나는 최근에 누군가가 자율 주행 자동차를 설계 할 때 자동차를 만드는 것이 아니라 실제로 컴퓨터 화 된 운전자라는 말을 들었다고해서 적어도 인간의 마음을 모델링하려고한다. 운전할 수있는 인간의 마음.
인간은 예측할 수 없거나 행동이 너무 많은 요인에 의존하기 때문에 일부 요소는 오랫동안 설명 할 수없는 상태로 남아 있기 때문에 자율 주행 차는 어떻게 그렇게 할 수 있습니까?
예측 불가능한 복용량은 그 용도로 사용될 수 있습니다. 예를 들어, 2 대의 자율 주행 자동차가 교착 상태에 빠진 경우, 자동차가 동일한 시스템을 실행하는 경우 동시에 동일한 동작이 적용되는 것을 보는 대신 임의성을 주입하는 것이 좋습니다.
그러나 다른 한편으로, 우리는 비결정론이 소프트웨어 개발, 특히 테스트에서 친구가 아니라는 것을 알고 있습니다. 엔지니어들은 어떻게 그것을 통제하고 그것에 대해 추론 할 수 있을까요?
답변:
운전 우선 순위
신뢰할 수 있고 안전한 자율 주행 차량을 만드는 데 필요한 모델링의 종류를 고려할 때, 가장 중요한 우선 순위에 따라 다음과 같은 주행 안전성 및 효능 기준을 고려해야합니다.
이들은 시민 적, 세계적으로 이해되는 방식으로 주문되지만 인간 운전자가 보여주는 우선 순위는 아닙니다.
스크래치에서 사람을 복사하거나 재평가하고 디자인 하시겠습니까?
자율 주행 자동차 설계의 목표는 실제 제조를 위해 자율 주행 자동차를 설계해서는 안되는 인간 정신의 일부를 모델링하는 것이라고 말했다. 대부분의 인간은 다음과 같은 안전 수칙을 들었을 수도 있지만 실제 주행 준비에서 혜택을 받기에 충분한 속도로 의식을 가져올 수는 없습니다.
기관차와 자동차 사이의 많은 충돌은 붉은 빛이 트랙을 가로 질러 여러 차선에 선을 유발하기 때문입니다. 종종 한 사람이 다른 차량에서 한 차량의 길이를 얻기 위해 철도 트랙으로 이동합니다. 다른 사람들이 그 선택을 취소하기 위해 움직일 때 심각한 위험이 따릅니다.
이 행동이 모든 사람에게 터무니없는 것처럼, 많은 승객이 2,000 톤의 기관차가 기차 승객에게 먼지 얼룩처럼 느껴지는 타격을 받으면서 발생합니다.
예측 성과 적응성
질문에서 알 수 있듯이 인간은 예측할 수 없지만 적응력은 예측할 수 없지만 예측력은 적응력이 없을 수 있습니다. 필요한 적응성이며 5 가지 주요 방법으로 필요합니다.
또한 자동차를 운전하는 것은
운전 복잡성 모델링
이를 위해서는 여러 종류의 객체로 구성된 모델이 필요합니다.
미스터리 나 불확실성
이러한 모델은 인간의 뇌에서인지 적으로 근사되지만, 모델이 얼마나 잘 모델링되고 있으며 이러한 모델이 위의 우선 순위의 합리적인 균형에 근접한 것에 도달하는 데 얼마나 효과적인가는 운전자마다 다르며 동일한 운전자에 대한 여행마다 다릅니다. .
그러나 운전만큼 복잡하지는 않습니다. 위의 각 모델은 상호 작용 방식과 가지고있는 기계적 및 확률 적 특성면에서 높은 수준에서 쉽게 고려할 수 있습니다. 이러한 작업을 자세히 설명하는 것은 엄청난 작업이며 교육 문제 외에도 시스템을 안정적으로 작동시키는 것은 중요한 엔지니어링 과제입니다.
달성 불가피
복잡성에 관계없이, 관련된 경제성과 그것이 주로 역학, 확률 및 패턴 인식의 문제라는 사실 때문에 그것이 이루어질 것이며 결국에는 잘 이루어질 것입니다.
그것이 현재의 문화를 영구적으로 받아들이는 사람에게는 이것이 들리지 않는 것처럼, 일부 국가에서는 인간의 운전이 금세기에 불법이 될 수 있습니다. 모든 트래픽 분석가는 대부분의 인간이 몸무게가 큰 기계를 일반적인 속도로 운전할 수있는 장비가 없다는 증거를 쌓을 수 있습니다. 전문가가 아닌 운전자의 허가는 교통 편의성과 편의성에 대한 대중의 주장과 노동 경제가 요구하기 때문에 널리 받아 들여졌습니다.
자율 주행 자동차는 사람의 능력을 최대한 발휘할 수 있지만 모델의 물체는 복잡하지만 어린이가 놀리는 것을 제외하고는 크게 예측할 수 있기 때문에 훨씬 뛰어납니다. AV 기술은이를 위해 표준 솔루션을 사용합니다. 전체 시나리오를 느리게함으로써 아이들이 적응할 수 있도록 슬로우 모션으로 전환 할 수 있습니다. 어린이와 개를 구체적으로 감지하는 AI 구성 요소는 아직 존재하지 않는 경우 곧 나타날 수 있습니다.
무작위성
훈련에서 무작위성은 중요합니다. 예를 들어, 경주 용 자동차 운전자는 의도적으로 다양한 유형의 스키드를 만들어이를 제어하는 방법에 익숙해집니다. 기계 학습에서 기울기 하강 프로세스가 로컬 최소값에 걸리지 않고 전체 최소값 (최적)을 찾을 가능성을 높이기 위해 훈련 중에 의사 난수 변동이 도입되었습니다.
이중 자물쇠
"예측 불가능한 선량은 그 용도를 가질 수있다"는 문제는 정확하다. 교착 상태 시나리오는 흥미로운 시나리오이지만 표준이 발전함에 따라 발생하지는 않습니다. 4 명의 운전자가 동시에 정지 신호를 받으면 실제로는 그렇지 않습니다. 그들이 한 것처럼 보인다. 그들 중 누구도 천문학적으로 작기 전에 밀리 초 이상 도착할 가능성은 없습니다.
사람들은 이러한 작은 시차를 구별하기 위해 (또는 정직하게) 감지하지 않을 것입니다. 따라서 보통 다른 사람들을 흔들어주는 것이 가장 은혜로운 사람에게 왔으며 교착 상태가있을 수 있습니다. 그들 중 정말 움직이고 싶어합니다. 자율 주행 차량은 정부 라이센스 기관이 발행 한 규칙 책에 포함되지 않은 교착 상태를 거의 겪지 않습니다.
드문 경우에, 차량은 제안 된대로 디지털 방식으로 로트를 그릴 수 있는데, 이는 예측 불가능 성이 적응 가능한 곳입니다. 자정에 메인 스트리트에서 경주 용 자동차 운전자처럼 스키드 실험을하는 것은 일부 취한 십대가 할 수있는 일이지만, 이는 운전 우선 순위의 합리적인 순서에 적합하지 않은 예측 불가능한 형태입니다. 문자 메시지를 보내거나 음식을 먹거나 운전하지 마십시오.
결정론
결정론과 관련하여, 논의 된 사용의 맥락에서, 특정 분포의 의사 난수 생성에 충분합니다.
기능 테스트 및 단위 테스트 기술은 의사 난수 (pseudo-randomness)가있는 구성 요소의 테스트를 처리 할 수있을뿐만 아니라 의사 난수를 사용하여 더 나은 테스트 범위를 제공하기도합니다. 이를 잘 수행하는 데있어 핵심은 확률과 통계에 대한 이해이며 일부 엔지니어와 AI 디자이너는이를 잘 이해하고 있습니다.
놀람의 요소
AV 기술에서 무작위성이 가장 중요한 곳은 의사 결정이 아니라 놀라움입니다. 이것이 오늘날 엔지니어링 작업의 최첨단입니다. 완전히 새로운 시나리오가 오디오 또는 비디오 채널에 나타날 때 어떻게 안전하게 운전할 수 있습니까? 이것은 아마도 인간의 생각의 다양성이 가장 잘 적응할 수있는 곳이지만 고속도로 속도에서는 일반적으로 영화 체이스 장면에서 보는 방식으로 반응하기에는 너무 느립니다.
위험과 속도의 상관 관계
이것은 위험 요소의 흥미로운 상호 작용을 제공합니다. 더 높은 속도는 더 위험하다고 가정하고, 실제 역학과 확률은 분명하지 않습니다. 저속은 일시적으로 더 긴 트립과 더 높은 교통 밀도를 생성합니다. 어떤 형태의 사고는 더 빠른 속도, 특히 교통 밀도 또는 상황과 관련이있는 사고의 가능성이 적습니다. 다른 형태는 더 빠른 속도, 특히 반응 시간 및 타이어 마찰과 관련된 형태 일 가능성이 높습니다.
자율 주행 차량의 경우 타이어 미끄러짐이보다 정확하게 모델링되고 반응 시간이 수십 배 빨라질 수 있으므로 사람이 운전석에서 벗어나면 최소 속도 제한이 더 강요되고 상한이 증가 할 수 있습니다.
자가 운전 차량은 강화 학습 및 반 감독 학습을 적용하므로 개발자가 스스로 예상하지 못한 상황에 더 적합 할 수 있습니다.
일부 자동차는 이제 Swarm Intelligence를 적용 하여 자신 간의 상호 작용을 효과적으로 학습하여 전이 학습의 경우에도 도움이 될 수 있습니다.