Nel campo delle auto a guida autonoma, gli algoritmi per il controllo dei cambi di corsia sono un importante argomento di studio. Ma la maggior parte degli algoritmi di cambio di corsia esistenti presenta uno dei due inconvenienti:o si basa su modelli statistici dettagliati dell'ambiente di guida, che sono difficili da assemblare e troppo complesse da analizzare al volo; o sono così semplici che possono portare a decisioni poco prudenti, come non cambiare mai corsia.

Alla Conferenza Internazionale sulla Robotica e l'Automazione di domani, i ricercatori del Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT presenteranno un nuovo algoritmo per il cambio di corsia che divide la differenza. Consente cambi di corsia più aggressivi rispetto ai modelli semplici, ma si basa solo su informazioni immediate sulle direzioni e sulle velocità degli altri veicoli per prendere decisioni.

"La motivazione è 'Cosa possiamo fare con il minor numero di informazioni possibile?'", dice Alyssa Pierson, un postdoc al CSAIL e primo autore del nuovo paper. "Come possiamo fare in modo che un veicolo autonomo si comporti come potrebbe comportarsi un guidatore umano? Qual è la quantità minima di informazioni di cui l'auto ha bisogno per suscitare quel comportamento simile a quello umano?"

Pierson è affiancato sulla carta da Daniela Rus, il Viterbi Professore di Ingegneria Elettrica e Informatica; Sertac Karaman, professore associato di aeronautica e astronautica; e Wilko Schwarting, uno studente laureato in ingegneria elettrica e informatica.

"La soluzione di ottimizzazione garantirà la navigazione con cambi di corsia in grado di modellare un'intera gamma di stili di guida, da conservatore ad aggressivo, con garanzie di sicurezza, "dice Rus, chi è il direttore del CSAIL.

Un modo standard per i veicoli autonomi per evitare le collisioni è calcolare le zone cuscinetto attorno agli altri veicoli nell'ambiente. Le zone cuscinetto descrivono non solo le posizioni attuali dei veicoli, ma anche le loro probabili posizioni future entro un certo lasso di tempo. La pianificazione dei cambi di corsia diventa quindi semplicemente una questione di rimanere fuori dalle zone cuscinetto di altri veicoli.

Per ogni metodo di calcolo delle zone cuscinetto, i progettisti di algoritmi devono dimostrare che garantisce la prevenzione delle collisioni, nel contesto del modello matematico utilizzato per descrivere i modelli di traffico. Questa prova può essere complessa, quindi le zone cuscinetto ottimali vengono solitamente calcolate in anticipo. Durante l'operazione, il veicolo autonomo richiama quindi le zone cuscinetto precalcolate che corrispondono alla sua situazione.

Il problema è che se il traffico è abbastanza veloce e abbastanza denso, le zone cuscinetto precalcolate potrebbero essere troppo restrittive. Un veicolo autonomo non riuscirà affatto a cambiare corsia, mentre un guidatore umano sfreccerebbe allegramente lungo la carreggiata.

Con il sistema dei ricercatori del MIT, se le zone cuscinetto predefinite portano a prestazioni molto peggiori di quelle di un guidatore umano, il sistema calcolerà al volo nuove zone cuscinetto, complete di prove di prevenzione delle collisioni.

Questo approccio dipende da un metodo matematicamente efficiente per descrivere le zone cuscinetto, in modo che la prova di prevenzione delle collisioni possa essere eseguita rapidamente. Ed è quello che hanno sviluppato i ricercatori del MIT.

Iniziano con una cosiddetta distribuzione gaussiana, la familiare distribuzione di probabilità a campana. Tale distribuzione rappresenta la posizione attuale dell'auto, tenendo conto sia della sua lunghezza che dell'incertezza della sua stima della posizione.

Quindi, sulla base delle stime della direzione e della velocità dell'auto, il sistema dei ricercatori costruisce una cosiddetta funzione logistica. Moltiplicando la funzione logistica per la distribuzione gaussiana distorce la distribuzione nella direzione del movimento dell'auto, con velocità più elevate aumentando lo skew.

La distribuzione obliqua definisce la nuova zona cuscinetto del veicolo. Ma la sua descrizione matematica è così semplice, utilizzando solo poche variabili di equazione, che il sistema può valutarla al volo.

I ricercatori hanno testato il loro algoritmo in una simulazione che includeva fino a 16 auto autonome che guidavano in un ambiente con diverse centinaia di altri veicoli.

"I veicoli autonomi non erano in comunicazione diretta ma eseguivano l'algoritmo proposto in parallelo senza conflitti o collisioni, " spiega Pierson. "Ogni auto utilizzava una soglia di rischio diversa che produceva uno stile di guida diverso, permettendoci di creare driver conservatori e aggressivi. Usando la statica, le zone cuscinetto precalcolate consentirebbero solo una guida conservativa, mentre il nostro algoritmo dinamico consente una gamma più ampia di stili di guida".