“研究人员开发新做法 帮助自动驾驶汽车更快做出安全决定”

根据盖乌斯·汽车公司的报道，他来自拉德巴德大学( radboud university )、奥斯汀大学)、加州大学伯克利分校) university of california。 berkeley (和埃因霍温科技大学) Eindhovenuniversity of Technology )的研究人员发现了一种应对不确定性的新方法，以帮助ai (如自动驾驶汽车)更快地找到更安全的决策选项

(图片来源:技术浏览器)

研究人员将这种做法称为“不明部分可以注意马尔可夫决策过程”( UNCER tain Partial LYoBSER vaBle Markovde Cision Processes，或upomdps ) )。 这些是现实世界的模型，用来估算事情发生的概率。 例如，自动驾驶车在驾驶时面临多种未知情况，为了验证自动驾驶车的ai，需要进行多种计算来分析ai是如何应对各种情况的。 研究人员认为，利用他们的新方法，可以使这些建模练习更接近现实，从而使ai做出更快速、更安全的决定。

迄今为止，pomdps用于模拟和建模许多情况，有助于预测流行病的传播，以及计算航空空和宇宙飞船如何避免碰撞。 研究人员nils jansen说:“我知道这些模型非常擅长提供真实世界的捕获。 但是，由于采用这些技术需要非常高的解决能力，因此在实际应用中还存在一定的局限性。 我们的新方法考虑了所有的计算和理论新闻，使我们能够在现实世界中更一致地定期运行。 ”

研究人员通过四个步骤提供比较有效的处理方案。 首先，将问题作为具有无限数量约束的非凸优化问题进行说明。 其次，由专用对偶方案生成的不是凸的，但是有有限多个约束的对偶问题。 然后，将该对偶问题线性化。 最后，求解该有限线性规划，得到原问题的局部最优解。 解决这个问题的式子与现有的式子相比，要比现有的式子小得多。 另外，研究人员还通过对飞机防撞场景和新型航天器运动计划的样本研究，验证了该算法的适用性。

研究小组的突破点是，其模型考虑了现实世界的不确定性。 jansen说:“例如，在目前的模式下，也许只能告诉大家自动驾驶车有80%的可能性是完全安全的，但剩下的20%可能会发生什么，风险类型还不清楚。 这可能是模糊不清的风险，但这种新方法可以更详细地解释可能出现的问题，并在计算时考虑这些因素。 这意味着，对客户来说，可以了解越来越多可能出现错误的具体例子，并进行更好的调整以避免这些风险。 ”

此前也有其他研究者考虑过upompdps使用的方法，但仅限于特定的有限情况和思维实验。 jansen表示:“这是迄今为止首次将理论思维实验变为实际可行的做法。 这是一个独特而困难的问题，但多亏了跨学科的方法，我们才能取得真正的突破。 ”