No campo de carros autônomos, algoritmos para controlar mudanças de faixa são um importante tópico de estudo. Mas a maioria dos algoritmos de mudança de faixa existentes tem uma de duas desvantagens:ou eles dependem de modelos estatísticos detalhados do ambiente de condução, que são difíceis de montar e muito complexos para analisar em tempo real; ou são tão simples que podem levar a decisões pouco conservadoras, como nunca mudar de faixa.

Na Conferência Internacional sobre Robótica e Automação amanhã, pesquisadores do Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL) apresentarão um novo algoritmo de mudança de faixa que divide a diferença. Ele permite mudanças de faixa mais agressivas do que os modelos simples, mas depende apenas de informações imediatas sobre as direções e velocidades de outros veículos para tomar decisões.

"A motivação é, 'O que podemos fazer com o mínimo de informação possível?' "Diz Alyssa Pierson, pós-doutorado em CSAIL e primeiro autor do novo artigo. "Como podemos fazer com que um veículo autônomo se comporte como um motorista humano se comportaria? Qual é a quantidade mínima de informações de que o carro precisa para obter esse comportamento humano?"

Pierson é acompanhado no papel por Daniela Rus, o Professor Viterbi de Engenharia Elétrica e Ciência da Computação; Sertac Karaman, professor associado de aeronáutica e astronáutica; e Wilko Schwarting, um estudante de graduação em engenharia elétrica e ciência da computação.

"A solução de otimização garantirá a navegação com mudanças de faixa que podem modelar uma gama completa de estilos de direção, de conservador a agressivo, com garantias de segurança, "diz Rus, quem é o diretor do CSAIL.

Uma maneira padrão para veículos autônomos evitarem colisões é calcular zonas-tampão ao redor dos outros veículos no ambiente. As zonas tampão descrevem não apenas as posições atuais dos veículos, mas suas prováveis ​​posições futuras dentro de um determinado período de tempo. O planejamento de mudanças de faixa torna-se então uma questão de simplesmente ficar fora das zonas tampão dos outros veículos.

Para qualquer método de computação de zonas tampão, designers de algoritmos devem provar que garante a prevenção de colisões, dentro do contexto do modelo matemático usado para descrever os padrões de tráfego. Essa prova pode ser complexa, portanto, as zonas de amortecimento ideais são geralmente calculadas com antecedência. Durante a operação, o veículo autônomo então chama as zonas tampão pré-computadas que correspondem à sua situação.

O problema é que, se o tráfego for rápido e denso o suficiente, zonas tampão pré-computadas podem ser muito restritivas. Um veículo autônomo não conseguirá mudar de faixa de forma alguma, ao passo que um motorista humano ziguezagueava alegremente pela estrada.

Com o sistema dos pesquisadores do MIT, se as zonas de buffer padrão estão levando a um desempenho muito pior do que o de um motorista humano, o sistema irá computar novas zonas de amortecimento em tempo real - completo com prova de prevenção de colisão.

Essa abordagem depende de um método matematicamente eficiente de descrever zonas tampão, para que a prova para evitar colisões possa ser executada rapidamente. E é isso que os pesquisadores do MIT desenvolveram.

Eles começam com a chamada distribuição gaussiana - a conhecida distribuição de probabilidade da curva em sino. Essa distribuição representa a posição atual do carro, levando em consideração seu comprimento e a incerteza de sua estimativa de localização.

Então, com base em estimativas da direção e velocidade do carro, o sistema dos pesquisadores constrói a chamada função logística. Multiplicar a função logística pela distribuição gaussiana distorce a distribuição na direção do movimento do carro, com velocidades mais altas, aumentando a inclinação.

A distribuição enviesada define a nova zona tampão do veículo. Mas sua descrição matemática é tão simples - usando apenas algumas variáveis ​​de equação - que o sistema pode avaliá-la em tempo real.

Os pesquisadores testaram seu algoritmo em uma simulação incluindo até 16 carros autônomos dirigindo em um ambiente com várias centenas de outros veículos.

"Os veículos autônomos não estavam em comunicação direta, mas executaram o algoritmo proposto em paralelo, sem conflito ou colisões, "explica Pierson." Cada carro usava um limite de risco diferente que produzia um estilo de direção diferente, permitindo-nos criar drivers conservadores e agressivos. Usando a estática, zonas tampão pré-computadas só permitiriam direção conservadora, enquanto nosso algoritmo dinâmico permite uma gama mais ampla de estilos de direção. "