscher entdeckten auch, dass es effektiver war, dem Auto einfach eine Textbeschreibung zu geben, als ihm einen einfachen Code oder ein Label zu geben. Die Sprache selbst half dem System, die Nuancen der Anfrage zu verstehen, was es ermöglichte, ein kontinuierliches Spektrum an Fahrstilen anstelle von nur wenigen starren Kategorien zu kreieren. Dies deutet darauf hin, dass die Zukunft des autonomen Fahrens nicht darin bestehen könnte, ein Auto als die perfekte, emotionslose Maschine zu programmieren, sondern es zu lehren, die menschlichen Geschichten hinter der Reise zu verstehen und sein Verhalten an die einzigartigen Bedürfnisse jedes Passagiers anzupassen.