Dans le cadre d'un développement prometteur pour la technologie des voitures autonomes, une équipe de recherche de la NYU Tandon School of Engineering a dévoilé un algorithme, connu sous le nom d'apprentissage anticipé par méta-renforcement neurosymbolique (NUMERLA), qui pourrait relever le défi de longue date de l'adaptation à un environnement réel imprévisible. -des scénarios du monde tout en maintenant la sécurité.

La recherche a été menée par Quanyan Zhu, professeur agrégé de génie électrique et informatique à NYU Tandon, et son doctorat. candidat Haozhe Lei. Il apparaît sur le serveur de pré-impression arXiv.

L'intelligence artificielle et l'apprentissage automatique ont aidé les voitures autonomes à fonctionner dans des scénarios de plus en plus complexes, leur permettant de traiter de grandes quantités de données provenant de capteurs, de donner un sens à des environnements complexes et de naviguer dans les rues de la ville tout en respectant les règles de circulation.

Cependant, à mesure qu'ils s'aventurent au-delà des environnements contrôlés dans le chaos de la circulation réelle, les performances de ces véhicules peuvent faiblir, conduisant potentiellement à des accidents.

NUMERLA vise à combler le fossé entre sécurité et adaptabilité. L’algorithme y parvient en mettant continuellement à jour les contraintes de sécurité en temps réel, garantissant ainsi que les voitures autonomes peuvent naviguer dans des scénarios inconnus tout en maintenant la sécurité comme priorité absolue.

Le cadre NUMERLA fonctionne comme suit : lorsqu'une voiture autonome rencontre un environnement en évolution, elle utilise des observations pour ajuster sa « croyance » sur la situation actuelle. Sur la base de cette conviction, il fait des prévisions sur ses performances futures dans un délai spécifié. Il recherche ensuite les contraintes de sécurité appropriées et met à jour sa base de connaissances en conséquence.

La politique de la voiture est ajustée à l'aide d'une optimisation anticipée avec des contraintes de sécurité, ce qui aboutit à une stratégie de contrôle en ligne sous-optimale mais empiriquement sûre.

L'une des innovations clés de NUMERLA réside dans ses contraintes symboliques d'anticipation. En faisant des conjectures sur son mode futur et en intégrant des contraintes de sécurité symboliques, la voiture autonome peut s'adapter à de nouvelles situations à la volée tout en privilégiant la sécurité.

Les chercheurs ont testé NUMERLA sur une plate-forme informatique qui simule des environnements urbains, spécifiquement pour vérifier sa capacité à accueillir les jaywalkers, et il a surpassé les autres algorithmes dans ces scénarios.