Zakaj še nimate samovozečega avtomobila? Ta 2-delna serija razlaga velike preostale težave

Ljudje se pogosto sprašujejo: "Kje je moj samovozeči avto?" "Zakaj ga nimam in kdaj bo prišel?" Veliko ljudi meni, da so jim v poznih dvajsetih letih obljubili avtomobil, ki pa je že pozen in ga morda sploh ne bo, tako kot o letečih avtomobilih, o katerih se je govorilo pred desetletji.

V tej seriji z dvema člankoma (s spremljajočimi videoposnetki) si poglejmo glavne razloge, zakaj se danes verjetno ne vozite v robotskem avtomobilu, in kdaj bi se to lahko zgodilo. Katera so ključna tehnološka, ​​pravna in socialna vprašanja, ki stojijo na poti, in katera vprašanja dejansko niso zaviralci?

Za večino od nas ti avtomobili ne morejo priti dovolj hitro. Obljubljajo, da se bodo izognili dostojnemu deležu današnjih prometnih nesreč, v katerih vsako leto umre več kot milijon ljudi po vsem svetu. Olajšali nam bodo življenje in na novo napisali načela prevoza. Pri tem bodo na novo zapisali, kje živimo in samo naravo mesta, pa tudi na desetine drugih industrij, od energetike do maloprodaje. Vsak dan odlašamo s tem, da bi te stvari v velikem obsegu dali na cesto, na tisoče bo umrlo v rokah ljudi, ki ne bi smeli voziti. Vsak dan zamujamo.

Seveda je težko

Če smo jasni, je največji razlog, da "traja tako dolgo", ta, da je težko. Eden največjih raziskovalnih projektov programske opreme, kar jih je bilo kdaj. Potreboval je ne le prelomno programsko opremo, ampak tudi ogromno podrobnega dela v plevelu, ki se ukvarja z ogromnim številom posebnih primerov in kartira svet in vse njegove gube. Vsakdo, ki je mislil ali misli, da je to mogoče dostaviti po urniku, se moti in nikoli prej ni delal v programski opremi. Ko so avtomobilska podjetja zavrgla datume, kot je 2020, so bili to upi, ne napovedi, in to, da so nekatera tehnološka podjetja to dejansko izvedla, je bilo neverjetno. Večletni projekti, ki zahtevajo preboje, niso nikoli natančno predvideni.

Nihče z izkušnjami s programsko opremo ne bi bil šokiran, če napovedi za tako velik projekt izpred mnogih let ne bi bile točne. Stvari torej ne »zaostajajo«, tudi če niso izpolnile optimističnih upov. To tudi pomeni, da se stvari delajo v manjših korakih.

Največji oviralec pa ni to, da tega dejansko počneš (tj. narediš varno), ampak veš, da si to naredil.

Dokazovanje, da ste res poskrbeli za varno

Prvi tehnološki cilj je bil le uresničiti. Narediti avto, ki se lahko varno vozi sam. To je ogromen dosežek, a vsaj v nekaj mestih je nekaj podjetij to že izvedlo. Podjetja, kot je Waymo, so na preprostih ulicah Phoenixa dosegla varnejšo vožnjo od povprečnega človeka. To je bil »težji del« – a še težji del je definirati, kaj je varnost, jo izmeriti in dokazati, da ste to storili. To morate dokazati sebi, svojemu odboru, svojim odvetnikom, javnosti in morda celo vladi. Tako kot je bilo cepivo Moderna Covid pripravljeno februarja 2020, pred prvim zaprtjem, je svet čakal 10 mesecev – medtem ko je milijon ljudi umrlo brez njega –, preden je prvim ljudem omogočil cepljenje. Čakali smo, da dokažejo, da so to storili.

Merjenje varnosti je precej težko. Vemo, kako pogosto imajo človeški vozniki prometne nesreče vseh vrst, od manjših udarcev do smrtnih žrtev. Smrtni primeri se zgodijo približno vsakih 80 milijonov milj v ZDA ali približno 2 milijona ur vožnje. Ne moremo preizkusiti vsake različice programske opreme z besedami: "Prevozimo milijardo milj in vidimo, ali ubije manj kot ducat ljudi, ki bi umrli, če bi se ljudje vozili tako daleč." Po pravih cestah se je nemogoče prevoziti že enkrat, kaj šele z vsako novo različico. Morda se vozimo veliko manj in štejemo udarce in manjše trke – v bistvu je to najboljše, kar smo do zdaj iznašli, ker je vsaj mogoče – vendar nismo prepričani, ali je to enako povezano s poškodbami pri robotih počne z ljudmi.

Mnogi začnejo na tradicionalni način avtomobilske industrije. Preizkušajo vsako komponento svojih vozil, da se prepričajo, ali je zanesljiva in ustreza specifikacijam. To poskušajo narediti s sistemi komponent, vendar ta metodologija postane težavna, ko stvari postanejo bolj zapletene. To se imenuje funkcionalna varnost – ali so komponente in sistemi brez napak in ali bodo obvladovali znane morebitne okvare.

V zadnjem času je bilo vloženih več truda, da bi to dvignili na sistemsko raven in poskusili preizkusiti "varnost načrtovane funkcionalnosti". S SOTIF si ekipe prizadevajo zagotoviti, da bodo celotni sistemi še vedno delovali, tako s težavami in okvarami komponent kot tudi s pričakovano zlorabo. To pogosto vključuje simulacijo celotnega sistema ali njegovih delov ali simulacijo »strojne opreme v zanki«, ki je lažja in varnejša od testiranja v živo na cestah.

Simulacijsko testiranje ponuja možnost testiranja sistema v milijonih različnih scenarijev. Vse, kar je kdo kdaj videl ali slišal ali o čemer je sanjal – s stotinami majhnih različic vseh teh stvari.

Morda je najtežje preizkusiti, a najbolj želite vedeti, kako dobro se sistem odziva na situacije, ki jih še niste videli. Medtem ko lahko ustvarite simulacijsko testiranje, da veste, da se vozilo dobro obnese v skoraj vseh pričakovanih situacijah, je velika čarobna sposobnost človeških umov sposobnost obvladovanja še nikoli videnih težav. AI to zmorejo, vendar niso tako dobri. Sčasoma bi upali na način, da vsak dan dobimo nove, realistične, nevarne scenarije. Danes je dobro, da je vaš avto programiran tako, da se spopade z vsem, kar je kdo kdaj pomislil, toda pravi zlati standard je morda ta, da vsak dan vržete 20 novih situacij, ki jih še niste videli, in ugotovite, da jih obvlada večino. Tudi ljudje ne obvladamo vseh. To je ena stvar, za katero upam, da se bo zgodila Projekt varnostnega bazena, ki sem ga pomagal začeti s Svetovnim gospodarskim forumom, Deepen.AI in Univerzo Warwick.

Tudi z vsemi simulacijami morate preizkusiti tudi v živo na cesti. Nihče ne bo uporabil avtomobila, ki ni pokazal, da se zelo dobro znajde v resničnem svetu. Čeprav je sistem uporabe človeških varnostnih voznikov za nadzor nad delovanjem robotskega avtomobila drag, ima dejansko odlične rezultate in ne ogroža javnosti v primerjavi z običajno človeško vožnjo.

V industriji se vsako podjetje zmoti, ko opisuje, kako predano skrbijo za varnost. Njihova naloga je izdelati varno vozilo, vendar te izjave dajejo, da bi zadovoljili uradnike in javnost. Ironično je, da javni interes ni izdelava najvarnejših robotskih avtomobilov, temveč najvarnejše ceste. Robocarji so orodje, ki lahko pripelje do varnejših cest, in prej kot bodo prišli sem, prej in bolje bodo to storili. Če bi uradniki resno vzeli svojo dolžnost izboljšanja splošne varnosti v cestnem prometu, bi dejansko spodbujali podjetja, naj ne gredo predaleč glede varnosti in se raje osredotočijo na najhitrejšo uvedbo varnejše tehnologije – tudi če bi naredili manj, da bi dokazali, da je varna, ko je uvedba majhna , omogoča hitrejše izvajanje. Vendar jih nikoli ne bo, zaradi načina, kako se družba odziva na napake in tveganja.

Druga komponenta varnosti je kibernetska varnost. Potrebujemo, da so ti avtomobili odporni proti poskusom prevzema. Nekateri ljudje neradi govorijo o kibernetski varnosti, vendar pretekla zgodovina avtomobilske industrije ni bila dobra. To ne vključuje le varnih praks in orodij, ampak tudi tako imenovano »rdeče timiranje«, kjer ekipa strokovnih hekerjev z belimi klobuki lovi od zunaj, da bi odkrila ranljivosti, dokler ne najdejo več. Eno drugo pomembno orodje je zmanjševanje povezljivosti ali temu, čemur varnostniki pravijo »napadne površine«. Mnogi v industriji so obsedeni s tem, kar si predstavljajo kot »povezani avtomobil«, povezljivost pa zamenjujejo s tako veliko revolucijo, kot je samovožnja. Ni, ne na daljavo. Nekaj ​​povezljivosti je potrebno, vendar jo je treba uporabljati zmerno, da lahko prava revolucija ostane varna.

Eden največjih izzivov za testiranje je široka uporaba strojnega učenja v vseh ekipah robotskih avtomobilov. Strojno učenje je izjemno zmogljivo orodje AI in večina meni, da je bistveno, vendar se nagiba k ustvarjanju orodij »črne skrinjice«, ki sprejemajo odločitve, vendar jih nihče popolnoma ne razume. Če ne veste, kako sistem deluje ali zakaj odpove ali deluje pravilno, ga je težko preizkusiti in certificirati. V Evropi pripravljajo zakone, ki zahtevajo, da je vsa umetna inteligenca na določeni ravni "razložljiva", vendar je veliko omrežij strojnega učenja zelo težko razložiti. To je strašljivo, vendar so tako močni, da se jim ne bomo odrekli. Morda se soočimo s črno skrinjico, ki je dvakrat bolj varna pri testiranju kot razložljiv sistem, in obstajajo prepričljivi argumenti, ki jih ljudje dajejo v prid kateri koli izbiri.

Napovedovanje prihodnosti

Robocar je prekrit s senzorji, kot so kamere, radarji, laserji LIDAR in drugo. Senzorji so verjetno vidik strojne opreme, o katerem se najbolj razpravlja, a v resnici vam senzorji sploh ne povedo tistega, kar bi radi vedeli. To je zato, ker vam senzorji povedo, kje so stvari trenutno, vendar vas to ne zanima toliko. Zanima vas, kje se bodo stvari odvijale v prihodnosti. Podatki iz senzorjev so le namig k resničnemu cilju napovedovanja prihodnosti. Vedeti, kje je nekaj in kako hitro se premika, je dober začetek, a vedeti, kaj je, je prav tako pomembno, da veste, kje bo. Večina predmetov na ali ob cesti ni balističnih – človek je glavni in lahko spremeni smer. Zato je eno ključnih področij današnjega raziskovanja vse boljše napovedovanje, kaj bodo storili drugi na cesti, zlasti ljudje. To lahko obsega vse od poznavanja vedenja med vožnjo do ugotovitve, ali bo pešec, ki stoji na vogalu, zapeljal na prehod za pešce ali brskal po spletu.

Medtem ko je več ekip doseglo velik napredek, se je izkazalo, da so ljudje pri napovedovanju drugih ljudi boljši od današnjih robotov. Postati boljši pri tem je ena ključnih težav na seznamu opravil, zlasti v bolj zapletenih okoljih, kot so prometna mesta. Napovedovanje prihodnosti vključuje tudi napovedovanje, kako se bodo drugi odzvali na vaše lastne premike in predvidena gibanja drugih. Združitev voznega pasu ali nezaščiten levi zavoj je lahko ples z dajanjem in dajanjem, robotski avtomobili pa bodo nenehno poskušali izboljšati svoje delovanje.

Hitrejše zaznavanje

Senzorji so morda le sredstvo za dosego pravega cilja, a boljši ko delujejo, bolje lahko napoveste to prihodnost. Ekipe še vedno iščejo hitrejše senzorje za hitrejše zaznavanje in napovedovanje. Ena stvar, ki je pomembna, je poznavanje hitrosti premikajočih se predmetov. Radar vam to pove, kamere in starejši LIDAR-ji pa ne, razen če pogledate več sličic. Nekateri novejši LIDAR-ji vam lahko povedo hitrost in razdaljo. Pregledovanje več sličic traja vsaj toliko časa kot slikanje sličic, vendar običajno več.

Ena od situacij, ki lahko predstavlja težavo, je premikanje po avtocesti za večjim vozilom. Predstavljajte si, da je pred tem vozilom tovornjak, ki obstane na bankini in se drži voznega pasu. To se pogosto dogaja pri nesrečah in reševalnih vozilih. Nenadoma veliko vozilo pred vami zavije desno, da bi se izognilo oviri, in prvič vidite ustavljeni tovornjak. Resnično nimate veliko časa za zaviranje ali zavijanje in morda niti nimate kam iti. Če morate pogledati 3 sličice videoposnetka, da vidite, da se res ne premika, je to verjetno izgubljena 1/10 sekunde in to je situacija, ko je to lahko pomembno. Zato veliko ekip išče načine, kako doseči to prednost, in našli so jo večinoma v LIDAR-jih, ki lahko merijo "Doppler", da bi vedeli hitrost vsega, kar zadenejo z laserjem. Tudi radarji poznajo hitrost, vendar je svet poln ustavljenih predmetov, ki odbijajo radar, in težko je ločiti ustavljeno vozilo od ustavljene zaščitne ograje poleg njega.

Na dolgi poti

Na kratko bom omenil, da je razlog ena znana ekipa – TeslaTSLA
– še ni pripravljen je, da poskušajo namerno zaostriti težavo. Medtem ko vsaka ekipa močno uporablja računalniški vid, želi Tesla od leta 2016 omogočiti, da deluje samo z računalniškim vidom in samo s kamerami. Večina drugih ekip dodaja tudi boljše kamere, LIDAR, radar in zemljevide v svojo orodje. Tesla želi preboj v vizijo, ki bi to lahko naredil ceneje. Pravijo, da so vsa ta dodatna orodja moteča. Toda preostala industrija želi uporabiti vsa orodja, da bi to naredila prej, čeprav z višjimi stroški, in misli, da Tesla hromi samega sebe. Zaenkrat glede na kakovost izdelka – Tesla FSD resno zaostaja – imajo drugi prav, čeprav dirka še ni končana.

To je prvi del. Drugi del obravnava stvari, kot je biti dober državljan na cestah, zakaj so robotski avtomobili nameščeni v enem mestu naenkrat namesto povsod naenkrat, in težave pri obravnavanju bolj vsakdanje logistike, kot je ustavljanje, da pobereš voznike, poslovne modele, aplikacije in preveč skrbi za varnost, medtem ko vas vlade in javnost sprejemajo. Navedel bom tudi nekaj dejavnikov, na katerih delamo, vendar ne ovirajo uvajanja. Drugi del poiščite v prihodnjih dneh.

Nekateri menijo, da dejstvo, da leta 2022 nimajo ali se vozijo z robotskim avtomobilom, pomeni, da razvoj močno zamuja. V resnici nikoli ni bilo resnega razporeda, samo upanje, v resnici pa ta seznam problemov daje optimizem, saj se ti preostali problemi na splošno zdijo rešljivi. Za spopadanje z večino od njih sta potrebna trdo delo in denar, ne pa preboji.

Spremljajte drugi del, v video in besedilni obliki

Komentarje lahko pustite na tej strani ali na strani z videoposnetki.