Tajming är en utmaning för självkörande bilar

Hur vet vi egentligen vem som ska köra först i en rondell? Ofta handlar det inte om trafikskyltar eller regler, utan om blickar, små rörelser och tajming. För människor sker detta intuitivt men för självkörande bilar är det en stor utmaning.

Vid Institutionen för data- och systemvetenskap, Stockholms universitet pågår forskning om hur datorer ska kunna förstå mänskligt socialt samspel sedan flera år tillbaka. Ett av forskningsprojekten, ”AI in motion: Studying the social world of autonomous vehicles”, har fokuserat på hur självkörande bilar kan lära sig att samspela med människor i trafiken.

– För att visa våra avsikter i trafiken kör vi ibland långsamt och ibland snabbt. Detta är en grundläggande färdighet för att kunna köra bil. Datorer har dock svårt att förstå den sortens sociala interaktion som sker mellan människor. I det här forskningsprojektet har vi verkligen fokuserat på just det problemet. Om vi ska ha ett självkörande system som styrs av en dator måste det också kunna förstå de sociala interaktionerna ute på vägen, säger Barry Brown som är forskningsledare för forskningsprojektet.

Barry Brown är professor i människa–datorinteraktion, med bakgrund inom datavetenskap och sociologi och har en bakgrund inom kognitionsvetenskap och interaktionsteknologi. Men intresset för självkörande bilar börjande i en helt annan ände.

– Jag är riktigt dålig chaufför och brukade alltid köra vilse. Så under min tid som forskare vid University of California San Diego mellan 2007–2012 blev jag alltmer intresserad av navigationsinstrumentet ”TomToms” som ofta fanns i bilarna under denna tid. Studenterna fick köra runt i San Diego med navigationsinstrumentet och filma sig själva och där kan man säga att mitt intresse för navigationssystem kopplat till självkörande bilar började.

Hur tolkar människor maskiner?

I forskningsprojektet samarbetar forskare från Stockholms universitet med forskare från Linköpings universitet. Hannah Pelikan är en av dessa forskare. Hon har en tvärvetenskaplig bakgrund inom kognitionsvetenskap, interaktionsteknik samt språk och kultur och är särskilt intresserad av hur människor tolkar och förstår maskiners beteenden i vardagliga miljöer. I projektet har forskarna filmat människor i mötet med de självkörande fordonen.

– Jag har till exempel filmat självkörande skyttelbussar där jag har åkt med dem under lång tid, observerat hur de rör sig, filmat och dokumenterat interaktionerna ur olika kameravinklar, berättar Hannah.

Forskaren Hannah Pelikan har filmat självkörande minibussar genom att åka med dem under en längre tid. Foto: Magnus Johansson, LiU

Med hjälp av dessa filmer kan forskarna gå tillbaka till inspelningarna och identifiera de ögonblick där interaktionen inte fungerar smidigt. De letar alltså efter specifika situationer där något går fel. Med hjälp av programvara analyserar de sedan materialet i detalj och markerar vad som faktiskt händer. Det gör att de inte bara kan se att något går fel, utan också förstå varför – till exempel varför en robots stopp blir otydligt för människor och hur det skapar problem för hur dess rörelser tolkas.

– Människor lever ofta under tidspress och är på väg någonstans, medan maskiner ofta är programmerade att stanna så fort de blir osäkra, eftersom det anses vara det säkraste alternativet ur ett tekniskt perspektiv. Den här skillnaden krockar ofta med mänskliga aktiviteter, säger Hannah.

Filmat självkörande system i USA

Enligt forskaren Barry Brown präglas mänsklig körning av snabba avvägningar, där förare läser av subtila signaler från andra fordon för att förutse vad som ska hända härnäst – något som fortfarande är en stor utmaning för självkörande bilar. Foto: Caroline Falkman/SU

Barry som använder sig av samma metod och har varit i USA för att filma de självkörande systemen som finns där i dag.

– Om du någon gång har kört bil i USA, till exempel i San Francisco, vet du att staden har många backar och många fyrvägskorsningar. I Europa har vi oftare rondeller. I en fyrvägskorsning måste man ge företräde, och det blir en slags finstämd samarbetsdans där frågan är vem som kom först till korsningen.

Men självkörande bilar har enligt Barry svårt för detta. När de ska lämna företräde kör de fram till korsningen, stannar och väntar och när de ska fatta beslut om huruvida de ska köra eller stanna så tar det väldigt lång. När de självkörande bilarna väl ska starta gör de det samtidigt som en annan bil och då blir konsekvensen att de stannar igen.

– För mänskliga förare kan detta bli förvirrande: Vad gör den självkörande bilen nu? Ska den köra eller inte?

Fyrvägskorsningen är ett tydligt exempel, men samma problem uppstår i många andra trafiksituationer där fordon måste lämna företräde. För människor sker detta vanligtvis smidigt, men för datorer är den här typen av interaktion mycket svår att hantera.

– Jag tror att en av utmaningarna handlar om tajming. Som människor vill vi ta oss dit vi ska på ett smidigt sätt, och därför är vi ganska effektiva och snabba i hur vi agerar. Vi förutser ofta andra förares rörelser – kanske genom att se att en bil rör sig lite grann eller saktar in något – och tolkar det som en signal om vad den kommer att göra. Utifrån det fattar vi våra egna beslut i körningen. Vi reagerar alltså mycket snabbt på vad andra bilar gör och försöker förutse deras nästa steg, säger Barry.

I mänsklig interaktion finns inget ”time-outläge”

Forskaren Hannah Pelikan studerar hur människor interagerar med självkörande fordon genom att filma och dokumentera ifrån flera olika kameravinklar. Foto: Thor Balkhed, LiU

Hannah menar att en central utmaning är att kunna läsa av vad människor gör och anpassa sig efter det.

– Det är en grundläggande fråga som vi försöker lyfta, särskilt inom människa–robotinteraktion: hur ska vi egentligen tänka kring interaktion? I mänsklig interaktion finns det inget ”timeout-läge”. Det är inte alltid säkert att stanna. Att bara visa osäkerhet genom att stanna kan i sig skapa nya problem. Därför är det ofta viktigare att kunna se och tolka vad människor gör. Ger de kanske utrymme för roboten eller bilen att köra? I så fall bör systemet snabbt kunna accelerera och ta den möjligheten.

De insikter som Hannah och Barry fångar in genom att analysera det filmade materialet försöker de sedan föra över i tvärvetenskapliga sammanhang, särskilt till robotforskare som i sin tur kan omsätta dessa insikter i design. För om forskare med teknisk bakgrund kan förstå och visa algoritmer som klarar detta, kan kunskapen så småningom föras vidare till industrin.

Samtidigt poängterar Hannah, att utvecklingen av fordon och robotar är en enorm utmaning och som kräver stora insatser.

– Att röra sig bland människor kräver förståelse för hur människor agerar. Därför försöker vi även på ett mer konceptuellt plan föra in kunskap om mänsklig interaktion i tekniska domäner. Det är en förutsättning för att kunna bygga teknik som kan samexistera med människor och röra sig tillsammans med dem.