Zašto još nemate samovozeći automobil? Ova serija od 2 dijela objašnjava velike preostale probleme

Ljudi se često pitaju: "Gdje je moj samovozeći automobil?" "Zašto ga nemam i kada će doći?" Mnogi ljudi smatraju da su im kasni 20-ti tinejdžeri obećali automobil, a on kasni, a možda i ne dolazi, kao što su leteći automobili o kojima se govorilo prije nekoliko desetljeća.

U ovoj seriji od dva članka (s popratnim videozapisima) pogledajmo osnovne razloge zašto se danas vjerojatno ne vozite u roboautomobilu i kada bi se to moglo dogoditi. Koja su ključna tehnološka, ​​pravna i društvena pitanja koja stoje na putu, a koja pitanja zapravo nisu blokeri?

Za većinu nas, ovi automobili ne mogu stići dovoljno brzo. Obećavaju da će izbjeći pristojan dio današnjih prometnih nesreća koje ubijaju više od milijun ljudi svake godine diljem svijeta. Oni će nam olakšati život i prepisati principe prijevoza. Čineći to, oni će ponovno napisati gdje živimo i samu prirodu grada, kao i desetke drugih industrija od energetike do maloprodaje. Svaki dan odgađamo izbacivanje ovih stvari na cestu u velikom broju, tisuće će umrijeti od ruku ljudi koji nisu trebali voziti. Svaki dan odgađamo.

Naravno, teško je

Da budemo jasni, najveći razlog zašto “traje tako dugo” je to što je teško. Jedan od najvećih projekata istraživanja softvera ikada poduzetih. Zahtijevao je ne samo revolucionarni softver, već i tone detaljnog rada u korovu koji se bavi ogromnim brojem posebnih slučajeva i mapiranjem svijeta i svih njegovih bora. Svatko tko je mislio ili misli da se to može isporučiti prema rasporedu nije u pravu i nikada prije nije radio u softveru. Kad su automobilske tvrtke izbacile datume kao što je 2020., to su bile nade, a ne predviđanja, a to što su neke tehnološke tvrtke to zaista uspjele bilo je nevjerojatno. Višegodišnji projekti koji zahtijevaju iskorake nikad se ne predviđaju točno.

Nitko tko ima iskustvo u softveru ne bi bio nimalo šokiran ako predviđanja za tako veliki projekt napravljena prije mnogo godina nisu točna. Dakle, stvari ne "kaskaju", čak i ako nisu ispunile optimistične nade. To također znači da se stvari rade u manjim koracima.

Ipak, najveći blokator nije to zapravo učiniti (tj. učiniti sigurnim), već znati da ste to učinili.

Dokazujući da ste ga stvarno učinili sigurnim

Prvi tehnološki cilj bio je to jednostavno ostvariti. Napraviti automobil koji se može sam voziti sigurno. To je veliko postignuće, ali barem u nekoliko gradova, nekoliko je tvrtki to već izvelo. Tvrtke poput Wayma uspjele su voziti sigurnije od prosječnog čovjeka na jednostavnim ulicama Phoenixa. To je bio "teži dio" - ali još teži dio je definirati što je sigurnost, izmjeriti je i dokazati da ste to učinili. Morate to dokazati sebi, svom odboru, svojim odvjetnicima, javnosti, a možda čak i vladi. Kao što je Moderna Covid cjepivo bilo spremno u veljači 2020., prije prvog karantina, svijet je čekao 10 mjeseci – dok je milijun ljudi umrlo bez njega – prije nego što je dopustio prvim ljudima da dobiju injekciju. Čekali smo da dokažu da su to učinili.

Mjerenje sigurnosti je prilično teško. Znamo koliko često ljudski vozači imaju sudare svih vrsta, od manjih udaraca do smrtnih slučajeva. Smrtni slučajevi se događaju otprilike svakih 80 milijuna milja u SAD-u, ili oko 2 milijuna sati vožnje. Ne možemo testirati svaku verziju softvera govoreći: "Pustimo ga da prijeđe milijardu milja i vidimo hoće li ubiti manje od desetak ljudi koji bi umrli da se ljudi voze tako daleko." Nemoguća je udaljenost voziti se pravim cestama čak i jednom, a kamoli sa svakom novom verzijom. Možda bismo vozili puno manje i brojali udarce i manje sudare – zapravo ovo je najbolje što smo do sada smislili jer je barem moguće – ali nismo sigurni odnosi li se to na ozljede kod robota na isti način kao čini s ljudima.

Mnogi započinju na tradicionalni način autoindustrije. Oni testiraju svaku komponentu svojih vozila kako bi bili sigurni da je pouzdana i u skladu sa specifikacijama. Pokušavaju to učiniti sa sustavima komponenti, ali ta metodologija postaje teška kada stvari postanu složenije. To se zove funkcionalna sigurnost – jesu li komponente i sustavi bez kvarova i hoće li se nositi s poznatim potencijalnim kvarovima.

Nedavno je uloženo više truda da se ovo podigne na razinu sustava i pokuša testirati "Sigurnost predviđene funkcionalnosti". Uz SOTIF, timovi rade kako bi osigurali da cijeli sustavi i dalje funkcioniraju, kako s problemima i kvarovima komponenti, tako i s očekivanom zlouporabom. To često uključuje simulaciju cijelog sustava ili njegovih dijelova ili simulaciju "hardvera u petlji" koja je lakša i sigurnija od testiranja uživo na cestama.

Simulacijsko testiranje nudi mogućnost testiranja sustava u milijunima različitih scenarija. Sve što je itko ikada vidio ili čuo ili o čemu je sanjao - sa stotinama malih varijacija svih tih stvari.

Možda je najteže testirati, ali ono što najviše želite znati jest koliko dobro sustav reagira na dosad neviđene situacije. Iako možete izraditi simulacijsko testiranje kako biste znali da se vozilo dobro snalazi u gotovo svim očekivanim situacijama, velika čarobna sposobnost ljudskih umova je sposobnost rješavanja nikad prije viđenih problema. Umjetne inteligencije to mogu, ali nisu baš tako dobre. Na kraju bismo se nadali načinu da svaki dan dobivamo nove, realne, opasne scenarije. Danas je dobro da je vaš automobil programiran da se nosi sa svime što vam je itko ikada pao na pamet, ali pravi zlatni standard može biti da svaki dan ubacite 20 novih situacija koje nikad prije niste vidjeli i otkrijete da se nosi s većinom njih. Čak ni ljudi ne podnose sve njih. To je jedna stvar za koju se nadam da će se dogoditi Projekt sigurnosnog bazena, koji sam pomogao pokrenuti sa Svjetskim ekonomskim forumom, Deepen.AI i Sveučilištem Warwick.

Čak i uz sve simulacije, također morate testirati uživo na cesti. Nitko neće koristiti automobil koji nije pokazao da se vrlo dobro nosi sa stvarnim svijetom. Iako je skup, sustav korištenja ljudskih sigurnosnih vozača za nadzor operacija robocara zapravo ima izvrsnu evidenciju i ne ugrožava javnost u usporedbi s običnom ljudskom vožnjom.

U industriji svaka tvrtka ne može opisati koliko je posvećena sigurnosti. Njihov je posao napraviti sigurno vozilo, ali te deklaracije daju kako bi zadovoljili službenike i javnost. Ironično, javni interes nije napraviti najsigurnije robotske automobile, već najsigurnije ceste. Robocari su alat koji može donijeti sigurnije ceste, a što prije stignu to će prije i bolje to učiniti. Dužnosnici, kad bi ozbiljno shvatili svoju dužnost prema poboljšanju ukupne sigurnosti na cestama, zapravo bi poticali tvrtke da ne idu predaleko po pitanju sigurnosti i da se umjesto toga usredotoče na najbržu implementaciju sigurnije tehnologije – čak i ako rade manje kako bi dokazali da je sigurna kada je implementacija mala , čini to bržim. Ali nikad neće, zbog načina na koji društvo reagira na pogreške i rizik.

Druga komponenta sigurnosti je kibernetička sigurnost. Trebaju nam da ti automobili budu otporni na pokušaje preuzimanja. Neki ljudi ne vole govoriti o kibernetičkoj sigurnosti, ali prošlost automobilske industrije nije bila sjajna. To ne uključuje samo sigurne prakse i alate, već i ono što se naziva "crveno timovanje", gdje tim stručnih hakera s bijelim šeširima lovi izvana kako bi pronašao ranjivosti sve dok ne pronađe više. Još jedan važan alat je minimiziranje povezivosti ili onoga što ljudi iz sigurnosti nazivaju "napadnim površinama". Mnogi u industriji opsjednuti su onim što zamišljaju kao "povezani automobil" i greškom povezivost smatraju tako velikom revolucijom kao što je samovožnja. Nije, ni izdaleka. Potrebna je određena povezanost, ali treba je koristiti štedljivo kako bi prava revolucija ostala sigurna.

Jedan od najvećih izazova za testiranje je široka upotreba strojnog učenja od strane svih timova robotskih automobila. Strojno učenje iznimno je moćan alat umjetne inteligencije i većina ga smatra esencijalnim, ali obično stvara alate "crne kutije" koji donose odluke, ali koje nitko u potpunosti ne razumije. Ako ne znate kako sustav radi ili zašto ne radi ispravno, teško ga je testirati i certificirati. U Europi su donosili zakone koji zahtijevaju da sva umjetna inteligencija bude "objašnjiva" na nekoj razini, ali mnoge mreže strojnog učenja vrlo je teško objasniti. To je zastrašujuće, ali toliko su moćni da ih se nećemo odreći. Možda ćemo se suočiti s crnom kutijom koja je dvostruko sigurnija u testiranju od objašnjivog sustava, a postoje uvjerljivi argumenti koje ljudi daju u korist bilo kojeg izbora.

Predviđanje budućnosti

Robocar je prekriven senzorima, kao što su kamere, radari, LIDAR laseri i više. Senzori su vjerojatno aspekt hardvera o kojem se najviše raspravlja, ali zapravo vam senzori uopće ne govore ono što želite znati. To je zato što vam senzori govore gdje se stvari trenutno nalaze, ali vas nije toliko briga za to. Stalo vam je gdje će stvari biti u budućnosti. Informacije sa senzora samo su trag prema pravom cilju predviđanja budućnosti. Znati gdje se nešto nalazi i koliko se brzo kreće dobar je početak, ali znati što je to jednako je važno za saznanje gdje će biti. Većina objekata na cesti ili blizu nje nisu balistički – čovjek je glavni i može promijeniti kurs. Zato je jedno od ključnih područja istraživanja danas sve bolje u predviđanju što će drugi na cesti, posebice ljudi, učiniti. To može varirati od poznavanja ponašanja u vožnji do otkrivanja hoće li pješak koji stoji na uglu ući na pješački prijelaz ili surfa li internetom.

Iako je nekoliko timova postiglo velik napredak, pokazalo se da su ljudi bolji od današnjih robota u predviđanju drugih ljudi. Postati bolji u tome jedan je od ključnih problema na popisu obaveza, osobito u složenijim okruženjima poput prometnih gradova. Predviđanje budućnosti također uključuje predviđanje kako će drugi reagirati na vaše vlastite pokrete i predviđene pokrete drugih. Spajanje voznih traka ili nezaštićeno lijevo skretanje može biti ples s davanjem i primanjem, a roboautomobili će stalno pokušavati poboljšati svoj način rada.

Osjećaj brže

Senzori mogu biti samo sredstvo za postizanje pravog cilja, ali što su bolji, to bolje možete predvidjeti budućnost. Timovi još uvijek žele napraviti senzore bržima kako bi percepcija i predviđanje bili brži. Jedna stvar koja je važna je poznavanje brzine objekata koji se kreću. Radar vam to govori, ali kamere i stariji LIDAR-i ne, osim ako ne gledate više okvira. Neki noviji LIDAR-i vam mogu reći brzinu kao i udaljenost. Gledanje više okvira oduzima barem onoliko vremena koliko i snimanje okvira, ali obično više.

Jedna od situacija koja može predstavljati problem je kretanje autocestom iza većeg vozila. Zamislite da je ispred tog vozila kamion zaglavljen na bankini, držeći se trake. To se često događa s nesrećama i vozilima hitne pomoći. Iznenada veliko vozilo ispred vas skreće udesno kako bi izbjeglo prepreku, a vi prvi put vidite taj zaustavljeni kamion. Zaista nemate puno vremena za kočenje ili skretanje, a možda nemate ni kamo otići. Ako morate pogledati 3 okvira videa da biste vidjeli da se doista ne miče, to je vjerojatno izgubljena 1/10 sekunde, a ovo je situacija u kojoj može biti važno. Stoga mnogi timovi traže načine da postignu tu prednost, a pronašli su je uglavnom u LIDAR-ima koji mogu mjeriti "Doppler" kako bi znali brzinu svega što pogode laserom. Radari također poznaju brzinu, ali svijet je pun zaustavljenih objekata koji reflektiraju radar, i teško je razlikovati zaustavljeno vozilo od zaustavljene zaštitne ograde pokraj njega.

Na dugi put

Ukratko ću spomenuti da je razlog jedan poznati tim – TeslaTSLA
– još nije spreman jest da pokušavaju namjerno otežati problem. Dok svaki tim u velikoj mjeri koristi računalni vid, Tesla ga želi natjerati da radi samo s računalnim vidom i samo kamerama od 2016. Većina drugih timova također dodaje bolje kamere, LIDAR, radar i karte u svoju kutiju s alatima. Tesla želi iskorak u viziji koji to može učiniti jeftinije. Kažu da svi ti dodatni alati odvlače pažnju. Ali ostatak industrije želi upotrijebiti sve alate kako bi to učinio prije, iako uz veće troškove, i misle da Tesla sam sebe osakaćuje. Zasad, na temelju kvalitete proizvoda – Tesla FSD ozbiljno zaostaje – ostali su u pravu, iako utrka nije završena.

To je prvi dio. Drugi dio bavi se stvarima kao što su biti dobar građanin na cestama, zašto se robotski automobili raspoređuju u jednom gradu u isto vrijeme umjesto posvuda odjednom, i problemima suočavanja s prizemnijom logistikom kao što je zaustavljanje da pokupi vozače, poslovni modeli, aplikacije i previše se brinete o sigurnosti dok natjerate vlade i javnost da vas prihvate. Također ću navesti nekoliko čimbenika na kojima se radi, ali koji nisu stvarni blokirači implementacije. Potražite drugi dio u danima koji dolaze.

Neki smatraju da činjenica da 2022. nemaju robotski automobil ili se u njemu ne voze znači da razvoj daleko kasni. U stvarnosti nikad nije bilo ozbiljnog rasporeda, samo nade, ali zapravo ovaj popis problema budi optimizam, jer se ti preostali problemi općenito čine rješivima. Za rješavanje većine njih potrebni su naporan rad i novac, a ne pomaci.

Očekujte drugi dio, u video i tekstualnom obliku

Možete ostavljati komentare na ovoj stranici ili na video stranici.