Käitumise ennustamise mudelid ja reaktiivsed sõidusüsteemid esindavad kahte erinevat lähenemisviisi autonoomse sõiduintellekti loomisele. Üks keskendub ümbritsevate agentide tulevaste tegevuste prognoosimisele, et võimaldada ennetavat planeerimist, samas kui teine reageerib koheselt andurite sisendile. Koos defineerivad need olulise kompromissi ettenägelikkuse ja reaalajas reageerimise vahel tehisintellektil põhinevates liikuvussüsteemides.
Tehisintellekti süsteemid, mis ennustavad teiste agentide, näiteks sõidukite, jalakäijate ja jalgratturite tulevasi tegevusi, et toetada ennetavaid sõiduotsuseid.
Juhtivad süsteemid, mis reageerivad otse praegustele andurite sisenditele ilma teiste agentide tulevast käitumist otseselt modelleerimata.
| Funktsioon | Käitumise ennustamise mudelid | Reaktiivsed sõidusüsteemid |
|---|---|---|
| Põhiprintsiip | Ennustage agentide tulevast käitumist | Reageeri ainult praegusele keskkonnale |
| Ajahorisont | Lühi- ja keskpika perioodi prognoosimine | Hetkeline reageering |
| Keerukus | Suur arvutuslik ja mudeli keerukus | Madalam arvutuslik keerukus |
| Andmenõuded | Nõuab suuri märgistatud trajektooride andmekogumeid | Minimaalselt või üldse mitte treeningandmeid vaja |
| Otsustusstrateegia | Proaktiivne planeerimine, mis põhineb ennustatud tulemustel | Reaktiivne juhtimine praeguse oleku põhjal |
| Vastupidavus servajuhtumites | Võib ebaõnnestuda, kui ennustused on ebatäpsed | Stabiilsem ootamatute ja ootamatute sündmuste korral |
| Tõlgendatavus | Mõõdukas, olenevalt mudelitüübist | Kõrge reeglipõhiste rakenduste osakaal |
| Kasutamine tänapäevastes süsteemides | Autonoomsete sõidustiilide põhikomponent | Kasutatakse sageli varu- või turvakihina |
Käitumise ennustamise mudelid püüavad ette näha, mida teised liiklejad järgmisena teevad, võimaldades sõidukil tegutseda ennetavalt, mitte lihtsalt reageerida. Reaktiivsed sõidusüsteemid ignoreerivad tulevikueeldusi ja keskenduvad ainult sellele, mis toimub praegu. See loob põhimõttelise lõhe ettenägelikkusele tugineva intelligentsuse ja kohese reageerimise vahel.
Ennustusmudelid paiknevad autonoomia taseme kõrgemal tasemel, andes planeerimissüsteemidele teavet ümbritsevate agentide tõenäoliste tulevaste trajektooride kohta. Reaktiivsed süsteemid toimivad tavaliselt juhtimis- või ohutustasandil, tagades sõiduki ohutu reageerimise kohestele muutustele, nagu järsk pidurdamine või takistused. Igal neist on erinev, kuid teineteist täiendav roll.
Reaktiivsed süsteemid on ootamatute piiride korral oma olemuselt ohutumad, kuna need ei sõltu pikaajalistest prognoosidest. Siiski võivad need käituda konservatiivselt või ebaefektiivselt. Ennustusmudelid parandavad tõhusust ja sujuvamat otsuste tegemist, kuid tekitavad riske, kui prognoosid on valed või mittetäielikud.
Käitumise ennustamine nõuab agentide vaheliste keerukate interaktsioonide modelleerimiseks märkimisväärseid treeningandmeid ja arvutusressursse. Reaktiivsed süsteemid on kerged ja töötavad minimaalse treeninguga, mistõttu sobivad need reaalajas varumehhanismide või väikese energiatarbega keskkondade jaoks.
Enamik tänapäevaseid autonoomseid sõidukeid ei vali ainult ühte lähenemisviisi. Selle asemel kombineerivad nad strateegilise planeerimise ennustusmudeleid reageerivate süsteemidega hädaolukordade lahendamiseks. See hübriiddisain aitab tasakaalustada ettenägelikkust, tõhusust ja ohutust.
Käitumise ennustamise mudelid suudavad täpselt ennustada iga juhi edasisi tegevusi.
Tegelikkuses hindavad ennustusmudelid pigem tõenäosusi kui kindlust. Inimkäitumine on oma olemuselt ettearvamatu, seega loovad need süsteemid garanteeritud tulemuste asemel tõenäolisi stsenaariume. Need toimivad kõige paremini koos planeerimise ja ebakindluse käsitlemisega.
Reaktiivsed sõidusüsteemid on aegunud ja tänapäevastes sõidukites enam ei kasutata.
Reaktiivseid süsteeme kasutatakse endiselt laialdaselt, eriti ohutuskihtides ja hädapidurdussüsteemides. Nende lihtsus ja töökindlus muudavad need väärtuslikuks isegi täiustatud autonoomsete sõidusüsteemide puhul.
Ennustusmudelid välistavad reaalajas reaktsioonide vajaduse.
Isegi tugevate ennustussüsteemide korral peavad sõidukid ootamatutele sündmustele koheselt reageerima. Ennustamisel ja reageerimisel on erinevad rollid ning mõlemad on ohutuks sõiduks vajalikud.
Reaktiivsed süsteemid on ohtlikud, sest nad ei mõtle ette.
Kuigi neil puudub ettenägelikkus, võivad reaktiivsed süsteemid olla äärmiselt ohutud, kuna nad reageerivad hetkeoludele koheselt. Nende piiranguks on tõhusus ja planeerimine, mitte tingimata ohutus.
Täiustatud ennustamine viib alati parema sõiduomaduseni.
Paremad ennustused aitavad, aga ainult siis, kui need on korralikult integreeritud planeerimis- ja juhtimissüsteemidega. Halb integreeritus või liigne enesekindlus ennustustes võib tegelikult vähendada süsteemi üldist töökindlust.
Käitumise ennustamise mudelid on olulised intelligentse ja ennetava autonoomse sõidu jaoks, kus teiste tegurite ettenägemine parandab tõhusust ja sujuvust. Reaktiivsed sõidusüsteemid on suurepärased ohutuskriitilistes reaalajas reageerimise stsenaariumides, kus kohene tegutsemine on kõige olulisem. Praktikas tuginevad tänapäevased süsteemid mõlemale, kasutades planeerimiseks ennustamist ja ohutuse tagamiseks reageerimisvõimet.
Tehisintellekti kaaslased keskenduvad vestluslikule suhtlusele, emotsionaalsele toele ja adaptiivsele abile, samas kui traditsioonilised tootlikkuse rakendused seavad esikohale struktureeritud ülesannete haldamise, töövoogude ja efektiivsustööriistad. Võrdlus toob esile nihke jäigast ülesannete jaoks loodud tarkvarast adaptiivsete süsteemide poole, mis ühendavad tootlikkuse loomuliku, inimliku suhtluse ja kontekstuaalse toega.
Tehisintellekti lohakus viitab vähese pingutusega, masstoodanguna loodud tehisintellekti sisule, millel on vähe järelevalvet, samas kui inimese juhitav tehisintellekt ühendab tehisintellekti hoolika redigeerimise, juhtimise ja loomingulise otsustusvõimega. Erinevus taandub tavaliselt kvaliteedile, originaalsusele, kasulikkusele ja sellele, kas päris inimene kujundab aktiivselt lõpptulemust.
Tehisintellektil põhinevad turuplatsid ühendavad kasutajaid tehisintellektil põhinevate tööriistade, agentide või automatiseeritud teenustega, samas kui traditsioonilised vabakutseliste platvormid keskenduvad inimspetsialistide palkamisele projektipõhiseks tööks. Mõlema eesmärk on lahendada ülesandeid tõhusalt, kuid need erinevad teostuse, skaleeritavuse, hinnamudelite ning automatiseerimise ja inimliku loovuse vahelise tasakaalu poolest tulemuste saavutamisel.
Aju plastilisus ja gradiendi laskumise optimeerimine kirjeldavad mõlemad, kuidas süsteemid muutuste kaudu täiustuvad, kuid need toimivad põhimõtteliselt erinevalt. Aju plastilisus kujundab bioloogilistes ajus närviühendusi kogemuste põhjal ümber, samas kui gradiendi laskumine on matemaatiline meetod, mida kasutatakse masinõppes vea minimeerimiseks mudeli parameetreid iteratiivselt kohandades.
Andmepõhised sõidupoliitikad ja käsitsi kodeeritud sõidureeglid esindavad kahte vastandlikku lähenemisviisi autonoomse sõidukäitumise arendamisele. Üks õpib otse reaalsetest andmetest masinõppe abil, teine aga tugineb inseneride kirjutatud selgesõnalisele loogikale. Mõlema lähenemisviisi eesmärk on tagada sõiduki ohutu ja usaldusväärne juhtimine, kuid need erinevad paindlikkuse, skaleeritavuse ja tõlgendatavuse poolest.
