Nuevo modelo para autos autónomos más seguros
Un enfoque novedoso para vehículos autónomos que prioriza la seguridad y la comodidad.
Tianyu Shi, Ilia Smirnov, Omar ElSamadisy, Baher Abdulhai
― 6 minilectura
Tabla de contenidos
En los últimos diez años, ha habido un creciente interés en los coches autónomos. Estos vehículos usan sistemas inteligentes que pueden moverse solos. Un método para entrenar estos sistemas se llama Aprendizaje por refuerzo (AR). Este enfoque ayuda a enseñar a los coches a conducir mejor optimizando diferentes objetivos, como ser eficientes, cómodos y seguros. Sin embargo, un gran problema con el AR es que estos sistemas a menudo no tienen medidas de Seguridad claras, lo que hace difícil confiar en ellos en situaciones del mundo real.
Este artículo habla de un nuevo modelo de AR para coches autónomos que asegura tanto un viaje cómodo como seguro. Este modelo puede seguir una ruta determinada mientras se asegura de que el vehículo pueda detenerse de forma segura si es necesario. Probamos este modelo en varias situaciones de conducción simuladas, incluyendo conducción en autopista, cambios de carril y detenerse en emergencias. Nuestros resultados muestran que otros modelos de AR podrían chocar durante las pruebas, mientras que nuestro modelo tuvo éxito en evitar accidentes siendo eficiente y cómodo.
Lo Básico de los Coches Autónomos
Los coches autónomos buscan mejorar el transporte usando tecnología que les permite conducir sin input humano. Estos vehículos deben considerar muchos factores, incluyendo la velocidad, cómo responder a otros coches y garantizar la Comodidad de los pasajeros. Una forma efectiva de mejorar estos sistemas de conducción es a través del Aprendizaje por Refuerzo.
En términos simples, el Aprendizaje por Refuerzo es un método donde los sistemas aprenden de la experiencia. El vehículo prueba diferentes acciones y recibe retroalimentación sobre cuán bien funcionaron. Con el tiempo, el sistema aprende a elegir acciones que llevan a los mejores resultados.
Seguridad en los Coches Autónomos
La seguridad es crucial en los vehículos autónomos. Muchos modelos tradicionales de AR no incluyen reglas de seguridad, lo que puede llevar a situaciones peligrosas en la carretera. Por ejemplo, si un vehículo líder frena de repente, un coche autónomo debe tener suficiente espacio para detenerse de manera segura sin chocar. Nuestro modelo incluye reglas de seguridad estrictas que previenen accidentes tanto durante el entrenamiento como en condiciones de conducción reales.
Modelo Propuesto
El modelo que proponemos está diseñado para seguir una ruta específica mientras hace cambios de carril según sea necesario. Puede manejar tanto cambios de carril necesarios, como cuando un coche debe salir de la autopista, como cambios de carril opcionales, como cuando un conductor quiere adelantar a un vehículo más lento.
El modelo tiene dos enfoques principales:
- Eficiencia: El coche debe moverse a la mayor velocidad segura posible.
- Comodidad: El viaje debe ser suave y no brusco.
Para cumplir con estos objetivos, nuestro modelo verifica la distancia al vehículo de delante y ajusta la velocidad y los cambios de carril en consecuencia. Asegura suficiente distancia para detenerse si es necesario y evita movimientos bruscos.
Formulación del Problema
Nuestro objetivo es construir un Controlador que pueda manejar un coche mientras viaja por una carretera de una o múltiples carriles. El coche reacciona en intervalos de tiempo definidos (como cada 0.1 segundos), ajustando su velocidad y posición en el carril. El vehículo recibe una ruta fija de un sistema de guía externo, asegurando que sigue el camino asignado mientras optimiza la velocidad y la comodidad.
El modelo simula diferentes escenarios de conducción para recopilar datos sobre su rendimiento. Al hacer esto, el modelo puede aprender de diversas condiciones de conducción y evitar posibles accidentes.
Restricciones de Seguridad
Las reglas de seguridad incorporadas en el modelo aseguran que el vehículo que sigue mantenga una distancia segura del líder. Si el líder frena repentinamente, el vehículo que sigue debe tener suficiente espacio para detenerse sin colisionar. Esta distancia se determina utilizando medidas fijas de tiempo y espacio para garantizar una red de seguridad completa.
Evaluación del Rendimiento
Para evaluar qué tan bien funciona el modelo, lo probamos en diversas escenas de conducción, incluyendo condiciones normales de autopista y situaciones donde se requerían paradas repentinas o cambios de carril. El objetivo principal era ver si el vehículo podía hacer cambios de carril inteligentemente y tomar las acciones correctas mientras mantenía seguros a sus pasajeros.
Durante las pruebas, comparábamos nuestro modelo con otros modelos existentes y establecíamos qué tan bien se desempeñaba en términos de velocidad, comodidad y seguridad. Nuestro modelo mostró consistentemente que podía adaptarse mejor a las condiciones cambiantes sin chocar.
Mecanismo de Aprendizaje
El modelo se entrena usando un método llamado Gradient de Politica Determinista Profunda (DDPG). Esta técnica permite que el modelo aprenda de sus experiencias y mejore con el tiempo. Ajusta sus acciones según el rendimiento pasado, volviéndose gradualmente mejor en tomar decisiones que llevan a una conducción segura y eficiente.
En la fase de entrenamiento, el vehículo aprende interactuando con entornos de tráfico simulados. La inicialización de los parámetros del modelo y la forma en que procesa la información son cruciales para su capacidad de adaptarse y responder a nueva información de manera efectiva.
Entornos de Simulación
El modelo de conducción autónoma fue evaluado en dos entornos principales:
- Red de Bucle: Una red sencilla que permite un entrenamiento y pruebas rápidos sin características complejas de carretera.
- Red de Autopista del Mundo Real: Un sistema vial intrincado basado en diseños de autopistas reales. Este entorno evalúa cómo maneja el vehículo las condiciones de la vida real, incluyendo cambios de carril y salidas de autopistas.
Resultados y Análisis
Los resultados de las pruebas muestran que nuestro modelo superó a otros modelos, especialmente en seguridad. Mientras que los modelos competidores tuvieron tasas de choque más altas durante varios escenarios, nuestro modelo mantuvo una tasa de choque del 0%. También fue mejor para mantener altas velocidades y viajes suaves, demostrando su fortaleza tanto en seguridad como en comodidad.
Conclusión
La seguridad sigue siendo una preocupación significativa en los sistemas de coches autónomos basados en AR. Aunque los métodos tradicionales muestran promesas para mejorar varios aspectos de la conducción, a menudo no incluyen suficientes medidas de seguridad. Nuestro modelo propuesto combina las fortalezas del AR con estrictas restricciones de seguridad que previenen accidentes. Pruebas extensas han mostrado que nuestro controlador no solo evita choques, sino que también mantiene una excelente eficiencia y comodidad mientras sigue rutas inteligentemente.
A través de la investigación y el desarrollo continuo, creemos que este enfoque puede llevar a sistemas de conducción autónoma más seguros en el futuro, potencialmente reformulando la manera en que pensamos sobre los viajes por carretera y el transporte en general.
Título: SECRM-2D: RL-Based Efficient and Comfortable Route-Following Autonomous Driving with Analytic Safety Guarantees
Resumen: Over the last decade, there has been increasing interest in autonomous driving systems. Reinforcement Learning (RL) shows great promise for training autonomous driving controllers, being able to directly optimize a combination of criteria such as efficiency comfort, and stability. However, RL- based controllers typically offer no safety guarantees, making their readiness for real deployment questionable. In this paper, we propose SECRM-2D (the Safe, Efficient and Comfortable RL- based driving Model with Lane-Changing), an RL autonomous driving controller (both longitudinal and lateral) that balances optimization of efficiency and comfort and follows a fixed route, while being subject to hard analytic safety constraints. The aforementioned safety constraints are derived from the criterion that the follower vehicle must have sufficient headway to be able to avoid a crash if the leader vehicle brakes suddenly. We evaluate SECRM-2D against several learning and non-learning baselines in simulated test scenarios, including freeway driving, exiting, merging, and emergency braking. Our results confirm that representative previously-published RL AV controllers may crash in both training and testing, even if they are optimizing a safety objective. By contrast, our controller SECRM-2D is successful in avoiding crashes during both training and testing, improves over the baselines in measures of efficiency and comfort, and is more faithful in following the prescribed route. In addition, we achieve a good theoretical understanding of the longitudinal steady-state of a collection of SECRM-2D vehicles.
Autores: Tianyu Shi, Ilia Smirnov, Omar ElSamadisy, Baher Abdulhai
Última actualización: 2024-07-23 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2407.16857
Fuente PDF: https://arxiv.org/pdf/2407.16857
Licencia: https://creativecommons.org/licenses/by/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.