The Role of Probability in Autonomous Vehicle Decision Systems
Table of Contents
Pourquoi la probabilité est-elle l'arrière-plan des systèmes autonomes de décision des véhicules?
Contrairement aux systèmes traditionnels fondés sur des règles, les véhicules autonomes doivent constamment traiter les données des capteurs bruyants, prévoir les actions des autres usagers de la route et prendre des décisions en deux secondes qui privilégient la sécurité. Au cœur de ces capacités réside la théorie des probabilités. En quantifiant l'incertitude, les modèles probabilistes permettent aux véhicules aériens de raisonner sur le monde, d'estimer les états et de choisir des actions qui présentent la plus grande récompense.
Chaque lecture de capteur — qu'il s'agisse d'un capteur à caméra, à radar, à ultrasons ou à radar — est accompagnée de bruit et d'ambiguïté. Un seul cadre de caméra peut être partiellement masqué par le brouillard; un nuage de point lidar ne peut pas distinguer un cycliste d'une voiture garée. Sans méthodes probabilistes, un AV devrait traiter chaque observation comme une vérité absolue, entraînant des erreurs catastrophiques. Introduction aux voitures autoconduites sur Coursera- Oui.
Fondations de la Raison Probabiliste dans les AV
Le raisonnement probabiliste permet à un AV de représenter des degrés de croyance. Plutôt que de dire « il y a une voiture en position (x,y) », le système maintient une distribution de probabilité sur des positions possibles. Cette approche est officialisée par le théorème de Bayes, qui est utilisé pour mettre à jour les croyances comme de nouvelles preuves sont recueillies. Par exemple, si une caméra voit un panneau d'arrêt rouge mais avec une faible confiance en raison de la lumière du soleil éclatante, l'AV pourrait attribuer une probabilité de 70% qu'il s'agit d'un signe d'arrêt et de 30% qu'il s'agit d'un signe de rendement.
Deux familles importantes de filtres probabilistes dominent la perception de l'AV: Filtre Kalman pour les systèmes gaussiens linéaires et les Filtre à particules Les filtres Kalman sont largement utilisés pour suivre les objets en mouvement comme d'autres véhicules. Ils supposent que l'incertitude peut être modélisée comme une distribution gaussienne, ce qui permet des mises à jour efficaces en format fermé. Les filtres à particules, par contre, représentent des distributions arbitraires avec un ensemble d'échantillons pondérés. Robotique probabiliste (MIT Press, 2005), qui reste un texte fondamental sur le terrain.
Fusion de capteurs et estimation de l'état
Un AV intègre des données provenant de multiples modes de détection (caméra, lidar, radar, unités de mesure inertielles (UMI) et GPS) avec des caractéristiques sonores différentes et des taux de mise à jour. Le problème de fusion est par nature probabiliste : le système doit combiner ces mesures hétérogènes pour produire une estimation unique et cohérente de la pose du véhicule (position et orientation) et de l'environnement environnant. Filtre Kalman étendu (EKF) ou une Filtre Kalman non parfumé (UKF) pour gérer les non-linéarités dans les modèles de mouvement et d'observation. Plus récemment, des approches d'apprentissage profond comme réseaux neuronaux probabilistes ont été utilisés pour la fusion de capteurs de bout en bout, mais les méthodes bayésiennes classiques demeurent la norme de l'industrie pour les systèmes critiques en matière de sécurité.
Exemple concret : lorsqu'un appareil AV approche d'une intersection, la caméra peut détecter un piéton aux coordonnées du pixel, tandis que le lidar retourne un nuage pointant un objet de taille semblable à un piéton. Le radar ajoute des informations sur la vitesse de Doppler. L'EKF fusionne ces sources, pesant chacune par son incertitude. Le résultat est un piéton traqué avec une position estimée, une vitesse et une matrice de covariance représentant l'incertitude. Si la covariance est grande, le planificateur traitera ce piéton avec plus de prudence — peut-être ralentir plus tôt ou maintenir un poste plus large.
Probabilisme de la prise de décision et de la planification des mouvements
Une fois que l'AV a estimé l'état du monde (sa propre pose, d'autres véhicules, piétons, frontières routières, panneaux de signalisation), il doit décider ce qu'il faut faire ensuite. la prise de décisions dans l'incertitude. Le planificateur de l'AV envisage un ensemble d'actions possibles — accélération, freinage, direction gauche, changement de voie, etc. — et évalue les résultats probables de chacune. L'espace de résultat comprend les états futurs de l'environnement, qui sont incertains parce que d'autres usagers de la route peuvent se comporter de façon imprévisible.
Les cadres communs comprennent : Processus décisionnels de Markov partiellement observables (POMDP)Les POMDP sont coûteux sur le plan informatique, mais des approximations récentes (comme la recherche d'arbres Monte Carlo et la planification de l'espace de croyance) les ont rendues possibles pour une utilisation en temps réel dans les AV. Par exemple, le système de Waymo a utilisé une approche semblable à POMDP pour gérer les décisions de changement de voie, y compris des prédictions probabilistes des trajectoires d'autres véhicules.
Prédiction probabiliste de la trajectoire
Un sous-problème clé est de prédire où d'autres agents seront dans un avenir proche (habituellement 5-10 secondes). La prédiction déterministe (p. ex., en supposant une vitesse constante) échoue dans des situations de trafic complexes. Modèles de mélange gaussien ou réseaux neuronaux de clonage comportemental Par exemple, une voiture qui approche d'une intersection pourrait avoir une probabilité de 70 % de continuer tout droit, 20 % de tourner à gauche et 10 % de tourner à droite. Le planificateur utilise ces probabilités pour calculer le risque de collision prévu pour chaque trajectoire candidate du véhicule ego.
Méthodes les plus modernes, comme Transformateur de scène (Motionnel) ou MultiPath++ (Waymo) utilisent des mécanismes d'attention pour modéliser les interactions entre plusieurs acteurs. Ces modèles produisent un ensemble de modes de trajectoire, chacun avec une probabilité associée. Le planificateur évalue ensuite les actions du véhicule ego dans les scénarios futurs communs les plus probables. MultiPath++: Fusion efficace de l'information et agrégation de trajectoires pour la prévision comportementale de Waymo.
Algorithmes qui utilisent la probabilité dans les systèmes de décision AV
Au-delà du filtrage et de la prédiction, plusieurs algorithmes de base de la pile AV reposent sur des méthodes probabilistes :
- Réseaux bayésiens — Utilisé pour le raisonnement situationnel, comme en déduire si une voiture arrêtée à une intersection a l'intention de céder. Le réseau code les relations causales; comme les preuves s'accumulent (feux de blindage, mouvement de tête de piéton), les mises à jour de probabilité postérieures.
- Méthodes Monte Carlo — Comprend l'algorithme de localisation Monte Carlo (filtre de particules) pour l'estimation de la pose globale. Dans le planificateur, les déploiements Monte Carlo simulent des milliers d'avenirs possibles pour évaluer le coût prévu d'une politique. Recherche d'arbres de style AlphaGo adapté pour des espaces continus.
- Cartes routières probabilistes (PMR) — Bien qu'il s'agisse avant tout d'un algorithme de planification déterministe, les PRM peuvent intégrer le risque en pondérant les bords en fonction de la probabilité de collision calculée à partir de l'incertitude dans l'estimation de l'état.
- Planificateurs aléatoires basés sur l'échantillonnage Pour gérer l'incertitude, il est possible de les combiner avec des contraintes de risque, par exemple, en veillant à ce que la probabilité de collision demeure inférieure à 1%.
Ces algorithmes ne sont pas mutuellement exclusifs; un système AV de production intègre généralement plusieurs couches probabilistes. Par exemple, un véhicule peut utiliser un filtre Kalman pour le suivi, un prédicteur neuronal pour la prévision de trajectoire, et un décideur basé sur POMDP pour des changements de voie sûrs. La charge computationnelle est élevée, mais les avancées matérielles (GPU, TPU, puces AI de bord dédiés) rendent possible l'exécution en temps réel.
Sécurité, évaluation des risques et vérification probabiliste
La probabilité est également au centre de validation de sécurité Les ingénieurs utilisent plutôt l'évaluation probabiliste des risques pour estimer les taux de défaillance. La norme de l'industrie est de démontrer que l'AV est au moins aussi sûr qu'un conducteur humain, ce qui exige des preuves statistiques de kilomètres simulés et réels. Les statistiques bayésiennes sont souvent utilisées pour mettre à jour la confiance dans les allégations de sécurité à mesure que de nouvelles données s'accumulent.
En outre, les AV utilisent les budgets probabilistes des risques Par exemple, le système pourrait maintenir que la probabilité de collision dans les deux secondes suivantes doit rester en dessous de 10 à 6. Si l'incertitude augmente (par exemple, une forte pluie dégrade la précision du capteur), le planificateur peut réduire la vitesse ou se retirer pour réduire le risque. Sécurité sensible aux responsabilités (SRS) modèle, développé par Mobileye/Intel, mais RSS est une politique déterministe qui peut être étendue avec des limites probabilistes.
Des organismes de recherche externes comme Société d'État ont publié de manière détaillée les défis statistiques des tests de sécurité anti-AV. "Conduire à la sécurité" Selon lui, la simulation et les essais fondés sur des scénarios, combinés à des modèles probabilistes, sont nécessaires pour atteindre des niveaux de confiance acceptables.
Défis et limites des approches probabilistes
Malgré leur pouvoir, les méthodes probabilistes sont confrontées à plusieurs défis dans le déploiement réel de l'AV :
- Modèle de Mismatch — Les modèles probabilistes ne sont que des hypothèses aussi bonnes que leurs hypothèses. L'utilisation d'une distribution gaussienne pour le bruit des capteurs peut être inexacte dans les environnements sonores à queue lourde (par exemple, les réflexions spéculaires lidar).
- Coût informatique — L'inférence bayésienne est intractable pour les espaces d'état haute dimension. Les filtres à particules se dégradent à mesure que le nombre de particules augmente de façon exponentielle avec la dimensionnalité. Les ingénieurs doivent échanger la précision contre la latence — un AV ne peut pas faire pause pour calculer une solution optimale pour 100 millisecondes quand un obstacle apparaît.
- Événements sur la longue distance — La probabilité d'événements rares mais catastrophiques (par exemple, un enfant qui court derrière un camion sur une route humide) est extrêmement faible, mais on ne peut pas l'ignorer. optimisation robuste et planification à risque qui minimise les résultats les plus défavorables plutôt que les moyennes.
- Interprétation — Lorsqu'un AV prend une décision fondée sur un calcul probabiliste, il peut être difficile pour les ingénieurs ou les régulateurs de vérifier pourquoi il a choisi cette action.
Ces défis ne sont pas insurmontables. L'industrie se dirige vers des systèmes hybrides qui combinent le raisonnement probabiliste et l'apprentissage profond, le renforcement de l'apprentissage et la vérification formelle. programmation probabiliste profonde (p. ex. Pyro, TensorFlow Probability) permet aux ingénieurs de définir des modèles flexibles qui apprennent les paramètres de bruit à partir des données.
Orientations futures : Probabilité rencontre l'apprentissage automatique et les méthodes formelles
La prochaine génération de systèmes de décision AV va probablement fusionner le raisonnement probabiliste avec les progrès de l'apprentissage automatique. bayésienne apprentissage profond peut saisir l'incertitude épistémique (incertitude due au manque de données) dans les modèles de perception, permettant à l'AV de savoir quand il ne sait pas — et de demander une intervention ou de réduire la vitesse en conséquence. les réseaux bayésiens causaux sont explorés pour gérer des événements rares en raison de la structure sous-jacente de l'environnement de trafic, et non pas seulement de corrélation.
Une autre frontière passionnante est programmation probabiliste pour la vérification de la sécurité. Des outils comme SPARK (Stanford , contrôle probabiliste du modèle) peut vérifier officiellement que le planificateur probabiliste de l'AV ne dépasse jamais une probabilité de collision donnée sous tous les niveaux de bruit autorisés de capteur.
Enfin, l'utilisation de ensemble de modèles probabilistes Par exemple, DeepMind de Google a montré que l'utilisation d'un ensemble d'agents d'apprentissage de renforcement de distribution améliore la prise de décision sensible aux risques dans des environnements complexes comme le jeu de Go. Des approches similaires sont en cours d'adaptation pour la planification de trajectoires AV.
Avec l'évolution des véhicules autonomes, la probabilité restera un outil indispensable. Il permet aux machines de penser en nuances de gris, de quantifier ce qu'elles ne savent pas, et d'agir en toute sécurité dans un monde incertain. La route à suivre peut encore avoir beaucoup d'inconnus, mais avec des systèmes de décision probabilistes, les AV sont mieux équipés pour les naviguer.