Samořízená auta nebudou muset najet miliardy kilometrů, aby se naučila řídit. Vědci vymysleli jednodušší řešení

  • Aby byla auta zcela autonomní, musí najet miliardy kilometrů v reálném provozu a situacích
  • Vědci ale našli způsob, jak vše zjednodušit a snížit nutný počet najetých kilometrů
  • Nároky se sníží až o 99,9 %
Samořízená auta nebudou muset najet miliardy kilometrů, aby se naučila řídit. Vědci vymysleli jednodušší řešení

Vědci z Michiganské univerzity, kteří se specializují na výzkum v oblasti dopravy, přišli na způsob, jak zjednodušit proces učení a kontroly schopností autonomních automobilů, které budou na reálných silnicích řídit zcela samy. Díky obrovskému zjednodušení se zrychlí celý testovací proces, sníží náklady a umožní rychlejší nasazené do reality.

Nejpokročilejší systémy pro autonomní řízení se pyšní tím, že mají především najeto obrovské množství kilometrů v reálném provozu na reálných silnicích. Mezi špičky v oborou patří Tesla, která sbírá data díky všem vozům a také Google, který provádí analýzu už spoustu let.

Jedním z problémů ale je, že dostat se na určitou hranici typických případů je jednoduché, ale je to právě těch několik posledních procent, které se musí dotáhnout k dokonalosti, aby si auto zkrátka poradilo v každé situaci. Obzvláště té, kde hrozí reálné nebezpečí a nikoli pouze špatné odbočení při výletu.

Snížení testovacích kilometrů o 99,9 %

Vědci pracovali s daty, která nasbírala vozidla se snímacími systémy řízená člověkem. Celkem měli k dispozici 40 milionů kilometrů dat od dvou projektů (Safety Pilot Model Deployment, Integrated Vehicle-Based Safety Systems), která zahrnovala dohromady tři tisíce vozů, řidičů a dva roky pečlivého sběru.

Aby se o autonomním vozidle mohlo říci, že řídí o 90 % bezpečněji než člověk, musí mít v reálném provozu najeto kolem 18 miliard kilometrů. Získání takového množství dat by trvalo rozhodně spousty let a vyžaduje to spousty aut (v nejlepší pozici je proto Tesla).

Nový systém se tak zaměřil na to, aby nebylo nutné mít tolik dat a přitom dosáhnout stejného či dokonce lepšího výsledku – jak v případě testování vozidla, tak vlastně i jeho učení, které je s tím spojené. A redukce může být obrovská - až o 99,9 %.

Základním principem je, že se systém zaměří hlavně na nebezpečné situace, kde hrozí největší riziko nehody.

Reálné i generované nebezpečné situace

Vědci mohou i z menšího počtu kilometrů vytřídit všechny nebezpečné situace, které nastaly a využít je pro testování a následné učení umělé inteligence, která se stará o automatické řízení vozidla. To by ale pochopitelně nenahradilo počet najetých kilometrů a kombinaci všech možných situací.

Je ale možné vytvořit nespočet různých kombinací v rámci simulaci a otestovat tak vlastně ještě mnohem více, třeba i v těch nejhorších možných scénářích. Dle propočtů by 1 600 kilometrů dat z reálných situací mohlo v kombinaci s tímto simulačním systémem nahradit přibližně půl milionu až 160 milionů kilometrů v reálném provozu.

Největší nebezpečí? Člověk

Nový systém tak jistě pomůže vytvořit mnohem bezpečnější autonomní systém výrazně rychleji a jednodušeji, přičemž vědci pochopitelně dále pokračují ve výzkumu. Autonomní řízení je možné neustále zlepšovat a stejně tak testovací a cvičící procedury.

Zajímavostí ale je, co vyplynulo z analýzy získaných dat. Autonomní systémy totiž už dnes takřka nemají problém s jednoduchými překážkami, ty jsou poměrně jednoduše detekovatelné. Dle statistik ale hrozí největší rizika nehody v rámci dvou případů – když autonomní vozidlo jede za autem, které řídí člověk a když se lidský řidič v autě zařazuje do silnice před samořízené vozidlo.

I to je jeden z důvodů, proč je nutné používat senzory (radary, LIDAR, sonar a další), které jsou schopné „vidět“ mnohem dál, než vidí i běžný člověk. Tedy i to, co se děje před vozidly, která jedou před autonomním autem a ideálně co nejdále ve všech směrech.

Větší viditelnost a přesnost senzorů ale znamená i vyšší nároky na výpočetní výkon, protože umělá inteligence musí tato data zpracovávat v reálném čase. S postupným zvyšováním výpočetního výkonu u systémů autonomního řízení ve vozidlech, kde je králem zatím nejnovější Nvidia Xavier AI Car Supercomputer (nástupce Drive PX 2), lze očekávat i větší možnosti a schopnosti autonomních systémů, které budou moci zpracovávat mnohem více dat z většího okolí.

Originální materiál k výzkumu naleznete na webu univerzity (PDF)

Foto: Frank Derks, CC BY 2.0

Témata článku: Věda, Technologie, Umělá inteligence, Automobily, Strojové učení, Tesla Motors, Výzkum, Autonomní systém, LIDAR, Xavier, Největší riziko, Model Tesla, Autonomní vozidlo, Možné riziko, Autonomní řízení, Autonomní auto, Reálné nebezpečí, Autonomní automobily, Tesla Model X, Sonar, Samořiditelný automobil, Nebezpečná situace, Největší nebezpečí, Autonomní provoz, Náraz

Určitě si přečtěte