Valósághűbb gyalogos-szimulációval javulhat az önvezető autók biztonsága
A jelenlegi önvezető autók szimulációi gyakran túlságosan leegyszerűsítik a gyalogosok viselkedését, ami korlátozza a biztonsági értékelések pontosságát, különösen a kiszámíthatatlan helyzetekben.
A szimuláció-alapú tesztelés, amelyet az önvezető autók (SDC) biztonsági értékeléséhez használnak, jellemzően egyszerűsített gyalogosmodellekre támaszkodik, amelyek nem képesek megragadni az emberi átkelési viselkedés heterogenitását és bizonytalanságát — állítják az arXiv-on előzetes formában megjelent tanulmány szerzői.
Ez a megközelítés korlátozza a biztonsági értékelések realizmusát, különösen a szabálytalan gyalogosok (jaywalking) esetében, amelyet olyan rejtett személyiségjegyek irányítanak, amelyeket a jármű nem képes megfigyelni. A kutatók feltételezése szerint a gyalogosok és a SDC együttes betanítása többügynökös megerősítő tanulással (MARL) valósághűbb interakciós forgatókönyveket eredményez, mint a SDC betanítása rögzített gyalogos-szabályok ellenében.
A biztonság új dimenziója
A kutatás egy olyan MARL környezetet ír le, amelyben egy önvezető autót és 12 gyalogost képeznek együtt a Multi-Agent Proximal Policy Optimization (MAPPO) módszerrel. Ebben a felállásban a gyalogosok mozgása szkriptelt Dijkstra útvonalkeresést követ, míg egy megerősítő tanulási (RL) irányelv vezérli a magas szintű döntéseiket.
Valósághűbb interakciók
A kutatók szerint a módszerrel létrejövő viselkedési különbség a kiszámítható és kiszámíthatatlan átkelések között közvetlenül mérhető a trajektóriákból. A tanulmány a arXiv:2605.20255v1 azonosító alatt érhető el, és a kutatás eredményeit 2023. június 15-én mutatták be.