Почему у вас еще нет самоуправляемого автомобиля? Эта серия из двух частей объясняет остающиеся большие проблемы

Люди часто спрашивают: «Где моя беспилотная машина?» «Почему у меня его нет и когда он появится?» Многие люди считают, что им обещали автомобиль в конце 20-летнего возраста, но это уже поздно и, возможно, не произойдет, как о летающих автомобилях, о которых говорили десятилетия назад.

В этой серии из двух статей (с сопровождающими видео) давайте рассмотрим основные причины, по которым вы, вероятно, сегодня не едете в роботизированном автомобиле, и когда это может произойти. Какие основные технологические, юридические и социальные проблемы стоят на пути, а какие проблемы на самом деле не блокируют?

Для большинства из нас эти автомобили не могут приехать достаточно скоро. У них есть обещание избежать приличной доли сегодняшних автомобильных аварий, в которых ежегодно погибает более миллиона человек по всему миру. Они сделают нашу жизнь проще и перепишут принципы транспорта. При этом они перепишут то, где мы живем, и саму природу города, а также десятки других отраслей от энергетики до розничной торговли. Каждый день, когда мы откладываем выпуск этих вещей на дороги в больших количествах, тысячи людей погибнут от рук людей, которые не должны были садиться за руль. Каждый день задерживаемся.

Конечно, тяжело

Чтобы было ясно, главная причина того, что «это так долго», заключается в том, что это сложно. Один из самых грандиозных проектов по исследованию программного обеспечения, когда-либо предпринятых. Это потребовало не только революционного программного обеспечения, но и тонны детальной работы в сорняках, связанной с огромным количеством особых случаев и составлением карты мира со всеми его недостатками. Любой, кто думал или думает, что его можно доставить по расписанию, ошибается и никогда раньше не работал с программным обеспечением. Когда автомобильные компании выбрасывали такие даты, как 2020 год, это были надежды, а не прогнозы, и то, что некоторые технологические компании действительно справились с этим, было удивительным. Многолетние проекты, требующие прорывов, никогда точно не прогнозируются.

Никто из тех, кто разбирается в программном обеспечении, не был бы шокирован, если бы прогнозы для такого грандиозного проекта, сделанные много лет назад, не оправдались. Так что дела не «отстают от графика», даже если и не оправдали оптимистичных надежд. Это также означает, что все делается небольшими шагами.

Однако самый большой блокатор на самом деле не делает это (то есть делает его безопасным), а знает, что вы это сделали.

Доказывая, что вы действительно сделали это безопасным

Первая технологическая цель состояла в том, чтобы просто сделать это возможным. Сделать машину, которая может безопасно ездить сама по себе. Это огромное достижение, но, по крайней мере, в нескольких городах несколько компаний уже добились этого. Такие компании, как Waymo, водят более безопасно, чем средний человек, на легких улицах Феникса. Это была «сложная часть», но еще сложнее определить, что такое безопасность, измерить ее и доказать, что вы это сделали. Вы должны доказать это себе, своему совету директоров, своим юристам, общественности и, возможно, даже правительству. Точно так же, как вакцина Moderna Covid была готова в феврале 2020 года, до первого карантина, мир ждал 10 месяцев — в то время как миллион человек умер без нее — прежде чем позволить первым людям сделать прививку. Мы ждали, пока они докажут, что они это сделали.

Измерить безопасность довольно сложно. Мы знаем, как часто водители попадают в аварии всех типов, от незначительных вмятин до смертельных исходов. Смертельные случаи случаются примерно каждые 80 миллионов миль в США, или около 2 миллионов часов вождения. Мы не можем протестировать каждую версию программного обеспечения, говоря: «Давайте заставим его проехать миллиард миль и посмотрим, убьет ли он меньше дюжины людей, которые погибли бы, если бы люди проехали так далеко». Даже один раз проехать по настоящим дорогам невозможно, не говоря уже о каждой новой версии. Мы могли бы ездить намного меньше и считать вмятины и мелкие аварии — на самом деле это лучшее, что мы придумали до сих пор, потому что это, по крайней мере, возможно — но мы не уверены, относится ли это к травмам с роботами так же, как это делает с людьми.

Многие начинают с традиционного для автопрома пути. Они проверяют каждый компонент своих автомобилей, чтобы убедиться, что он надежен и соответствует спецификациям. Они пытаются сделать это с помощью систем компонентов, но эта методология становится трудной, когда все становится сложнее. Это называется функциональной безопасностью — свободны ли компоненты и системы от дефектов и будут ли они справляться с известными потенциальными отказами.

Совсем недавно было предпринято больше усилий, чтобы поднять это до системного уровня и попытаться проверить «безопасность предполагаемой функциональности». С SOTIF команды работают над тем, чтобы целые системы продолжали функционировать, как при проблемах и отказах компонентов, так и при ожидаемом неправильном использовании. Это часто включает моделирование всей системы или ее частей или моделирование «аппаратного обеспечения в цикле», что проще и безопаснее, чем живые испытания на дорогах.

Имитационное тестирование дает возможность протестировать систему в миллионах различных сценариев. Все, что кто-либо когда-либо видел, слышал или о чем мечтал — с сотнями незначительных вариаций всего этого.

Возможно, сложнее всего протестировать, но больше всего вы хотите знать, насколько хорошо система реагирует на невиданные ранее ситуации. В то время как вы можете создать симуляционное тестирование, чтобы убедиться, что транспортное средство работает хорошо почти во всех ожидаемых ситуациях, великая волшебная способность человеческого разума — это способность справляться с невиданными ранее проблемами. ИИ могут это делать, но они не так хороши. В конце концов, мы надеялись найти способ каждый день получать новые, реалистичные и опасные сценарии. Хорошо, что сегодня ваша машина запрограммирована на то, чтобы справляться со всем, о чем кто-либо когда-либо думал, но настоящим золотым стандартом может быть создание 20 новых ситуаций, которых она никогда раньше не видела, каждый день, и выясняется, что она справляется с большинством из них. Даже люди не справляются со всеми из них. Это одна вещь, которую я надеюсь увидеть через Проект пула безопасности, которую я помог инициировать с Всемирным экономическим форумом, Deepen.AI и Уорикским университетом.

Даже при всей симуляции вам также нужно тестировать вживую на дороге. Никто не собирается использовать автомобиль, который не показал, что он очень хорошо справляется с реальным миром. Несмотря на свою дороговизну, система использования водителей-человеков для наблюдения за работой роботизированных автомобилей на самом деле имеет превосходный послужной список и не подвергает общественность опасности по сравнению с обычным вождением человека.

В отрасли каждая компания с трудом описывает, насколько она предана безопасности. Их работа — делать безопасный автомобиль, но они делают эти заявления, чтобы угодить чиновникам и публике. По иронии судьбы, общественный интерес состоит не в создании самых безопасных робокаров, а в самые безопасные дороги. Робомобили — это инструмент, который может сделать дороги более безопасными, и чем раньше они доберутся сюда, тем быстрее и лучше они это сделают. Должностные лица, если бы они серьезно относились к своим обязанностям по повышению общей безопасности дорожного движения, на самом деле поощряли бы компании не заходить слишком далеко в вопросах безопасности и вместо этого сосредоточивались на скорейшем внедрении более безопасных технологий, даже если они делали меньше, чтобы доказать их безопасность, когда развертывание было небольшим. , делает это быстрее. Но они никогда не будут из-за того, как общество реагирует на ошибки и риск.

Второй компонент безопасности — кибербезопасность. Нам нужно, чтобы эти машины были устойчивы к попыткам их захвата. Некоторые люди не любят говорить о кибербезопасности, но прошлая история автомобильной промышленности не была великой. Для этого используются не только безопасные методы и инструменты, но и так называемая «красная команда», когда команда опытных белых хакеров охотится извне, чтобы найти уязвимости, пока они не смогут найти больше. Еще один важный инструмент — минимизация подключений, или то, что специалисты по безопасности называют «поверхностями атаки». Многие в отрасли одержимы тем, что они считают «подключенным автомобилем», и ошибочно принимают возможность подключения к такой же большой революции, как самостоятельное вождение. Это не так, не удаленно. Необходима некоторая связь, но ее следует использовать экономно, чтобы настоящая революция могла оставаться в безопасности.

Одной из самых больших проблем при тестировании является широкое использование машинного обучения всеми командами робокаров. Машинное обучение — чрезвычайно мощный инструмент ИИ, и большинство считает его важным, но оно имеет тенденцию создавать инструменты «черного ящика», которые принимают решения, но которые никто полностью не понимает. Если вы не знаете, как работает система, почему она дает сбой или работает правильно, ее трудно протестировать и сертифицировать. В Европе принимают законы, требующие, чтобы весь ИИ был «объясним» на каком-то уровне, но многие сети машинного обучения объяснить очень сложно. Это страшно, но они настолько могущественны, что мы не отдадим их. Мы можем столкнуться с черным ящиком, который в два раза безопаснее при тестировании, чем объяснимая система, и есть убедительные аргументы, которые люди приводят в пользу любого выбора.

Прогнозирование будущего

Робокар покрыт датчиками, такими как камеры, радары, лазеры LIDAR и многое другое. Датчики, вероятно, являются наиболее обсуждаемым аспектом аппаратного обеспечения, но на самом деле датчики вообще не сообщают вам того, что вы хотите знать. Это потому, что датчики сообщают вам, где что находится прямо сейчас, но вас это не слишком волнует. Вам важно, что будет в будущем. Информация с датчиков — это всего лишь ключ к реальной цели предсказания будущего. Знать, где что-то находится и как быстро оно движется, — хорошее начало, но знание того, что это такое, так же важно, чтобы знать, где оно будет. Большинство объектов на дороге или рядом с ней не являются баллистическими — за них отвечает человек, который может изменить курс. Вот почему сегодня одной из ключевых областей исследований является улучшение предсказания того, что собираются делать другие участники дорожного движения, в частности люди. Это может варьироваться от знания поведения при вождении до выяснения того, собирается ли пешеход, стоящий на углу, выйти на пешеходный переход или просматривает веб-страницы.

Хотя несколько команд добились больших успехов, оказалось, что люди лучше современных роботов предсказывают других людей. Улучшить это — одна из ключевых проблем в списке задач, особенно в более сложных условиях, таких как оживленные города. Предсказание будущего также включает в себя предсказание того, как другие будут реагировать на ваши собственные действия и прогнозируемые действия других. Слияние с полосой движения или незащищенный левый поворот могут быть танцем с отдачей и взятием, и робокары будут постоянно пытаться улучшить то, как они это делают.

Чувствовать быстрее

Сенсоры могут быть только средством для достижения реальной цели, но чем лучше они работают, тем лучше вы можете предсказать это будущее. Команды все еще стремятся сделать датчики быстрее, чтобы быстрее воспринимать и прогнозировать. Важно знать скорость движущихся объектов. Радар говорит вам об этом, а камеры и старые лидары — нет, если вы не смотрите на несколько кадров. Некоторые новые лидары могут сообщать вам не только расстояние, но и скорость. Просмотр нескольких кадров занимает как минимум столько же времени, сколько и съемка кадров, но обычно больше.

Одна из ситуаций, которая может стать проблемой, — это движение по шоссе позади более крупного транспортного средства. Представьте, что впереди этого транспортного средства стоит грузовик, застрявший на обочине и вклинившийся в полосу. Это часто случается с авариями и автомобилями скорой помощи. Внезапно большой автомобиль перед вами поворачивает направо, чтобы объехать препятствие, и вы впервые видите заглохший грузовик. У вас действительно не так много времени, чтобы затормозить или свернуть, и вам может даже некуда идти. Если вам нужно просмотреть 3 кадра видео, чтобы увидеть, что оно действительно не движется, это, вероятно, 1/10 секунды впустую, и это ситуация, когда это может иметь значение. Поэтому многие команды ищут способы получить это преимущество, и они нашли его в основном в лидарах, которые могут измерять «доплеровский коэффициент», чтобы узнать скорость всего, что они поражают лазером. Радары тоже знают скорость, но мир полон остановившихся объектов, отражающих радар, и трудно отличить остановившееся транспортное средство от остановившегося ограждения рядом с ним.

Принимая длинный путь

Кратко упомяну, что причина одна известная команда – ТеслаTSLA
– еще не готов, заключается в том, что они намеренно пытаются усложнить задачу. В то время как каждая команда активно использует компьютерное зрение, Tesla хочет заставить его работать только с компьютерным зрением и только с камерами 2016 года. Большинство других команд также добавляют в свой набор инструментов более совершенные камеры, LIDAR, радары и карты. Тесла хочет революционного видения, которое может сделать это дешевле. Они говорят, что все эти дополнительные инструменты отвлекают. Но остальная часть отрасли хочет использовать все инструменты, чтобы сделать это быстрее, хотя и с большими затратами, и думает, что Tesla наносит вред себе. Пока что по качеству продукта — Tesla FSD серьезно отстает — остальные правы, хотя гонка еще не закончена.

Это первая часть. Во второй части рассматриваются такие вещи, как быть хорошим гражданином на дорогах, почему робомобили развертываются в одном городе за раз, а не везде сразу, а также проблемы решения более приземленной логистики, такие как остановки, чтобы забрать пассажиров, бизнес-модели, приложений и слишком много беспокоится о безопасности, добиваясь того, чтобы правительства и общественность приняли вас. Я также перечислю несколько факторов, над которыми ведется работа, но которые не являются реальными препятствиями для развертывания. Вторую часть ждите в ближайшие дни.

Некоторые считают, что тот факт, что в 2022 году у них нет роботизированной машины, означает, что разработка сильно отстает от графика. На самом деле серьезного графика никогда не было, одни надежды, а на самом деле этот список проблем сулит оптимизм, потому что эти оставшиеся проблемы кажутся в целом разрешимыми. Чтобы справиться с большинством из них, нужны тяжелая работа и деньги, а не прорывы.

Оставайтесь с нами для второй части, в видео и текстовой форме

Вы можете оставлять комментарии на этой странице или на странице видео.