«Доверять нельзя бояться». Как работают нейросети в беспилотных автомобилях

Автоматическое управление автомобилем: эволюция от круиз-контроля к автопилоту

Круиз-контроль в автомобилях был изобретен 80 лет назад, 60 из которых уже активно применяется. Поэтому сегодня им никого не удивить.

Вслед за этой технологий началась разработка полностью автономного автомобиля, а около 20 лет назад она получила стимул развития за счет публичных конкурсов DARPA Grand Challenge.

Ряд современных инженеров и предпринимателей, развивающих индустрию автономного управления транспортными средствами, делали свои первые шаги на этих соревнованиях 2004 года. С тех пор автомобили постепенно учились держать дистанцию, сбрасывать скорость, когда это необходимо, и держаться в рамках одной полосы. Но тот прогресс, который мы видим сегодня, был невозможен еще 10 лет назад.

Теперь нейросети переключили управление на себя. Сильным импульсом в развитии технологий компьютерного зрения послужило появление железа достаточной мощности и рост уровня экспертизы разработчиков.

Мы в реальном времени наблюдали изменение заголовков новостей от «автономные транспортные средства: машина сбила три оранжевых конуса, технология обречена?» до «власти страны N разрешили тестирование автопилота». А сегодня в некоторых странах можно свободно купить автопилот как дополнительную услугу, пусть и с пометкой «бета-версия, будьте осторожны».

Чтобы научить компьютер автономно управлять автомобилем, выстраивается классический рабочий процесс: найти данные, разметить, обучить модели. А после начинается циклическая работа над улучшением параметров точности и скорости модели.

На практике же, как и в любом деле, приходится работать над деталями: от различающихся дорожных знаков в разных штатах, регионах и странах до сложных погодных условий, качества дорожной разметки, отсутствия дорожного полотна и <подставьте сюда любую собственную дорожную ситуацию>.

Мы привыкли, что человек может ошибаться, но к технологиям автономного вождения требования выше. Одним из ключевых условий является минимизация вероятности ДТП. Самостоятельное передвижение и ориентирование автомобиля без аварий — результат работы десятков или сотен тысяч человек по всему миру.

Обнаружение и распознавание объектов: как обучить машину «видеть» препятствия

Автономные автомобили должны «понимать», что находится вокруг. Для их обучения используются датасеты, включающие в себя: автомобильные дороги и знаки, деревья, другие автомобили, людей и животных.

Каждый объект относится к определенной категории, имеет свои параметры и вес. Например, разметка служит границами зоны движения, а пешеходный переход станет сигналом для снижения скорости. Появление человека на этом переходе заставит машину остановиться.

Способ разметки данных выбирается в зависимости от целей. Для определения типа и габаритов объекта, без детального анализа, достаточно баундинг-боксов, а сегментация может определить его форму и остальные параметры, что позволяет различать, к примеру, знаки на дорогах.

Планирование маршрута, или нейросети в роли собаки-поводыря

Для автономных транспортных средств используется логика построения маршрута, похожая на ту, что применяют в сервисах «Яндекс Карты» или «Гугл Карты». На дорожной карте рассчитывается самый быстрый маршрут с учетом пробок, ремонта и прочих данных. При этом автомобиль продолжит просчитывать маршрут до конца пути, собирая данные из окружающего мира с помощью датчиков.

Простой пример: остановка на красный свет светофора — одно из базовых и самых простых действий для водителя. Для технологии автономного вождения оно обеспечивается сенсорами и несколькими нейронными сетями. При этом даже определение цвета сигнала им дается непросто из-за частоты мерцания источника света. Камеры не определяют свет как что-то статичное.

И таких примеров будет много. За решение подобных задач отвечает набор видеокарт и компьютер внутри автомобиля, что позволяет авто работать без интернета над многими задачами.

Безопасность и предупреждение аварий с помощью технологий будущего

Безопасность — один из ключевых вопросов для автомобильной индустрии в целом, а на уровне автономных транспортных средств — и вовсе самый главный.

Например, наличие конуса на дороге является приоритетом для радаров автомобиля. Поэтому протестующие в Калифорнии могли блокировать движение машин Weymo (проект самоуправляемых автомобилей от компании Google), просто установив оранжевый конус им на капот.

Это хорошо описывает логику автономных автомобилей — если в области движения есть хоть какие-то помехи, то машина остановится, так как появление определенного объекта служит однозначной командой для компьютера.

Экономия топлива и уменьшение выбросов: все хорошо, но есть побочный эффект

Поскольку большинство самоуправляемых автомобилей относятся к классу электрокаров, нельзя пройти и мимо их влияния и на экологию.

Основная проблема заключается в использовании литиевых батарей. Существуют разные точки зрения и оценки ущерба от добычи и утилизации лития или нефти. Главные недостатки лития — вредное производство и утилизация батарей по истечению срока службы. При этом электромобили снижают количество выбросов в окружающую среду.

Как на экологию влияет автопилот? Сам по себе никак. Экологический ущерб будет схожим вне зависимости от того, кто управляет автомобилем — человек или алгоритм. В большинстве случаев машины и так едут по самому оптимальному маршруту, будь то с помощью автопилота или человека с навигатором.

Преимущества искусственного интеллекта и машинного обучения для автономных транспортных средств

Машинное обучение дает ощутимые преимущества в управлении транспортом. Например, благодаря специальным лидарам и камерам, обеспечивающим обзор на 360 градусов, беспилотные автомобили «видят» лучше и дальше, чем человек. Поэтому вероятность несчастного случая на дороге снижается, и тем самым общая безопасность движения, наоборот, повышается.

Говоря кратко, машинное обучение позволяет управлять транспортом так, как это хотел бы делать человек, но не может по совокупности факторов.

Пределы машинного обучения в автономных транспортных средствах

Моделям на базе машинного обучения приходится решать много разных задач, таких как: категоризация объектов, предиктивная аналитика траекторий движения объектов вокруг, считывание знаков, разметки дорожного полотна и других. Это требует больших мощностей.

Развитие индустрии тесно связано с технологическими возможностями транзисторов в целом и видеокарт в частности. Поэтому самоуправляемые автомобили в их текущем представлении появились всего несколько лет назад.

Как на автоиндустрию влияют современные ИИ-разработки

За последние годы человечество далеко продвинулось в оптимизации алгоритмов: за пять-семь лет сложные задачи стали простыми. Вместе с этим выросли и технологические мощности транзисторов. Это позволяет быстрее обучать модели, повышать точность и качество анализа данных и проводить больше экспериментов.

В итоге автомобиль движется самостоятельно и лучше анализирует контекст окружающей среды, точнее прогнозирует и решает более сложные дорожные ситуации без вмешательства водителя. Развивается направление коммерческих перевозок с минимальным вовлечением человека. В перспективе это сделает их дешевле и избавит людей от рутинной работы, что позволит переключить внимание на новые сферы.

Фото на обложке: Metamorworks/Shutterstock