Neuraal netwerk laat autonome voertuigen met onbekende omstandigheden omgaan

Een nieuw systeem kan de wijze waarop autonome voertuigen met veeleisende en onbekende omstandigheden omgaan verbeteren. Het neurale netwerk stelt zelfrijdende voertuigen in staat natuurkundige gegevens te combineren met eerdere rijervaringen om ook onder omstandigheden die het voertuig nog niet eerder heeft gezien veilig te rijden.

Het neurale netwerk is ontwikkeld door de Stanford University. Net als menselijke bestuurders worden autonome voertuigen met regelmaat geconfronteerd met veeleisende omstandigheden, zoals wegen die glad zijn door ijs of modder. Menselijke bestuurders kunnen in dit geval teruggrijpen op rijervaringen die zij eerder hebben gedaan om hun rijgedrag aan te passen en in deze omstandigheden veilig te kunnen rijden. Autonome voertuigen hebben deze mogelijkheid echter niet, aangezien deze voertuigen hun beslissingen doorgaans baseren op voorgeprogrammeerde regels en waarnemingen met behulp van sensoren en camera’s. 

Natuurkunde combineren met data-gedreven methodes

“Met de hedendaagse technieken moet je doorgaans kiezen tussen data-gedreven methodes en methodes die gebaseerd zijn op fundamentele natuurkunde”, legt J. Christian Gerdes, als hoogleraar werktuigbouwkunde verbonden aan de Stanford University en betrokken bij de ontwikkeling van het neurale netwerk. “We denken dat de toekomst ligt in een combinatie van deze methodes, zodat de individuele krachten van beide benut kunnen worden. Natuurkunde kan helpen neurale netwerkmodellen te structureren en valideren, zodat zij vervolgens ingezet kunnen worden om massale hoeveelheden data te verwerken.” 

Het neurale netwerk wordt ingezet om te bepalen welke weerstand een weg oplevert. Dit is een belangrijk gegeven dat onder meer bepaalt hoe hard een voertuig veilig kan afremmen, accelereren en bochten kan nemen. “Ervaren bestuurders, met name indien zij race-ervaring hebben op amateur-niveau of hoger, zijn in staat een voertuig veilig op de grens te laten opereren. In de racerij wordt dit gedemonstreerd door lage en consistente rondetijden neer te zetten. In een kritieke situatie betekent dit echter het kunnen inzetten van alle weerstand die de weg biedt om een ongeluk te voorkomen”, schrijven de onderzoekers in een wetenschappelijk artikel in Science Robotics.

Het neurale netwerk zet bij het analyseren van de weerstand van de weg informatie in die is verzameld tijdens eerdere rijervaringen die zijn opgedaan op de racebaan Thunderhill Raceway Park in Willows, Californië en in een wintertestfaciliteit. Deze ervaring is opgedaan met een tweetal zelfrijdende auto’s van de universiteit: een autonome Volkswagen GTI genaamd ‘Niki’ en een autonome Audi TTS genaamd Shelley. 

Veiligheid

“Onze werk wordt gemotiveerd door veiligheid. We willen autonome voertuigen in uiteenlopende situaties laten opereren, variërend van rijden onder normale omstandigheden op asfalt met veel frictie tot snel rijden op ijs en sneeuw met weinig frictie”, aldus Nathan Spielberg, een postdoctoraal student werktuigbouwkunde van de Stanford University. “We willen dat onze algoritmes net zo goed presteren als de meest vaardige bestuurders – en hopelijk zelfs beter.” 

Het neurale netwerk is tijdens een test vergeleken met een ervaren menselijke bestuurder. In de eerste fase van de test reed Shelley met een op natuurkunde gebaseerd model dat vooraf werd voorzien van informatie over de baan en omstandigheden. Met dit systeem wist de autonome Audi TTS gedurende tien rondes rondetijden neer te zetten die vergelijkbaar zijn met die van een ervaren coureur op amateurniveau. Vervolgens is de Volkswagen GTI van de universiteit ‘Niki’ met het nieuwe neurale netwerk de baan opgestuurd. Dit neurale netwerk kreeg tijdens deze test geen informatie mee over de weerstand van de weg en moest deze weerstand zelf bepalen op basis van eerdere rijervaringen. Desondanks noteerden Shelley en Niki gedurende de test vergelijkbare rondetijden.

Ook zijn gesimuleerde testen uitgevoerd. Tijdens deze testen presteerde het neurale netwerk beter dan het op natuurkunde-gebaseerde systeem, zowel in scenario’s met veel als weinig weerstand van de weg. Vooral in situaties waarin beide omstandigheden worden gecombineerd – zoals een koude winterdag waarop op sommige delen van de weg goed begaanbaar zijn en andere delen glad – presteert het systeem volgens de onderzoekers goed.

Netwerk verder ontwikkelen

De onderzoekers benadrukken dat hun neurale netwerk alleen goed presteert in omstandigheden die het eerder zelf heeft ervaren; met situaties waarin geen eerdere rijervaring is opgedaan kan het netwerk niet overweg. De onderzoekers wijzen echter op de enorme hoeveelheid data die vandaag de dag door autonome voertuigen worden verzameld. Indien deze gegevens worden ingezet om het neurale netwerk verder te trainen, is het mogelijk het netwerk verder te ontwikkelen en met een brede reeks omstandigheden om te laten gaan. 

Auteur: Wouter Hoeffnagel
Bron: Stanford University
Foto door: Kurt Hickman