Чому у вас ще немає безпілотного автомобіля? Ця серія з двох частин пояснює великі проблеми, що залишилися

Люди часто запитують: «Де моя безпілотна машина?» «Чому в мене його немає і коли він прийде?» Багато людей відчувають, що їм пообіцяли автомобіль наприкінці 20-ти років, але це пізно, і, можливо, не з’явиться, як про літаючі автомобілі, про які говорили десятиліття тому.

У цій серії з двох статей (із супровідними відео) давайте розглянемо основні причини, чому ви, ймовірно, сьогодні не їздите на робокарі, і коли це може статися. Які основні технологічні, правові та соціальні проблеми стоять на заваді, і які проблеми насправді не є блокувальниками?

Для більшості з нас ці машини не можуть приїхати сюди досить швидко. Вони обіцяють уникнути значної частини сучасних автомобільних аварій, у яких щороку гине понад мільйон людей у ​​всьому світі. Вони полегшать наше життя і перепишуть принципи транспорту. Роблячи це, вони перепишуть, де ми живемо, і саму природу міста, а також десятки інших галузей промисловості від енергетики до роздрібної торгівлі. Щодня ми відкладаємо масовий показ цих речей на дорогах, тисячі загинуть від рук людей, які не повинні були бути за кермом. Кожен день ми затримуємося.

Звичайно, важко

Щоб було зрозуміло, головною причиною того, що «це так довго» є те, що це важко. Один із найграндіозніших дослідницьких проектів програмного забезпечення, які будь-коли здійснювалися. Для цього знадобилося не лише революційне програмне забезпечення, але й тонна детальної роботи в бур’янах, яка має справу з величезною кількістю особливих випадків і картографування світу та всіх його зморшок. Будь-хто, хто думав або думає, що це можна доставити за розкладом, помиляється і ніколи раніше не працював із програмним забезпеченням. Коли автомобільні компанії викидали такі дати, як 2020 рік, це були надії, а не прогнози, і те, що деякі технологічні компанії справді це зробили, було дивовижним. Багаторічні проекти, які потребують проривів, ніколи не прогнозуються точно.

Ніхто з досвідом розробки програмного забезпечення не буде шокований, якщо прогнози щодо такого грандіозного проекту, зроблені багато років тому, будуть неточними. Отже, справа не «відстає від графіка», навіть якщо вона не виправдала оптимістичних надій. Це також означає, що все робиться меншими кроками.

Однак найбільший блокувальник полягає не в тому, щоб робити це насправді (тобто робити це безпечним), а знати, що ви це зробили.

Доводячи, що ви дійсно зробили це безпечним

Першою технологічною метою було просто здійснити це. Створити автомобіль, який може безпечно їздити сам. Це грандіозне досягнення, але принаймні в кількох містах кілька компаній уже досягли цього. На простих вулицях Фенікса такі компанії, як Waymo, зробили водіння безпечнішим, ніж звичайна людина. Це була «важка частина», але ще важча частина — визначити, що таке безпека, виміряти її та довести, що ви це зробили. Ви повинні довести це собі, своїй раді, своїм юристам, громадськості і, можливо, навіть уряду. Так само, як вакцина Moderna Covid була готова в лютому 2020 року, перед першим карантином, світ чекав 10 місяців, поки мільйон людей помер без неї, перш ніж дозволити першим людям зробити щеплення. Ми чекали, поки вони доведуть, що вони це зробили.

Виміряти безпеку досить важко. Ми знаємо, як часто люди-водії потрапляють у ДТП усіх типів, від незначних забоїв до смертельних наслідків. Смертельні випадки трапляються приблизно кожні 80 мільйонів миль у США або приблизно 2 мільйони годин водіння. Ми не можемо тестувати кожну версію програмного забезпечення, кажучи: «Давайте проїдемо мільярд миль і побачимо, чи вб’є воно менше, ніж дюжина людей, які померли б, якби люди проїхали так далеко». Це неможлива відстань проїхати справжніми дорогами навіть один раз, не кажучи вже про кожну нову версію. Ми могли б набагато менше їздити за кермом і рахувати удари та незначні аварії – насправді це найкраще, що ми придумали на даний момент, тому що це принаймні можливо, – але ми не впевнені, чи це пов’язано з травмами від роботів так само, як робить з людьми.

Багато хто починає традиційний автомобільний шлях. Вони перевіряють кожен компонент своїх автомобілів, щоб переконатися, що він надійний і відповідає специфікаціям. Вони намагаються зробити це за допомогою систем компонентів, але ця методологія стає складною, коли все стає складніше. Це називається функціональною безпекою – чи компоненти та системи не мають дефектів і чи справляються вони з відомими потенційними збоями.

Нещодавно було докладено більше зусиль, щоб підняти це на системний рівень і спробувати перевірити «безпеку передбачуваної функціональності». Завдяки SOTIF команди працюють над тим, щоб цілі системи продовжували працювати, як з проблемами та збоями компонентів, так і з передбачуваним неправильним використанням. Це часто передбачає моделювання всієї системи або її частин, або моделювання «апаратного забезпечення в циклі», що легше та безпечніше, ніж тестування на дорогах.

Симуляційне тестування пропонує можливість перевірити систему в мільйонах різних сценаріїв. Все, що хтось коли-небудь бачив, чув або про що мріяв – із сотнями невеликих варіацій усіх цих речей.

Можливо, найважче перевірити, але найбільше хочеться знати, наскільки добре система реагує на ситуації, яких раніше не бачили. Хоча ви можете створити симуляційне тестування, щоб знати, що транспортний засіб справляється добре майже в усіх очікуваних ситуаціях, великою магічною здатністю людського розуму є здатність справлятися з проблемами, яких раніше не бачили. ШІ можуть це робити, але вони не такі хороші. Зрештою, ми будемо сподіватися, що кожен день будемо отримувати нові, реалістичні, небезпечні сценарії. Сьогодні добре, що ваш автомобіль запрограмований на те, щоб справлятися з усім, про що хтось коли-небудь думав, але справжнім золотим стандартом може бути щодня створювати 20 нових ситуацій, яких він ніколи раніше не бачив, і з’ясувати, що він справляється з більшістю з них. Навіть люди не впораються з усіма. Це одна річ, яку я сподіваюся побачити через Проект басейну безпеки, яку я допоміг ініціювати разом із Всесвітнім економічним форумом, Deepen.AI та Університетом Ворвіка.

Навіть з усіма симуляціями вам також потрібно провести випробування на дорозі. Ніхто не збирається розгортати автомобіль, який не продемонстрував, що він дуже добре справляється з реальним світом. Незважаючи на те, що система використання водіїв безпеки для нагляду за роботами роботокарів є дорогою, вона насправді має чудовий досвід і не загрожує громадськості порівняно зі звичайним водінням людини.

Кожна компанія в індустрії переживає, щоб описати, наскільки вони віддані безпеці. Їхня робота — створювати безпечні транспортні засоби, але вони роблять ці декларації, щоб догодити чиновникам і громадськості. За іронією долі, інтерес суспільства полягає не в тому, щоб створити найбезпечніші робокари, а скоріше найбезпечніші дороги. Робокари – це інструмент, який може зробити дороги безпечнішими, і чим швидше вони приїдуть сюди, тим швидше й краще вони це зроблять. Офіційні особи, якби вони серйозно ставилися до свого обов’язку покращити загальну безпеку дорожнього руху, фактично заохочували б компанії не заходити надто далеко в питаннях безпеки, а натомість зосереджуватися на якнайшвидшому розгортанні безпечніших технологій – навіть якщо робити менше, щоб довести, що це безпечно, коли розгортання невелике , робить це швидше. Але вони ніколи не зроблять це через те, як суспільство реагує на помилки та ризик.

Друга складова безпеки – кібербезпека. Нам потрібні, щоб ці автомобілі були надійними проти спроб їх захоплення. Деякі люди не люблять говорити про кібербезпеку, але минула історія автомобільної промисловості не була чудовою. Для цього потрібні не лише безпечні практики та інструменти, а й те, що називається «червоною командою», де команда досвідчених хакерів шукає ззовні вразливі місця, доки не зможе знайти більше. Ще один важливий інструмент — мінімізація з’єднання, або те, що люди з безпеки називають «поверхнею для атаки». Багато представників галузі одержимі тим, що, на їхню думку, є «підключеним автомобілем» і помилково вважають зв’язок такою ж великою революцією, як безпілотне керування. Це не так, не віддалено. Потрібен певний зв’язок, але його слід використовувати економно, щоб справжня революція залишалася безпечною.

Однією з найбільших проблем для тестування є широке використання машинного навчання всіма командами робокарів. Машинне навчання є надзвичайно потужним інструментом штучного інтелекту, і більшість вважає його необхідним, але воно, як правило, створює інструменти «чорної скриньки», які приймають рішення, але які ніхто повністю не розуміє. Якщо ви не знаєте, як працює система, чому вона дає збій чи працює правильно, її важко протестувати та сертифікувати. У Європі приймають закони, які вимагають, щоб увесь штучний інтелект був «пояснимим» на певному рівні, але багато мереж машинного навчання дуже важко пояснити. Це страшно, але вони настільки могутні, що ми від них не відмовимося. Ми можемо зіткнутися з чорною скринькою, яка вдвічі безпечніша під час тестування, ніж зрозуміла система, і є переконливі аргументи, які люди наводять на користь будь-якого вибору.

Прогнозування майбутнього

Робокар оснащений датчиками, такими як камери, радари, лазери LIDAR тощо. Датчики, мабуть, є найбільш обговорюваним аспектом апаратного забезпечення, але насправді датчики взагалі не говорять вам того, що ви хочете знати. Це тому, що датчики повідомляють вам, де що знаходиться зараз, але вас це не дуже хвилює. Вам не байдуже, як все буде в майбутньому. Інформація від датчиків є лише підказкою до справжньої мети передбачення майбутнього. Знати, де щось знаходиться і як швидко воно рухається, — це хороший початок, але знати, що це таке, не менш важливо для того, щоб знати, де це буде. Більшість об’єктів на дорозі чи біля неї не є балістичними – людина керує та може змінювати курс. Ось чому одна з ключових сфер сьогоднішніх досліджень полягає в тому, щоб краще передбачати, що збираються робити інші на дорозі, зокрема люди. Це може варіюватися від знання поведінки за кермом до визначення того, чи збирається пішохід, що стоїть на розі, вийти на пішохідний перехід або переглядає веб-сторінки.

Хоча кілька команд досягли значного прогресу, виявилося, що люди краще, ніж сучасні роботи, передбачають інших людей. Поліпшення в цьому є однією з ключових проблем у списку справ, особливо в складніших середовищах, таких як жваві міста. Передбачення майбутнього також передбачає передбачення того, як інші реагуватимуть на ваші власні рухи та передбачені рухи інших. З’єднання зі смугою руху або незахищений поворот ліворуч можуть бути танцем, і робокари постійно намагатимуться покращити свої результати.

Відчуття швидше

Датчики можуть бути лише засобом досягнення справжньої мети, але чим краще вони працюють, тим краще ви можете передбачити майбутнє. Команди все ще прагнуть зробити датчики швидшими, щоб швидше сприймати та прогнозувати. Важливо знати швидкість об’єктів, що рухаються. Радар повідомляє вам це, але камери та старіші LIDAR ні, якщо ви не дивитеся на кілька кадрів. Деякі новіші LIDAR можуть визначити швидкість, а також відстань. Перегляд кількох кадрів займає принаймні стільки ж часу, скільки перегляд самих кадрів, але зазвичай більше.

Однією з ситуацій, яка може бути проблемою, є рух по шосе за більшим транспортним засобом. Уявіть, що попереду цього транспортного засобу стоїть вантажівка, яка застрягла на узбіччі та в’їжджає на смугу. Це часто трапляється з аваріями та автомобілями швидкої допомоги. Раптом великий транспортний засіб перед вами повертає праворуч, щоб уникнути перешкоди, і ви вперше бачите цю заглохлу вантажівку. У вас справді не так багато часу, щоб гальмувати чи повертати, і вам навіть може не бути куди їхати. Якщо вам потрібно переглянути 3 кадри відео, щоб побачити, що воно справді не рухається, це, мабуть, 1/10 секунди втрачено, і це ситуація, коли це може мати значення. Тож багато команд шукають способи отримати цю перевагу, і вони знайшли це переважно в LIDAR, які можуть вимірювати «доплерівський» ефект, щоб знати швидкість усього, у що вони потрапляють за допомогою лазера. Радари також знають швидкість, але світ повний зупинених об’єктів, які відображають радар, і важко відрізнити зупинений автомобіль від зупиненого поручня.

Шлях довгим шляхом

Коротко згадаю, що причина одна знаменита команда – TeslaTSLA
– ще не готовий – це те, що вони свідомо намагаються ускладнити проблему. Хоча кожна команда активно використовує комп’ютерне бачення, Tesla хоче, щоб з 2016 року воно працювало лише з комп’ютерним зором і лише з камерами. Більшість інших команд також додають кращі камери, LIDAR, радар і карти до свого інструментарію. Tesla хоче прориву в концепції, який може зробити це дешевше. Вони кажуть, що всі ці додаткові інструменти відволікають увагу. Але решта індустрії хоче використати всі інструменти, щоб зробити це швидше, хоча й з більшими витратами, і вважає, що Tesla завдає шкоди сама собі. Поки що, виходячи з якості продукту – Tesla FSD серйозно відстає – інші мають рацію, хоча гонка ще не завершена.

Це перша частина. У другій частині розглядаються такі речі, як бути хорошим громадянином доріг, чому робокари розгортаються в одному місті за раз, а не скрізь одночасно, і проблеми вирішення більш приземленої логістики, як-от зупинка, щоб забрати водіїв, бізнес-моделі, додатків і надто багато турбуючись про безпеку, водночас змушуючи уряди та громадськість сприймати вас. Я також перерахую кілька факторів, над якими ми працюємо, але не є реальними перешкодами для розгортання. Чекайте другу частину найближчими днями.

Дехто вважає, що той факт, що у 2022 році вони не мають робокару або не їздять на ньому, означає, що розвиток значно відстає від графіка. Насправді серйозного розкладу ніколи не було, лише надії, але насправді цей перелік проблем вселяє оптимізм, тому що ці проблеми, які залишилися, здаються загалом вирішальними. Щоб впоратися з більшістю з них, потрібні наполеглива праця та гроші, а не прориви.

Чекайте другу частину у відео та текстовому вигляді

Ви можете залишати коментарі на цій сторінці або на сторінці відео.