自动驾驶「道德算法」发表:平均分配事故风险,保护弱势道路使用者

简介: 自动驾驶「道德算法」发表:平均分配事故风险,保护弱势道路使用者


作者 / 陶昱璇当自动驾驶汽车遭遇突发状况,而司机又并没有准备好接管车辆,那么此时,基础算法决定了汽车的命运。

因此,自动驾驶汽车经常能遇到「应该撞向谁」的道德困境。通常,算法会两害相权取其轻。有一个例子经常被拿出来讨论,如果自动驾驶汽车直行会撞到前方的一名路人,但拐弯会撞到另一名路人,这种情况应该如何处理?

现在,研究人员提出了新的解决方案。

通常,交通事故都不是由单一的原因所造成的,因此,自动驾驶汽车的软件也必须做好应付现实世界各种状况的准备,在事故发生的瞬间快速做出决定。

为此,慕尼黑工业大学的研究人员开发了世界首个「道德算法」,旨在权衡不同行动对不同道路使用者所产生的风险,让自动驾驶汽车做出符合道德的决定,更好地保护行人和自行车等弱势道路使用者。

目前,这项研究已经发表在Nature Machine Intelligence上。

让算法做出道德判断

该论文的主要作者、慕尼黑工业大学科学家Maximilian Geisslinger表示,目前为止,自动驾驶车辆在遇到道德困境时总是需要做出非此即彼的选择,但现实中的交通状况并非总能一目了然,黑白分明。

他表示,「我们的算法将权衡各种风险,在不到一秒的时间里,从数千种可行方案中做出合乎道德准则的判断。」

该项研究对于自动驾驶汽车的未来方法至关重要。想要大规模推广落地自动驾驶技术,首先就要解决自动驾驶的道德和安全问题。

该软件中所用算法被认为是第一个纳入欧盟委员会(EU Commission)专家组20条伦理建议(he 20 ethics recommendations)的算法,因此可以做出比以往算法明显更具差异化的决策。

该算法结合了五项道德原则,即整体风险最小化、优先考虑状况最差的人、人人平等、责任平等和最大可接受风险。

为了将这些规则转化为数学计算,研究小组首先以车辆和行人将对他人造成的潜在风险和承担风险的意愿为基础,对行驶的汽车和行人进行了分类。

例如,一辆卡车将严重威胁到其他的道路交通参与者,但很多情况下,卡车本身只会收到轻微损害,而自行车的情况则与卡车相反。

自动驾驶的事故风险来自于驾驶环境的不确定性,包括环境因素、其他道路参与者的探测和定位以及车辆控制的不确定性。在新算法的开发过程中,研究人员重点关注自动驾驶轨迹规划中最重要的不确定因素之一:对其他道路使用者的轨迹预测。

究人员将根据道路参与者的不同形态,计算其发生碰撞的概率。

为简化模型,研究人员明确排除了某些因素,例如受伤的严重程度。算法将不会考虑危及性命的伤害和让生活质量下降的伤害哪种更为严重。

同时,车速对于车祸的影响也不在研究人员的考虑范围之内,因为其与道德评价无关。

研究人员将重点关注碰撞双方的重量、碰撞的角度和碰撞发生的面积。

在计算事故损失时,算法将不考虑任何财产损失,而是会将人身伤害放在第一位

为了确保算法的公平,算法模型也不会涉及到个人特征,如年龄、性别、生活质量等。

此前,政府设置了一系列交通规则来控制道路风险,例如限速、限制车辆间的最小安全距离等。在新算法中,研究人员引入了「最大可接受风险」的概念,并且基于此概念对于行驶轨迹进行了分级。自动驾驶汽车将优先选择最高安全等级的行驶路线,只有在最高等级路线走不通时,才会采用下一个等级。

在所有的突发状况中,自动驾驶算法所做出的选择都不会超过所有道路参与者的最大可接受风险。在算法的规划下,自动驾驶汽车的行驶线路不仅符合车主的利益,同时也兼顾了其他道路参与者的利益。

该算法的另一个亮点是对于风险的平均分配。算法将采用平等原则,为每个道路参与者平均分配风险,不会以牺牲某一方个体为代价来换取整体事故的低风险。

除此之外,算法将综合考虑自动驾驶汽车的机动性、安全性和舒适性。这三者之间存在一定的冲突,但算法将对此进行衡量,为自动驾驶汽车提供行驶的最优解。

在事故责任划分方面,研究小组有意识地考虑到了行人的责任,例如行人应该主动遵守交通规则。这样可以避免路人故意冲到行驶中的自动驾驶汽车前,滥用自动驾驶汽车的防撞制动系统。

给自动驾驶车更多自由

在此之前,遇到突发的紧急情况,自动驾驶汽车可实施的操作极其有限。大多数情况下,自动驾驶只会简单制动。现在,研究人员在代码中考虑到了风险评估,让自动驾驶汽车拥有了更大的操作自由度。

个例子,一辆自动驾驶汽车想要超过前方的一辆自行车,与此同时,对面车道上一辆卡车正在驶来。

在新算法中,周边环境和所有的道路参与者都会被考虑到。能否在不驶入对面车道的情况下超车,同时与自行车保持安全距离?各车辆面临着哪些潜在风险?这些车辆对于自动驾驶汽车将产生什么影响?

在形势明朗之前,自动驾驶汽车不会轻举妄动,做出任何带有侵略性的行为,也不会突然刹车停止行驶。新算法将不再局限于「是」或「否」的决定,而是会谨慎评估大量信息,从而使所有的道路参与者都能接受自动驾驶汽车行为所带来的风险。

文化差异成未来重点

慕尼黑工业大学的商业伦理科学家Franziska Poszler表示,迄今为止,自动驾驶汽车所做出的的道德决定都基于传统伦理理论,这最终导致自动驾驶汽车的发展进入了一个死胡同。

在很多交通事件中,除了违反某条道德准则以外,车辆别无选择。而新算法与此相反,它将风险伦理视为算法的核心考虑因素,这样既能考虑到各种可能性因素,也能帮助自动驾驶汽车做出有别于之前的判断评估。

研究人员强调,尽管基于风险伦理的算法可以让自动驾驶汽车在各类事件中做出尽可能的安全的决策,但算法并不能杜绝交通安全事故

在未来,算法还将考虑到不同国家的道德伦理文化差异。同时,研究人员将进行用户调研,了解不同人群做出道德决策的个体差异。这些数据都将让算法更加精确。

到目前为止,算法已经在模拟环境中进行了验证。未来,研究人员将在现实交通环境中进一步测试算法,不断提升算法的实际可行性。

参考链接:

https://www.sciencedaily.com/releases/2023/02/230205081301.htm


相关文章
|
3月前
|
机器学习/深度学习 人工智能 自动驾驶
强化学习算法在游戏、机器人和自动驾驶等领域的应用与实践
强化学习算法在游戏、机器人和自动驾驶等领域的应用与实践
153 0
强化学习算法在游戏、机器人和自动驾驶等领域的应用与实践
|
5月前
|
算法 自动驾驶 测试技术
2023年秋招算法:北京清丰智行科技 自动驾驶开发 面经
2023年秋招算法:北京清丰智行科技 自动驾驶开发 面经
31 0
|
机器学习/深度学习 传感器 自动驾驶
数据驱动的自动驾驶系统算法最新论文合集(27篇)
感知:2-D/3-D 目标检测和分割基本是采用深度学习模型,无论激光雷达、摄像头或者传感器融合的形式;跟踪基本是tracking-by-detection方式,不过把跟踪和检测集成在一起做深度学习模型也是大家讨论的热点之一。
数据驱动的自动驾驶系统算法最新论文合集(27篇)
|
传感器 机器学习/深度学习 编解码
2022最新综述!一文详解自动驾驶中的多模态融合感知算法(数据级/特征级/目标级)
多模态传感器融合意味着信息互补、稳定和安全,长期以来都是自动驾驶感知的重要一环。然而信息利用的不充分、原始数据的噪声及各个传感器间的错位(如时间戳不同步),这些因素都导致融合性能一直受限。本文全面调研了现有多模态自动驾驶感知算法,传感器包括LiDAR和相机,聚焦于目标检测和语义分割,分析超过50篇文献。同传统融合算法分类方法不同,本文从融合阶段的不同将该领域分类两大类、四小类。此外,本文分析了当前领域存在的问题,对未来的研究方向提供参考。
2022最新综述!一文详解自动驾驶中的多模态融合感知算法(数据级/特征级/目标级)
|
机器学习/深度学习 自动驾驶 算法
2020云栖大会智慧出行专场:聚焦高精地图/算法、智能模型、自动驾驶、AR导航
大量前沿、创新性技术目前已经广泛应用于高德地图各项产品中,本论坛将着重讲述「高精地图、高精算法、智能时空预测模型、自动驾驶、AR导航、车道级技术」等话题,全面解析最新技术进展和场景化的实践经验,并与开发者们一起交流、讨论
2020云栖大会智慧出行专场:聚焦高精地图/算法、智能模型、自动驾驶、AR导航
|
机器学习/深度学习 人工智能 算法
炒币有风险,AI算法帮助识别ICO诈骗
中国创业公司香侬科技(Shannon.AI)与斯坦福大学、加州大学圣塔芭芭拉分校以及密歇根大学的研究人员合作,发布了一份白皮书,详细介绍了用机器学习算法来识别加密货币骗局。
2860 0
|
1月前
|
传感器 算法 计算机视觉
基于肤色模型和中值滤波的手部检测算法FPGA实现,包括tb测试文件和MATLAB辅助验证
该内容是关于一个基于肤色模型和中值滤波的手部检测算法的描述,包括算法的运行效果图和所使用的软件版本(matlab2022a, vivado2019.2)。算法分为肤色分割和中值滤波两步,其中肤色模型在YCbCr色彩空间定义,中值滤波用于去除噪声。提供了一段核心程序代码,用于处理图像数据并在FPGA上实现。最终,检测结果输出到"hand.txt"文件。
|
1月前
|
机器学习/深度学习 算法 计算机视觉
基于yolov2深度学习网络的视频手部检测算法matlab仿真
基于yolov2深度学习网络的视频手部检测算法matlab仿真
|
1月前
|
算法
【MATLAB】语音信号识别与处理:移动中位数滤波算法去噪及谱相减算法呈现频谱
【MATLAB】语音信号识别与处理:移动中位数滤波算法去噪及谱相减算法呈现频谱
23 2