PersonaDrive: Controllable Trajectory Prediction with Multi-Dimensional Driving Personas

Ogni volta che un'auto a guida autonoma naviga in una trafficata strada cittadina, deve prendere una serie di decisioni in frazioni di secondo su dove andare e con quale velocità arrivarci. Per anni, i ricercatori hanno insegnato a questi veicoli a prevedere i percorsi futuri di altre auto e pedoni, ma i veicoli stessi sono stati ampiamente addestrati a guidare in un unico modo, sicuro e prevedibile. Sono programmati per essere l'autista ideale e prudente che non accelera mai inutilmente e non compie mai una curva stretta. Sebbene questo approccio sia sicuro, trascura una parte cruciale della realtà umana: le persone guidano in modo diverso a seconda di chi sono, dove stanno andando e come si sentono. Un genitore che corre con un bambino malato verso l'ospedale ha bisogno di una guida fluida e delicata, anche se ha fretta, mentre un vigile del fuoco che corre verso un incendio potrebbe aver bisogno di accettare un percorso più ruvido e aggressivo per risparmiare tempo. Fino ad ora, i sistemi autonomi hanno faticato a comprendere questi bisogni umani sottili e conflittuali, ricorrendo spesso a uno stile unico per tutti che appare robotico e scollegato dalla situazione reale del passeggero.

Un team di ricercatori della Corea del Sud ha affrontato questo problema creando un nuovo modo per insegnare alle auto a guida autonoma a comprendere la personalità al volante. Si sono resi conto che il comportamento di guida umano non riguarda solo l'essere veloci o lenti; è plasmato da due forze distinte. La prima è l'urgenza, che determina quanto velocemente un conducente vuole raggiungere la propria destinazione. La seconda è il comfort, che determina quanto fluidamente il conducente vuole viaggare, dando priorità a una corsa dolce rispetto alla velocità. Separando questi due fattori, i ricercatori hanno creato un nuovo framework che permette a un veicolo di essere istruito non solo per "guidare veloce" o "guidare piano", ma per adottare una specifica persona di guida che bilanci questi desideri contrastanti.

Per testare questa idea, il team ha dovuto prima costruire una nuova sorta di libreria di addestramento. Hanno preso migliaia di scene di guida reali e hanno utilizzato modelli linguistici avanzati per generare nove versioni diverse dello stesso viaggio. Ogni versione corrispondeva a una combinazione unica di urgenza e comfort, che spaziava da una corsa frenetica e sconnessa per qualcuno in una crisi disperata, a un viaggio lento e ultra-fluido per un passeggero che non si sente bene. Per ciascuno di questi nove scenari, hanno scritto descrizioni in linguaggio naturale che un passeggero potrebbe effettivamente dire a un autista, come "Per favore, acceleri! Mio figlio è rimasto chiuso in macchina", oppure "Potrebbe guidare con delicatezza? Ho un caffè caldo con me". Questa collezione, che chiamano dataset PCT, accoppia queste descrizioni testuali con i percorsi fisici precisi che un'auto dovrebbe seguire per corrispondere a quel particolare umore.

Con questo nuovo set di dati a disposizione, i ricercatori hanno sviluppato un sistema che hanno chiamato PersonaDrive. Questo sistema agisce come un traduttore, prendendo la richiesta testuale del passeggero e convertendola in istruzioni specifiche per lo sterzo e l'accelerazione dell'auto. Invece di trattare ogni istruzione come un semplice interruttore, il sistema impara ad aggiustare il percorso dell'auto lungo due assi separati. Se un passeggero chiede velocità, l'auto impara a coprire più distanza in meno tempo. Se un passeggero chiede comfort, l'auto impara a rendere le sue curve più fluide ed evitare scossoni improvvisi. Fondamentalmente, il sistema può gestire richieste che mescolano questi bisogni, come un passeggero che ha fretta ma ha bisogno di una guida fluida perché trasporta attrezzature mediche fragili. I ricercatori hanno scoperto che, insegnando all'auto a rispettare entrambi gli assi simultaneamente, essa poteva generare traiettorie che erano molto più accurate rispetto all'intento del passeggero rispetto ai metodi precedenti, che spesso rimanevano bloccati in un singolo modo di guida.

I risultati dei loro esperimenti hanno mostato che questo approoccio funziona significativamente meglio dei modelli precedenti. Testato su una simulazione di guida standard, il nuovo sistema ha previsto costantemente il percorso corretto per tutte le nove diverse persone di guida, mentre i sistemi più vecchi spesso fallivano nel distinguere tra un conducente che voleva essere veloce e uno che voleva essere fluido. I ricercatori hanno inoltre scoperto che fornire all'auto una descrizione testuale era più efficace che darle un semplice codice o un'etichetta. Il linguaggio stesso aiutava il sistema a comprendere le sfumature della richiesta, permettendogli di creare una gamma continua di stili di guida piuttosto che solo poche categorie rigide. Ciò suggerisce che il futuro della guida autonoma potrebbe non riguardare la programmazione di un'auto affinché sia una macchina perfetta e priva di emozioni, ma l'insegnamento di comprendere le storie umane che si celano dietro il viaggio, adattando il proprio comportamento per soddisfare le esigenze uniche di ogni passeggero.