最近、誰かが自動運転車を設計するとき、あなたは車を作るのではなく、実際にはコンピューター化されたドライバーであるという声明を出すのを聞いたので、あなたは人間の心をモデルにしようとしている-少なくとも運転できる人間の心。
人間は予測不可能であるか、むしろその行動が非常に多くの要因に依存しているため、そのいくつかは長い間説明されないままであるため、自動運転車はそれをどのように反映しますか？
予測不能の用量には用途があります。たとえば、2台の自動運転車が行き止まりで立ち往生している場合、車が同じシステムを実行している場合に同じアクションが同時に適用されるのを見るのではなく、ランダム性を注入することをお勧めします。
しかし、一方で、非決定論的手法は、特にテストにおいて、ソフトウェア開発とは関係がないことを知っています。エンジニアはそれをどのように制御し、それについて推論することができますか？
回答:
運転の優先順位
信頼性の高い安全な自動車両を作成するために必要なモデリングの種類を検討する場合、次の運転の安全性と有効性の基準を検討する必要があります。
これらは市民的および世界的な意味をなすように順序付けられていますが、人間のドライバーが示す優先順位ではありません。
人間をコピーするか、ゼロから再評価して設計しますか？
自動運転車の設計の目標は、運転できる人間の心の部分をモデル化することであると言った人は誰でも、実際の製造のために自動運転車を設計するべきではありません。ほとんどの人間は、次の安全性のヒントを聞いたことがあるかもしれませんが、実際の運転の手配でそれらから利益を得るのに十分な速度でそれらを意識にもたらすことができないことはよく知られています。
機関車と車の衝突の多くは、赤い光がトラックの複数の車線に線を引くためです。多くの場合、人は他の車で1台の車の長さを得るために線路に移動します。他の人がその選択を取り消すために問題を起こすように動いた場合、深刻なリスクが生じます。
この振る舞いは誰にとってもばかげているように、高速移動する2,000トンの機関車が列車の乗客にとって塵埃のように感じられるため、多くの死者が発生します。
予測可能性と適応性
質問が示すように、人間は予測できませんが、適応性は予測不可能かもしれませんが、予測不可能性は適応できないかもしれません。必要なのは適応性であり、5つの主な方法で必要です。
また、車の運転は
運転の複雑さのモデリング
これには、複数の種類のオブジェクトで構成されるモデルが必要です。
ミステリーでも不確定でもない
これらのモデルは人間の脳で認知的に近似されていますが、モデル化の程度と、これらのモデルが上記の優先順位の合理的なバランスに近いものに到達する効果は、ドライバーごとに異なり、同じドライバーの旅行ごとに異なります。
ただし、運転は複雑ですが、不思議ではありません。上記の各モデルは、それらがどのように相互作用し、どのような機械的および確率的特性を持っているかという観点から、高レベルで簡単に検討できます。これらの詳細化は膨大なタスクであり、システムを確実に動作させることは、トレーニングの質問に加えて、エンジニアリング上の大きな課題です。
達成の必然性
複雑さに関係なく、関係する経済学と、それが主に力学、確率、パターン認識の問題であるという事実のために、それは行われ、最終的にはうまくいきます。
そうである場合、現在の文化を永続的なものとして受け入れている人には聞こえそうにありませんが、一部の管轄区域では、今世紀に人間の運転が違法になる可能性があります。あらゆるトラフィックアナリストは、ほとんどの人間が一般的な速度で1トンの重さのマシンを運転するのに十分な能力がないという証拠を山ほど積むことができます。専門家ではないドライバーの免許は、交通の利便性と快適性に対する国民の主張と、労働力経済がそれを必要とするために、広く受け入れられるようになりました。
自動運転車は人間の能力を最大限に反映している可能性がありますが、モデル内のオブジェクトは複雑ですが、子どもたちが遊ぶことを除いてほとんど予測可能であるため、はるかに優れています。AVテクノロジーは、このために標準ソリューションを使用します。シナリオ全体をスローモーションにすると、単に速度を落とすだけで遊ぶ子供たちに適応できます。子供や犬を特に検出するAIコンポーネントは、まだ存在しない場合、すぐに出現する可能性があります。
ランダムネス
ランダムネスはトレーニングで重要です。たとえば、レースカーのドライバーは、さまざまなタイプのスキッドを意図的に作成して、それらを制御する方法に慣れます。機械学習では、勾配降下プロセスがローカルミニマムにとらわれず、グローバルミニマム（最適）を見つける可能性が高いことを確認するために、トレーニング中に導入されたいくつかの擬似ランダム摂動を確認します。
デッドロック
この質問は、「予測不能な量にその用途があるかもしれない」と述べるのは正しい。デッドロックのシナリオは興味深いものですが、標準が発展するにつれて発生する可能性は低くなります。4人のドライバーが同時に一時停止の標識に来るとき、彼らは本当にそうではありません。彼らがやったようだ。それらのどれもが他のものよりも1ミリ秒以上遅れて到着する可能性は天文学的に小さいです。
人々はこれらの小さな時間差を区別する（または正直であっても）検出しないので、通常、他の人に手を振るのが最も優雅な人になり、特にそこにはいくつかのデッドロックがあります。彼らのうちの何人かは本当に動かしたい 自律車両は、政府認可機関が発行するルールブックでカバーされていないデッドロックに遭遇することは非常にまれであり、システムへの運転ルールとしてプログラムできます。
まれに、予測されたように車両がデジタルで抽選を行う場合があります。真夜中にメインストリートでレースカードライバーのようにスキッドの実験を行うことは、酔っている10代の一部の人が行うことかもしれませんが、それは運転の優先順位の賢明な順序に適応しない予測不可能性の一形態です。どちらも、テキストメッセージでも、食べたり運転したりすることでもありません。
決定論
決定論に関しては、説明した使用のコンテキストでは、特定の分布の擬似乱数生成で十分です。
機能テストと単体テストテクノロジーは、擬似ランダム性を備えたコンポーネントのテストを処理できるだけでなく、擬似カバレッジを使用してより良いテストカバレッジを提供することもあります。これをうまく行うための鍵は、確率と統計を理解することであり、一部のエンジニアとAIデザイナーはそれをよく理解しています。
驚きの要素
AVテクノロジーでランダム性が最も重要なのは、意思決定ではなく、驚きです。それが今日のエンジニアリング作業の最先端です。オーディオまたはビジュアルチャンネルにまったく新しいシナリオが表示された場合、どうすれば安全に運転できますか？これはおそらく人間の思考の多様性が最も得意な場所かもしれませんが、高速道路の速度では通常、映画の追跡シーンで見るように反応するには遅すぎます。
リスクとスピードの相関
これは、リスク要因の興味深い相互作用をもたらします。速度が速いほど危険であり、実際のメカニズムと確率はそれほど明確ではないと想定されています。低速は、時間的に長い旅行と高い交通密度を生み出します。事故のいくつかの形態は、高速ではあまり起こりません。特に、交通密度または偶然のいずれかに主に関連するものです。他の形式は、より高速である可能性が高く、特に反応時間とタイヤの摩擦に関連する形式です。
自動運転車では、タイヤの滑りがより正確にモデル化され、反応時間が桁違いに速くなる可能性があるため、運転席から人間を降ろすと、最低速度制限が課せられ、上限が増加する可能性があります。
自動運転車は強化学習と半教師あり学習を適用します。これにより、開発者が自分自身を予想していなかった状況により適しています。
一部の車は現在、Swarm Intelligenceを適用しています。そこでは、同士の相互作用から効果的に学習します。これは、転移学習の場合にも役立ちます。