p Os pesquisadores do MIT e da Toyota projetaram um novo modelo para ajudar os veículos autônomos a determinar quando é seguro entrar no trânsito em cruzamentos com vistas obstruídas. p Cruzar cruzamentos pode ser perigoso para carros sem motorista e humanos. Em 2016, cerca de 23 por cento dos acidentes de trânsito fatais e 32 por cento dos não fatais dos EUA ocorreram em cruzamentos, de acordo com um estudo do Departamento de Transporte de 2018. Os sistemas automatizados que ajudam os carros sem motorista e motoristas humanos a dirigir nos cruzamentos podem exigir visibilidade direta dos objetos que devem ser evitados. Quando sua linha de visão é bloqueada por edifícios próximos ou outras obstruções, esses sistemas podem falhar.

p Os pesquisadores desenvolveram um modelo que, em vez disso, usa sua própria incerteza para estimar o risco de colisões potenciais ou outras interrupções de tráfego em tais interseções. Ele pesa vários fatores críticos, incluindo todas as obstruções visuais próximas, ruído e erros do sensor, a velocidade de outros carros, e até mesmo a atenção de outros motoristas. Com base no risco medido, o sistema pode aconselhar o carro a parar, puxar para o tráfego, ou avance para coletar mais dados.

p "Quando você se aproxima de um cruzamento, há perigo potencial de colisão. Câmeras e outros sensores exigem linha de visão. Se houver oclusões, eles não têm visibilidade suficiente para avaliar se é provável que algo esteja por vir, "diz Daniela Rus, diretor do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) e os Professores Andrew e Erna Viterbi de Engenharia Elétrica e Ciência da Computação. "Nesse trabalho, usamos um modelo de controle preditivo que é mais robusto para a incerteza, para ajudar os veículos a navegar com segurança por essas situações de estrada desafiadoras. "

p Os pesquisadores testaram o sistema em mais de 100 tentativas de carros controlados remotamente virando à esquerda em um local movimentado, interseção obstruída em uma cidade fictícia, com outros carros passando constantemente pela rua transversal. Os experimentos envolveram carros totalmente autônomos e carros dirigidos por humanos, mas assistidos pelo sistema. Em todos os casos, o sistema ajudou com sucesso os carros a evitar colisões de 70 a 100 por cento do tempo, dependendo de vários fatores. Outros modelos semelhantes implementados nos mesmos carros de controle remoto às vezes não conseguiam completar um único teste sem uma colisão.

p Juntando-se à Rus no papel estão:primeiro autor Stephen G. McGill, Guy Rosman, e Luke Fletcher, do Toyota Research Institute (TRI); alunos de graduação Teddy Ort e Brandon Araki, pesquisadora Alyssa Pierson, e pós-doutorado Igor Gilitschenski, todo CSAIL; Sertac Karaman, professor associado de aeronáutica e astronáutica do MIT; e John J. Leonard, o Professor Samuel C. Collins de Engenharia Mecânica e Oceânica do MIT e um consultor técnico do TRI.

p Modelagem de segmentos de estradas

p O modelo é projetado especificamente para cruzamentos de estradas em que não há semáforo e um carro deve ceder antes de entrar no trânsito na via transversal, como virar à esquerda em várias pistas ou rotatórias. Em seu trabalho, os pesquisadores dividiram uma estrada em pequenos segmentos. Isso ajuda o modelo a determinar se algum segmento está ocupado para estimar um risco condicional de colisão.

p Carros autônomos são equipados com sensores que medem a velocidade de outros carros na estrada. Quando um sensor detecta um carro que passa viajando em um segmento visível, o modelo usa essa velocidade para prever a progressão do carro em todos os outros segmentos. Uma "rede bayesiana" probabilística também considera incertezas - como sensores barulhentos ou mudanças imprevisíveis de velocidade - para determinar a probabilidade de cada segmento ser ocupado por um carro que passa.

p Por causa de oclusões próximas, Contudo, esta única medição pode não ser suficiente. Basicamente, se um sensor não consegue ver um segmento de estrada designado, então, o modelo atribui a ele uma alta probabilidade de ser obstruído. De onde o carro está posicionado, o risco de colisão é maior se o carro apenas entrar rapidamente no trânsito. Isso estimula o carro a avançar para obter uma melhor visão de todos os segmentos obstruídos. Enquanto o carro faz isso, o modelo reduz sua incerteza e, por sua vez, risco.

p Mas mesmo que o modelo faça tudo corretamente, ainda há erro humano, portanto, o modelo também estima o conhecimento de outros motoristas. "Nos dias de hoje, os motoristas podem estar enviando mensagens de texto ou distraídos de alguma outra forma, então a quantidade de tempo que leva para reagir pode ser muito mais longa, "McGill diz." Nós modelamos esse risco condicional, também."

p Isso depende do cálculo da probabilidade de um motorista ter visto ou não o carro autônomo entrando no cruzamento. Para fazer isso, o modelo analisa o número de segmentos pelos quais um carro em movimento passou antes da interseção. Quanto mais segmentos ocupou antes de chegar ao cruzamento, quanto maior a probabilidade de localizar o carro autônomo e menor o risco de colisão.

p O modelo soma todas as estimativas de risco da velocidade do tráfego, oclusões, sensores barulhentos, e conscientização do motorista. Ele também considera quanto tempo levará o carro autônomo para dirigir um caminho pré-planejado através da interseção, bem como todos os pontos de parada seguros para cruzar o tráfego. Isso produz uma estimativa de risco total.

p Essa estimativa de risco é atualizada continuamente para onde quer que o carro esteja localizado no cruzamento. Na presença de múltiplas oclusões, por exemplo, vai avançar, pouco a pouco, para reduzir a incerteza. Quando a estimativa de risco é baixa o suficiente, o modelo diz ao carro para passar pelo cruzamento sem parar. Permanecendo no meio do cruzamento por muito tempo, os pesquisadores descobriram, também aumenta o risco de colisão.

p Assistência e intervenção

p Executar o modelo em carros de controle remoto em tempo real indica que ele é eficiente e rápido o suficiente para ser implantado em carros de teste autônomos em grande escala em um futuro próximo, dizem os pesquisadores. (Muitos outros modelos são computacionalmente pesados ​​para rodar nesses carros.) O modelo ainda precisa de testes muito mais rigorosos antes de ser usado para implementação no mundo real em veículos de produção.

p O modelo serviria como uma métrica de risco suplementar que um sistema de veículo autônomo pode usar para raciocinar melhor sobre como dirigir em cruzamentos com segurança. O modelo também pode ser potencialmente implementado em certos "sistemas avançados de assistência ao motorista" (ADAS), onde os humanos mantêm o controle compartilhado do veículo.

p Próximo, os pesquisadores pretendem incluir outros fatores de risco desafiadores no modelo, como a presença de pedestres dentro e ao redor do entroncamento. p Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.