Мозг пассажира включили в контур управления беспилотным авто в Китае

Учёные из Университета Цинхуа (Пекин) разработали алгоритм, который позволяет беспилотным автомобилям учитывать физиологическое состояние пассажиров для принятия более безопасных решений в сложных дорожных ситуациях.

В ходе исследования использовалась технология функциональной ближней инфракрасной спектроскопии (fNIRS), неинвазивный метод мониторинга активности мозга ^[1] в реальном времени. fNIRS позволяет отслеживать изменения в активности мозга ^[1], связанные со стрессом, эмоциями и восприятием риска.

«Функциональная ближняя инфракрасная спектроскопия [fNIRS] — это неинвазивный метод мониторинга активности мозга ^[1] в реальном времени, который может предоставлять информацию, связанную с восприятием риска и эмоциональными состояниями человека, и, таким образом, рассматривается как инструмент, который может улучшить системы автономного вождения», — рассказал ведущий автор исследования, профессор Сяофей Чжан.

^[2]

Разработанная система объединяет данные об активности мозга ^[1] пассажиров с программным обеспечением автономного вождения. Когда система фиксирует повышенный уровень риска или стресса у пассажиров, автомобиль автоматически переключается на более осторожную стратегию вождения. Алгоритм, основанный на глубоком обучении с подкреплением, учитывает реакции человека, что позволяет быстрее адаптироваться и принимать более безопасные решения.

В ходе испытаний система переключалась в более консервативный режим вождения, когда пассажиры проявляли признаки беспокойства, что в результате автомобиль более осторожно реагировал в опасных ситуациях. Исследование показало, что такой подход превосходит традиционные методы автономного вождения по нескольким параметрам, включая скорость обучения, общую безопасность и комфорт.

Авторы работы отмечают, что протестированные сценарии вождения были относительно простыми, а участники исследования были из узкого возрастного диапазона и имели схожий социальный бэкграунд. В будущих исследованиях планируется протестировать алгоритм в более сложных сценариях вождения, а также повысить точность и надёжность оценки рисков вождения за счёт интеграции информации от автомобильных датчиков.

Источник ^[3]