SUMO forgalomszimuláció alapú, tanulóadat-generáló keretrendszer fejlesztése mesterséges intelligencia tanításához
Az autóipar legfelkapottabb témái manapság az elektromos autó mellett a vezetést támogató rendszerek és az önvezető járművek fejlesztése. Léteznek egyszerűbb funkciók, például radaros tempomat vagy sávtartó asszisztens, ahol a bemenetekből (radar, kamerakép, stb.) viszonylag egyértelmű irányítási feladat szintetizálható. Léteznek viszont olyan funkciók is, amiknél a jármű környezetéből elvontabb következtetések levonására van szükség, ilyen lehet például a forgalom nagysága vagy sűrűsége, a használt út típusa, állapota és egyéb adatok, amik segítségével komplexebb biztonsági funkciók valósíthatóak meg. Ezen elvont információk a klasszikus adatfeldolgozási módszerekkel nehezen kinyerhetőek, így az iparban is egyre gyakrabban alkalmazott gépi tanulásos módszerekhez érdemes fordulni. Egyike ezeknek a felügyelt gépi tanulás, ami annyit takar, hogy az algoritmusunknak olyan tanuló adatokat szolgáltatunk, amiknél tudjuk az elvárt kimenetet. Az algoritmusunk feladata az, hogy a tanuló adatainkat végigjárva felállítson egy modellt, ami alapján kellő bizonyossággal tud megfelelő következtetést levonni korábban nem látott adatokból. Ahhoz, hogy ez önvezető funkcióknál, megfelelően működjön, rengeteg adatra van szükség. A felügyelt tanulással tanított algoritmusok hajlamosak az “overfitting-re”, azaz ha egy domain bizonyos szűk szegmensére korlátozódnak a tanító adataink, akkor csak arra szegmensre fog tudni nagy konfidenciával helyes választ adni, a többi, valóságban előforduló helyzettel nem fog tudni mit kezdeni. A nagy cégek, például Tesla, Google, Uber, már évek óta autók ezreit járatják a világ útjain, hogy minél több adatot begyűjtsenek, amin utána taníthatják az algoritmusaikat. Nekünk ilyen adatok nem állnak rendelkezésünkre, viszont ha felügyelt tanítást akarunk végezni, akkor ahhoz valahonnan adatot kell szereznünk. Ennek megoldására alkalmazom a SUMO [1] mikroszkopikus forgalomszimulációs eszközt. Segítségével tetszőleges térképen futtathatunk szimulációkat, ahol megválaszthatjuk a járművek típusát, útvonalait, dinamikai jellemzőiket, egyszóval valósághű forgalmi helyzeteket teremthetünk. Szinte minden információ megtalálható a SUMO-ban, ami ahhoz szükséges, hogy teljes mértékben feltérképezzük a jármű környezetét. Ugyanakkor jelenleg nem alkalmas arra, hogy egyszerűen generáljunk belőle olyan nagy számú adatot, amit egy valódi, különféle szenzorokkal felszerelt önvezető jármű esetében megkapnánk. Ennek megoldására egy keretrendszert fejlesztek Python programozási nyelven. Célom az, hogy a lehető legkisebb konfigurációval tudjunk nagymennyiségű és változatos valósághű adatokat generálni.
[1] https://sumo.dlr.de/docs/index.html
