Designing Versatile Samples for Learned Trajectory Scoring

I veicoli autonomi affrontano una sfida fondamentale che va ben oltre il semplice vedere la strada. Mentre i primi sistemi cercavano di calcolare un unico, perfetto percorso in avanti, la guida nel mondo reale è raramente così lineare. Un'auto che si avvicina a un incrocio deve valutare molteplici possibilità: svoltare a sinistra, andare dritto o forse aspettare un pedone. Questa incertezza, nota come multimodalità, significa che un sistema di guida sicuro non può limitarsi a fornire una singola risposta; deve generare un piccolo insieme di possibili percorsi e poi scegliere il migliore. Questo processo di selezione è critico. Se il sistema sceglie un percorso che sembra sicuro ma che è in realtà troppo vicino a un cordolo o a un'auto che precede, il risultato può essere una violazione del codice della strada o una collisione. La capacità di distinguere tra un quasi incidente e un disastro, spesso separati da pochi centimetri, è la differenza tra un tragitto fluido e un fallimento pericoloso.

Ricercatori della Purdue University e del Bosch Artificial Intelligence Center hanno sviluppato un nuovo modo per insegnare ai computer come prendere queste decisioni critiche. Il loro lavoro si concentra sullo "scorer" (il valutatore), la parte del software responsabile del classificare una lista di percorsi candidati e di scegliere il vincitore. Hanno scoperto che il modo standard di addestrare questi valutatori li lasciava impreparati di fronte alle situazioni più difficili. Creando un dataset di addestramento specializzato che spinge deliberatamente i veicoli proprio al limite della sicurezza, sono riusciti a migliorare significamente le prestazioni di questi sistemi in scenari di guida complessi.

Il nocciolo del problema risiede nel modo in cui questi sistemi vengono attualmente istruiti. La maggior parte delle politiche di guida autonoma lavora in due fasi. Primo, un "planner" (pianificatore) osserva la strada e genera un pool di possibili traiettorie, solitamente circa venti. Questi sono le opzioni che l'auto potrebbe intraprendere. Secondo, uno "scorer" esamina questo elenco e seleziona l'unico percorso migliore da eseguire. I ricercatori hanno scoperto che i pianificatori sono piuttosto bravi nell'evitare scontri ovvi, quindi i loro elenchi di opzioni tendono a raggrupparsi attorno a una guida sicura e confortevole. Raramente includono percorsi che siano pericolosamente vicini al bordo della strada o proprio dietro un'altra auto. Questo crea un punto cieco per lo scorer. Poiché i dati di addestramento mancano di esempi di questi scenari rischiosi e al limite, lo scorer non impara mai a distinguere tra un percorso che è solo vicino a una violazione e uno che viola effettivamente una regola. È come insegnare a uno studente a giudicare la temperatura dell'acqua mostrandogli solo campioni tiepidi; non imparerà mai a distinguere tra caldo e freddo se non prova mai gli estremi.

Per risolvere questo problema, il team ha progettato un metodo per creare artificialmente gli "edge cases" (casi limite) mancanti. Sono partiti dal percorso effettivo intrapreso da un conducente umano in una scena registrata e poi hanno sistematicamente spostato il percorso in due direzioni specifiche. Nella prima direzione, hanno spostato il percorso lateralmente, avvicinandolo sempre più al bordo della strada percorribile finché non ha attraversato il confine. Nella seconda direzione, hanno spostato l'auto in avanti lungo il suo percorso, avvicinandola sempre più al veicolo che la precedeva finché non l'avrebbe colpita. Facendo ciò attraverso piccoli passi graduati, hanno creato una scala di scenari che vanno dai quasi incidenti sicuri alle chiare violazioni. Questi percorsi sintetici sono stati poi inseriti in un simulatore per vedere esattamente come le regole della strada li avrebbero giudicati. Questo processo ha generato un ricco insieme di esempi positivi e negativi che il pianificatore originale non avrebbe prodotto da solo.

I ricercatori hanno collegato questo nuovo dato di addestramento a un moderno sistema di scoring basato su un tipo di rete neurale chiamata transformer, che è eccellente nel comprendere sequenze e relazioni. Hanno testato questa configurazione utilizzando due diversi sistemi di pianificazione preesistenti che sono stati lasciati completamente invariati. Un sistema utilizzava sia telecamere che scanner laser, mentre l'altro si affidava solo alle telecamere. In entrambi i casi, lo scorer è stato addestrato separatamente sul nuovo dataset aumentato, mentre il pianificatore rimaneva congelato. I risultati sono stati sorprendenti. Quando il sistema è stato testato su un ampio benchmark di scene di guida reali, il nuovo scorer ha costantemente scelto percorsi più sicuri. Nel sistema basato solo su telecamere, il punteggio complessivo delle prestazioni è migliorato da 89,5 a 90,4. Nel sistema che utilizza sia telecamere che laser, è salito da 88,3 a 90,1.

Il miglioramento non è stato uniforme in tutti gli aspetti della guida, il che ha rivelato esattamente cosa ha ottenuto il nuovo set di dati. Il sistema è diventato significativamente migliore nell'evitare collisioni e nel rimanere all'interno dell'area percorribile, che sono i fattori di sicurezza più critici. Infatti, i ricercatori hanno scoperto che i guadagni erano concentrati quasi interamente in queste metriche di sicurezza. Il sistema è diventato leggermente meno aggressivo nel progredire e nel mantenere la corsia, un compromesso che il sistema di scoring ha accettato per garantire la sicurezza. Ciò suggerisce che il nuovo set di dati ha insegnato con successo allo scorer a dare priorità all'evitare violazioni delle regole rispetto alla massimizzazione della velocità o del comfort quando questi due elementi sono in conflitto.

Per dimostrare che il miglioramento derivava dalla progettazione specifica del nuovo dato e non solo dal fatto di avere più dati, i ricercatori hanno confrontato il loro metodo con una versione che utilizzava percorsi generati casualmente. I dati casuali non hanno fornito quasi alcun beneficio, confermando che la costruzione attenta del set di addestramento era la chiave. La progettazione specifica dello spostamento dell'auto verso il bordo della strada e verso l'auto che precede era ciò che contava. Lo studio dimostra che la qualità dei dati di addestramento è importante quanto l'architettura della rete neurale stessa. Costruendo deliberatamente un dataset che copra i confini decisionali dove avvengono gli incidenti, i ricercatori hanno dimostrato che un pianificatore congelato può essere accoppiato con uno scorer molto più intelligente senza dover riaddestrare l'intero sistema. Questo approccio offre una via pratica ed efficiente verso una guida autonoma più sicura, provando che a volte il modo migliore per migliorare il giudizio di una macchina è mostrarle esattamente dove si trova la linea.