據外媒報道，斯坦福大學(Stanford University)和豐田研究院(Toyota Research Institute)的研究人員開發了一個框架，可以防止此類事故的發生，從而提高自動駕駛汽車和其他機器人系統在擁擠環境中運行的安全性。該框架結合了兩種工具，一種機器學習算法，以及一種風險敏感控制的技術。
研究人員Haruki Nishimura和Boris Ivanovic表示，“我們的主要目的是通過預測人類駕駛員、行人和騎行者等道路使用者的意圖，使自動駕駛汽車和其他機器能夠安全運行。”Nishimura, Ivanovic及其同事開發了一種機器學習模型，并訓練其在機器人所處的環境中預測人類未來的行為。利用該模型，他們創建了一種算法，可以估算既定時間內機器人每一次潛在行為所帶來的碰撞風險。該算法可以自動為機器人選擇最優行為，使其與他人或車輛相撞的風險降到最低，同時使機器人繼續前行。
研究人員還表示，“現有的導航方法通常存在兩個重要的過度簡化問題。首先，這些方法僅對人類未來的行為做出了簡單的假設;其次，沒有考慮平衡碰撞風險和機器人的前行行為。而我們的方法使用豐富的、隨機的人體運動模型，該模型是從真實的人體運動數據中學來的。”
該框架所基于的隨機模型并不提供對未來人類行為的單一預測，而是預測的分布。此外，該團隊使用該模型的方式與此前開發的集成隨機模型的機器人導航技術的方式顯著不同。
Nishimura和Ivanovic explained解釋道，“我們考慮了未來人類移動可能性的全部分布情況。然后，再選擇機器人的下一個動作，以實現低碰撞風險，同時仍然使機器人朝著目標方向前行。這一過程稱作風險敏感最優控制，本質上允許實時確定機器人的下一步行動。其所需的計算僅在幾分之一秒內就能完成，并在機器人移動時不斷重復。”
為了評估該框架，研究人員進行了模擬研究和真實世界實驗。在模擬研究中，他們比較了該框架與三種常用避碰算法在執行一項任務時的性能。在這項任務中，機器人必須確定最佳行為，以在包含多達50名移動人員的環境中安全航行。此外，在真實世界實驗中，研究人員使用該框架指導機器人，在具有5名移動人員的室內環境中移動。兩項測試結果均顯示，該框架計算出了最佳軌跡，將機器人與周圍人類碰撞的風險降至最低。而且，其性能也優于與其他避碰算法。
研究人員表示，“我們的首要目標是讓自動駕駛汽車和其他機器人對人類更安全，為了確保機器人在人類周圍安全運行，我們需要教會它們根據經驗預測人類的行為，并賦予其對風險的感知能力，從而避免做出可能導致碰撞的危險行為。” 未來，此種導航框架有望使機器人和自動駕駛汽車預測周圍人類或車輛的行為，并迅速做出反應，以防止碰撞，從而提高安全性。然而，在大規模部署之前，該框架還需要在大型數據庫中進行訓練，這些數據庫包含人類在擁擠環境中移動的視頻，類似于機器所處的擁擠環境。為了簡化訓練過程，研究人員計劃開發方法，讓機器人在運行時在線收集訓練數據。
Nishimura與Ivanovic表示，“我們還希望使機器人能判斷其所處環境中人類的特定行為。例如，在任何給定時刻對行為古怪的駕駛員或醉酒駕駛員進行分類，并避免離此類駕駛員過近，從而減少碰撞風險。人類駕駛員能很自然地做到這一點，但要將其編寫成機器人可以使用的算法非常困難。”
