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