Designing Versatile Samples for Learned Trajectory Scoring

Autonome voertuigen staan voor een fundamentele uitdaging die verder gaat dan simpelweg de weg kunnen zien. Waar vroege systemen probeerden één enkel, perfect pad naar voren te berekenen, is het echte verkeer zelden zo rechttoe rechtaan. Een auto die een kruispunt nadert, moet meerdere mogelijkheden afwegen: links afslaan, rechtdoor gaan, of misschien wachten op een voetganger. Deze onzekerheid, bekend als multimodaliteit, betekent dat een veilig rij-systeem niet slechts één antwoord kan geven; het moet een kleine set van mogelijke routes genereren en vervolgens de beste kiezen. Dit selectieproces is cruciaal. Als het systeem een pad kiest dat er veilig uitziet maar eigenlijk te dicht bij een stoeprand of een voorganger ligt, kan het resultaat een verkeersovertreding of een botsing zijn. Het vermogen om onderscheid te maken tussen een bijna-ongeval en een ramp, vaak gescheiden door slechts enkele centimeters, is het verschil tussen een soepele rit en een gevaarlijke fout.

Onderzoekers aan de Purdue University en het Bosch Artificial Intelligence Center hebben een nieuwe manier ontwikkeld om computers te leren hoe ze deze kritieke keuzes moeten maken. Hun werk richt zich op de "scorer", het deel van de software dat verantwoordelijk is voor het rangschikken van een lijst met kandidaat-paden en het kiezen van de winnaar. Ze ontdekten dat de standaardmanier waarop deze scorers worden getraind, hen onvoorbereid liet op de moeilijkste situaties. Door een gespecialiseerde trainingsdataset te creëren die voertuigen doelbewust naar de uiterste rand van de veiligheid duwt, waren zij in staat om de prestaties van deze systemen in complexe rijsituaties aanzienlijk te verbeteren.

De kern van het probleem ligt in de manier waarop deze systemen momenteel worden onderwezen. De meeste autonome rijbeleidssystemen werken in twee fasen. Eerst genereert een "planner" een reeks mogbare trajecten op basis van wat hij ziet op de weg, meestal rond de twintig of zo. Dit zijn de opties die de auto zou kunnen nemen. Ten tweede beoordeelt een "scorer" deze lijst en selecteert het enkele beste pad om uit te voeren. De onderzoekers ontdekten dat de planners vrij goed zijn in het vermijden van overduidelijke crashes, waardoor hun lijsten met opties de neiging hebben te clusteren rond veilig en comfortabel rijgedrag. Ze bevatten zelden paden die gevaarlijk dicht bij de rand van de weg liggen of direct achter een ander voertuig. Dit creëert een blinde vlek voor de scorer. Omdat de trainingsdata een tekort heeft aan voorbeelden van deze risicovolle, grensverleggende scenario's, leert de scorer nooit het verschil te zien tussen een pad dat slechts dicht bij een overtreding komt en een pad dat daadwerkelijk een regel overtreedt. Het is alsof je een student leert de temperatuur van water te beoordelen door hem alleen lauwe monsters te laten voelen; hij zal nooit het verschil leren tussen heet en koud als hij nooit een van beide extremen heeft gevoeld.

Om dit op te lossen, ontwierp het team een methode om kunstmatig de ontbrekende "edge cases" te creëren. Ze begonnen met het werkelijke pad dat een menselijke bestuurder nam in een opgenomen scène en verplaatsten dit pad vervolgens systematisch in twee specifieke richtingen. In de eerste richting verschoven ze het pad zijwaarts, waardoor het steeds dichter bij de rand van de rijbaan kwam, totdat het de grens overschreed. In de tweede richting bewogen ze de auto vooruit langs zijn pad, waardoor hij steeds dichter bij het voertuig voor hem kwam, totdat hij hem zou hebben geraakt. Door dit in kleine, gegradeerde stappen te doen, creëerden ze een ladder van scenario's variërend van veilige bijna-ongelukken tot duidelijke overtredingen. Deze synthetische paden werden vervolgens in een simulator gevoed om te zien hoe de verkeersregels ze precies zouden beoordelen. Dit proces genereerde een rijke set positieve en negatieve voorbeelden die de oorspronkelijke planner nooit uit zichzelf had geproduceerd.

De onderzoekers koppelden deze nieuwe trainingsdata aan een modern scoringsysteem gebaseerd op een type neuraal netwerk genaamd een transformer, die uitstekend is in het begrijpen van sequenties en relaties. Ze testten deze opstelling met behulp van twee verschillende, bestaande planningssystemen die volledig ongewijzigd bleven. Eén systeem gebruikte zowel camera's als laserscanners, terwijl het andere systeem alleen op camera's vertrouwde. In beide gevallen werd de scorer apart getraind op de nieuwe, uitgebreide dataset, terwijl de planner bevroren bleef. De resultaten waren opmerkelijk. Wanneer het systeem werd getest op een grote benchmark van real-world rijsituaties, koos de nieuwe scorer consequent veiligere paden. Op het camera-only systeem verbeterde de algemene score van 89,5 naar 90,4. Op het systeem dat zowel camera's als lasers gebruikte, steeg deze van 88,3 naar 90,1.

De verbetering was niet uniform over alle aspecten van het rijden, wat precies onthulde wat de nieuwe trainingsdata had bereikt. Het systeem werd aanzienlijk beter in het vermijden van botsingen en het binnen de rijbaan blijven, wat de meest kritieke veiligheidsfactoren zijn. Sterker nog, de onderzoekers ontdekten dat de winst bijna volledig geconcentreerd was in deze veiligheidsmetrieken. Het systeem werd iets minder agressief in zijn voortgang en het aanhouden van de rijstrook, een compromis dat het scoringsysteem accepteerde om veiligheid te waarborgen. Dit suggereert dat de nieuwe trainingsdata de scorer er succesvol in hebben gebracht om de voorkeur te geven aan het vermijden van regelovertredingen boven het maximaliseren van snelheid of comfort wanneer deze met elkaar in conflict komen.

Om te bewijzen dat de verbetering voortkwam uit het specifieke ontwerp van de nieuwe data en niet alleen uit het hebben van meer data, vergeleken de onderzoekers hun methode met een versie die gebruikmaakte van willekeurig gegenereerde paden. De willekeurige data boden bijna geen enkel voordeel, wat bevestigde dat de zorgvuldige constructie van de trainingsset de sleutel was. Het specifieke ontwerp van het naar de wegkant en de auto voor bewegen was wat telde. De studie toont aan dat de kwaliteit van de trainingsdata net zo belangrijk is als de architectuur van het neurale netwerk zelf. Door doelbewust een dataset te construeren die de beslissingsgrenzen dekt waar ongelukken gebeuren, lieten de onderzoekers zien dat een bevroren planner gekoppeld kan worden aan een veel slimmere scorer zonder het hele systeem opnieuw te hoeven trainen. Deze aanpak biedt een praktische en efficiënte weg naar veiliger autonoom rijden, waarbij bewezen wordt dat soms de beste manier om het oordeel van een machine te verbeteren, is door haar precies te laten zien waar de grens ligt.