PersonaDrive: Controllable Trajectory Prediction with Multi-Dimensional Driving Personas

Elke keer dat een zelfrijdende auto door een drukke stadsstraat navigeert, moet deze een reeks beslissingen in fracties van seconden nemen over waarheen te gaan en hoe snel daar te komen. Jarenlang hebben onderzoekers deze voertuigen geleerd om de toekomstige paden van andere auto's en voetgangers te voorspellen, maar de voertuigen zelf zijn grotendeels getraind om op één enkele, veilige en voorspelbare manier te rijden. Ze zijn geprogrammeerd om de ideale, voorzichtige bestuurder te zijn die nooit onnodig versnelt en nooit een scherpe bocht neemt. Hoewel deze aanpak veilig is, mist het een cruciaal deel van de menselijke realiteit: mensen rijden anders afhankelijk van wie ze zijn, waar ze naartoe gaan en hoe ze zich voelen. Een ouder die met spoed een ziek kind naar het ziekenhuis brengt, heeft behoef even een soepele, zachte rit nodig, zelfs als er haast bij is, terwijl een brandweerman die naar een brand rijdt, misschien een ruwere, agressievere route moet accepteren om tijd te besparen. Tot nu toe hadden autonome systemen moeite om deze subtiele, tegenstrijdige menselijke behoeften te begrijpen, en vervielen ze vaak in een eenheidsworst die robotachtig en losgekoppeld voelde van de werkelijke situatie van de passagier.

Een team van onderzoekers uit Zuid-Korea heeft dit probleem aangepakt door een nieuwe manier te creëren om zelfrijdende auto's te leren de persoonlijkheid achter het stuur te begrijpen. Ze realiseerden zich dat menselijk rijgedrag niet alleen gaat over snel of langzaam zijn; het wordt gevormd door twee onderscheidende krachten. De eerste is urgentie, die bepaalt hoe snel een bestuurder zijn bestemming wil bereiken. De tweede is comfort, die bepaalt hoe soepel de bestuurder wil reizen, waarbij de voorkeur wordt gegeven aan een zachte rit boven snelheid. Door deze twee factoren van elkaar te scheiden, creëerden de onderzoekers een nieuw kader waarmee een voertuig niet alleen geïnstrueerd kan worden om "snel te rijden" of "langzaam te rijden", maar een specifieke rij-persona kan aannemen die deze concurrerende verlangens in balans brengt.

Om dit idee te testen, moest het team eerst een nieuw soort trainingsbibliotheek bouwen. Ze namen duizenden echte rijscènes en gebruikten geavanceerde taalmodellen om negen verschillende versies van dezelfde reis te genereren. Elke versie kwam overeen met een unieke combinatie van urgentie en comfort, variërend van een hectische, hobbelige rit voor iemand in een wanhopige crisis tot een langzame, ultra-soepele reis voor een passagier die zich onwel voelt. Voor elk van deze negen scenario's schreven ze natuurlijke taalbeschrijvingen die een passagier daadwerkelijk tegen een chauffeur zou kunnen zeggen, zoals "Alsjeblieft, trap eens door! Mijn kind zit opgesloten in de auto," of "Zou u even rustig aan willen rijden? Ik heb een warme kop koffie bij me." Deze collectie, die ze de PCT-dataset noemen, koppelt deze tekstuele beschrijvingen aan de precieze fysieke paden die een auto moet volgen om dat specifieke humeur te evenaren.

Met deze nieuwe data in handen ontwikkelden de onderzoekers een systeem dat ze PersonaDrive noemden. Dit systeem fungeert als een vertaler, die het tekstuele verzoek van de passagier neemt en dit omzet in specifieke instructies voor het sturen en accelereren van de auto. In plaats van elke instructie als een simpele schakelaar te behandelen, leert het systeem de route van de auto langs twee aparte assen aan te passen. Als een passagier om snelheid vraagt, leert de auto meer afstand in minder tijd af te leggen. Als een passagier om comfort vraagt, leert de auto de bochten af te vlakken en plotselinge schokken te vermijden. Cruciaal is dat het systeem verzoeken kan afhandelen die deze behoeften mengen, zoals een passagier die haast heeft maar een soepele rit nodig heeft omdat hij kwetsbare medische apparatuur bij zich draagt. De onderzoekers ontdekten dat door de auto te leren beide assen tegelijkertijd te respecteren, het systeem trajecten kon genereren die veel nauwkeuriger waren aan de intentie van de passagier dan eerdere methoden, die vaak vastliepen in één enkele rijmodus.

De resultaten van hun experimenten toonden aan dat deze aanpak aanzienlijk beter werkt dan oudere modellen. Bij tests in een standaard rijsimulator voorspelde het nieuwe systeem consequent het juiste pad voor alle negen verschillende rij-persona's, terwijl oudere systemen vaak faalden om het onderscheid te maken tussen een bestuurder die snel wilde rijden en een die soepel wilde rijden. De onderzoekers ontdekten ook dat het simpelweg geven van een tekstuele beschrijving effectiever was dan het geven van een eenvoudige code of label. De taal zelf hielp het systeem de nuances van het verzoek te begrijpen, waardoor het een continu spectrum aan rijstijlen kon creëren in plaats van slechts een paar rigide categorieën. Dit suggereert dat de toekomst van autonoom rijden niet gaat over het programmeren van een auto om de perfecte, emotieloze machine te zijn, maar over het leren begrijpen van de menselijke verhalen achter de reis, waarbij het gedrag wordt aangepast aan de unieke behoeften van elke passagier.