Endlich ein fahrerloses Auto mit etwas gesundem Menschenverstand

Daniel James Zender

Bostons notorisch unfreundliche Fahrer und chaotische Straßen könnten das perfekte Testgelände für eine grundlegend andere Art von selbstfahrenden Autos sein.

Ein MIT-Spin-off hat angerufen Ich verstehe entwickelt und testet das autonome Fahrsystem mit einem neuartigen Ansatz der künstlichen Intelligenz. Anstatt sich auf einfache Regeln oder maschinell lernende Algorithmen zu verlassen, um Autos das Fahren beizubringen, lässt sich das Startup von der Kognitionswissenschaft inspirieren, um Maschinen eine Art gesunden Menschenverstand und die Fähigkeit zu geben, schnell mit neuen Situationen umzugehen. Es entwickelt Algorithmen, die versuchen, der Art und Weise zu entsprechen, wie Menschen die physische Welt verstehen und lernen, einschließlich der Interaktion mit anderen Menschen. Der Ansatz könnte zu selbstfahrenden Fahrzeugen führen, die viel besser für unbekannte Szenen und komplexe Interaktionen im Straßenverkehr gerüstet sind.

Der menschliche Geist reagiert sehr sensibel auf physikalische und soziale Signale, sagt Yibiao Zhao, Mitbegründer von iSee . Die derzeitige KI ist in diesen Bereichen relativ begrenzt, und wir denken, dass dies tatsächlich das fehlende Teil beim Fahren ist.

Zhaos Unternehmen sieht noch nicht wie ein Weltmeister aus. Ein kleines Team von Ingenieuren arbeitet in einem bescheidenen Laborraum bei der Motor , eine neue Investmentgesellschaft, die vom MIT gegründet wurde, um innovative lokale Technologieunternehmen zu finanzieren. Das Engine liegt nur einen kurzen Spaziergang vom MIT-Campus entfernt und überblickt eine Straße, auf der Autofahrer um Parkplätze drängeln und sich aggressiv in den Verkehr drängen.

Verwandte Geschichte

Verwandte Geschichte

Die Schreibtische im Raum von iSee sind mit Sensoren und Hardwareteilen bedeckt, die das Team zusammengestellt hat, um die Kontrolle über seinen ersten Prototyp zu übernehmen, einen Lexus-Hybrid-SUV, der ursprünglich einem der Mitbegründer des Unternehmens gehörte. Mehrere Ingenieure sitzen hinter großen Computermonitoren und starren konzentriert auf Codezeilen.

iSee mag im Vergleich zu den Bemühungen um fahrerlose Autos bei Unternehmen wie Waymo, Uber oder Ford lächerlich klein erscheinen, aber die Technologie, die es entwickelt, könnte einen großen Einfluss auf viele Bereiche haben, in denen KI heute angewendet wird. Indem sie es Maschinen ermöglicht, aus weniger Daten zu lernen und eine Art gesunden Menschenverstand aufzubauen, könnte ihre Technologie Industrieroboter intelligenter machen, insbesondere in Bezug auf neue Situationen. Dank Deep Learning, einer Technik, die riesige datenhungrige neuronale Netze verwendet, wurden in letzter Zeit bereits spektakuläre Fortschritte in der KI erzielt (siehe 10 Breakthrough Technologies 2013: Deep Learning ).

Wenn große Datenmengen eingespeist werden, können sehr große oder tiefe neuronale Netze subtile Muster erkennen. Geben Sie beispielsweise einem tiefen neuronalen Netzwerk viele Bilder von Hunden, und es findet heraus, wie man einen Hund in fast jedem Bild erkennt. Aber den Möglichkeiten von Deep Learning sind Grenzen gesetzt, und einige radikale neue Ideen könnten durchaus erforderlich sein, um den nächsten Sprung nach vorne zu machen. Beispielsweise versteht ein Deep-Learning-System zur Erkennung von Hunden nicht, dass Hunde normalerweise vier Beine, ein Fell und eine nasse Nase haben. Und ohne weiteres Training kann es andere Tierarten oder die Zeichnung eines Hundes nicht erkennen.

Beim Autofahren geht es um deutlich mehr als nur um Mustererkennung. Menschliche Fahrer verlassen sich ständig auf ein gesundes Verständnis der Welt. Sie wissen, dass zum Beispiel Busse länger zum Halt brauchen und plötzlich viele Passanten produzieren können. Es wäre unmöglich, ein selbstfahrendes Auto mit allen möglichen Szenarien zu programmieren, denen es begegnen könnte. Aber Menschen sind in der Lage, ihr durch lebenslange Erfahrung aufgebautes gesundes Verständnis der Welt zu nutzen, um in allen möglichen neuen Situationen vernünftig zu handeln.

Deep Learning ist großartig, und man kann viel aus früheren Erfahrungen lernen, aber man kann keinen Datensatz haben, der die ganze Welt umfasst, sagt Zhao. Die derzeitige KI, die hauptsächlich datengesteuert ist, hat Schwierigkeiten, den gesunden Menschenverstand zu verstehen; das ist das entscheidende was fehlt. Zhao veranschaulicht dies, indem er seinen Laptop öffnet, um mehrere reale Straßensituationen auf YouTube zu zeigen, einschließlich komplexer Verkehrssituationen und einiger haarig aussehender Unfälle.

Ein Mangel an gesundem Menschenverstand hat sicherlich einige Probleme für autonome Fahrsysteme verursacht. Ein Unfall mit einem halbautonom fahrenden Tesla im vergangenen Jahr in Florida ereignete sich beispielsweise, als die Sensoren des Autos vorübergehend verwirrt waren, als ein Lastwagen die Autobahn überquerte (siehe Tödlicher Tesla-Crash ist eine Erinnerung daran, dass autonome Autos manchmal versauen). Ein menschlicher Fahrer hätte wahrscheinlich schnell und sicher herausgefunden, was los war.

Verwandte Geschichte

Verwandte Geschichte Ein Todesfall am Steuer mit eingeschaltetem Tesla-Autopiloten wirft die Frage auf, wie sicher automatisierte Autos sein müssen.

Zhao und Debbie Yu, eine seiner Mitbegründerinnen, zeigen einen Clip eines Unfalls mit einem Tesla in China, bei dem das Auto direkt in einen Straßenreinigungslaster fuhr. Das System ist auf Israel oder Europa trainiert, und sie haben diese Art von Lastwagen nicht, sagt Zhao. Es basiert nur auf Erkennung; es versteht nicht wirklich, was los ist, sagt er.

iSee basiert auf Bemühungen, zu verstehen, wie Menschen die Welt verstehen, und Maschinen zu entwickeln, die dies nachahmen. Zhao und andere Gründer von iSee kommen aus dem Labor von Josh Tenenbaum , ein Professor in der Abteilung für Gehirn- und Kognitionswissenschaft am MIT, der jetzt als Berater des Unternehmens fungiert.

Tenenbaum ist darauf spezialisiert, die Funktionsweise menschlicher Intelligenz zu erforschen und diese Erkenntnisse zu nutzen, um neuartige Arten von KI-Systemen zu entwickeln. Dazu gehört zum Beispiel die Arbeit am intuitiven Sinn für Physik, das schon kleine Kinder zeigen. Die Fähigkeit von Kindern zu verstehen, wie sich die physische Welt verhält, ermöglicht es ihnen, vorherzusagen, wie sich ungewohnte Situationen entwickeln können. Und Tenenbaum erklärt, dass dieses Verständnis der physischen Welt eng mit einem intuitiven Verständnis der Psychologie und der Fähigkeit verbunden ist, durch Beobachtung seiner Handlungen abzuleiten, was eine Person zu erreichen versucht, wie zum Beispiel nach einer Tasse zu greifen.

Die Fähigkeit, Lernen zwischen Situationen zu übertragen, ist ebenfalls ein Markenzeichen der menschlichen Intelligenz, und selbst die intelligentesten maschinellen Lernsysteme sind im Vergleich immer noch sehr begrenzt. Tenenbaums Labor kombiniert herkömmliches maschinelles Lernen mit neuartigen probabilistischen Programmieransätzen. Dadurch können Maschinen lernen, trotz Ungewissheit auf Dinge über die Physik der Welt und die Absichten anderer zu schließen.

Verwandte Geschichte

Verwandte Geschichte Software, die anhand eines Beispiels lernt, geschriebene Zeichen zu erkennen, kann den Weg zu einer leistungsfähigeren, menschenähnlicheren künstlichen Intelligenz weisen.

Der Versuch, die Art und Weise, wie selbst ein kleines Baby klüger ist als das klügste vorhandene KI-System, zurückzuentwickeln, könnte schließlich zu vielen intelligenteren KI-Systemen führen, sagt Tenenbaum. 2015 nutzte Tenenbaum zusammen mit Forschern der New York University und der Carnegie Mellon University einige dieser Ideen, um ein bahnbrechendes Computerprogramm zu entwickeln, das in der Lage ist, anhand von nur wenigen Beispielen zu lernen, Handschriften zu erkennen (siehe This AI Algorithm Learns Simple Tasks As Fast As We Machen ).

Ein ähnlicher Ansatz könnte einem selbstfahrenden Auto schließlich etwas geben, das sich in unbekannten Szenarien einer rudimentären Form des gesunden Menschenverstandes annähert. Ein solches Auto kann möglicherweise feststellen, dass ein Fahrer, der auf die Straße ausweicht, wahrscheinlich in den Verkehr einfädeln möchte.

Wenn es um autonomes Fahren geht, sagt Tenenbaum, dass die Fähigkeit, Rückschlüsse darauf zu ziehen, was ein anderer Fahrer zu erreichen versucht, besonders wichtig sein könnte. Ein weiterer Mitbegründer von iSee, Chris Baker, entwickelte während seiner Zeit am MIT Computermodelle der menschlichen Psychologie. Modelle im Ingenieursstil darüber zu nehmen, wie Menschen andere Menschen verstehen, und in der Lage zu sein, diese in autonomes Fahren umzusetzen, könnte wirklich ein fehlendes Puzzleteil liefern, sagt Tenenbaum.

Tenenbaum sagt, er sei anfangs nicht daran interessiert gewesen, Ideen aus der kognitiven Psychologie auf das autonome Fahren anzuwenden, aber die Gründer von iSee hätten ihn davon überzeugt, dass die Auswirkungen erheblich sein würden und dass sie den technischen Herausforderungen gewachsen seien.

Dies ist ein ganz anderer Ansatz, und ich begrüße ihn voll und ganz, sagt Oren Etzioni, CEO der Allen Institut für Künstliche Intelligenz , ein Forschungsinstitut, das von Microsoft-Mitbegründer Paul Allen gegründet wurde, um neue Ideen in der KI zu erforschen, einschließlich solcher, die von der kognitiven Psychologie inspiriert sind.

Etzioni sagt, dass der Bereich der KI Ideen jenseits von Deep Learning erforschen muss. Er sagt, das Hauptproblem für iSee werde sein, zu zeigen, dass die eingesetzten Techniken in kritischen Situationen gute Leistungen erbringen können. Die probabilistische Programmierung ist ziemlich neu, stellt er fest, daher gibt es Fragen zur Leistung und Robustheit.

Diejenigen, die mit iSee zu tun haben, scheinen dem zuzustimmen. Abgesehen davon, dass es darauf abzielt, die Autoindustrie aufzurütteln und dabei vielleicht den Transport umzugestalten, hat iSee laut Tenenbaum die Chance zu untersuchen, wie ein neuer KI-Ansatz in einer besonders unerbittlichen praktischen Situation funktioniert.

In gewissem Sinne werden selbstfahrende Autos die ersten autonomen Roboter sein, die mit Menschen in der realen Welt interagieren, sagt er. Die eigentliche Herausforderung besteht darin, wie man diese Modelle nimmt und dafür sorgt, dass sie robust funktionieren?

verbergen