Automobilių pramonė šiuo metu siekia vis aukštesnio autonomijos lygio, o galutinis tikslas – leisti automobiliui judėti savarankiškai, nereikalaujant jokio žmogaus įsikišimo. Kol kas dar nesame pasiekę šio tikslo, nors tokie kaip Elonas Muskas dar 2016 m. teigė, kad „Tesla“ automobiliuose esama pažangi vairuotojo pagalbos sistema „tikriausiai“ yra geresnė už žmones.
Reguliavimo institucijos abejoja, ar uždegti žalią šviesą plataus užmojo savavaldėms technologijoms, tačiau ne dėl mokslinio skepticizmo, o dėl eismo įvykių, per kuriuos žuvo keli žmonės, ir atvejų, kai savavaldės transporto priemonės užblokuodavo gelbėtojus.
Tačiau išeitis galėtų būti iš naujo įsivaizduoti, kaip mes mokome šias savaeiges sistemas.
„Gamintojai renka duomenis apie tai, kaip turėtų važiuoti autonominė sistema, iš milijonų kelyje važinėjančių žmonių, tačiau ar tai tikrai yra patikimiausias šaltinis?“ – klausia Dr. Laine Mears, Klempsono universiteto Tarptautinio automobilių tyrimų centro Automobilių gamybos katedros vedėja.
Nuogąstavimai pagrįsti. Paimkime, pavyzdžiui, „Tesla“, kuri remiasi garso ir vaizdo duomenimis, gautais iš milijardų kilometrų, kuriuos nuvažiavo milijonai šiuo metu kelyje esančių „Tesla“ automobilių.
Dar yra šešėlinis režimas, kurį „Tesla“ apibūdina kaip „neaktyvų tik registravimo režimą, kuris leidžia mums patikrinti funkcijos veikimą fone, remiantis milijonais realaus vairavimo kilometrų“. Tačiau tai neapima kraštinių scenarijų, tiksliau tariant, nedidelio dažnio, precedento neturinčių retų įvykių, tokių, kai žmogaus sprendimas gali būti skirtumas tarp gyvybės ir mirties.
Savavaldžiams automobiliams taisyklių gali nepakakti
Tokie kaip „Tesla“ bando spręsti šiuos precedento neturinčius scenarijus naudodami sistemą, vadinamą detektoriais, kuri mokosi iš vizualinių duomenų, surinktų iš automobilio, o paskui jie perduodami atgal kaip iteracija.
Tačiau, nepaisant visų šių pastangų ir pirmaujančių skaičiavimo įgūdžių šioje srityje, „Tesla“ automobiliai, kuriuose įjungtos pagalbinės vairuotojo sistemos, taip pat patenka į daugiausiai eismo įvykių.
Mearsas mano, kad automobilių gamintojai turėtų atkreipti dėmesį ir į keletą kitų aspektų, o ne tik į imitacinį modeliavimą ir vairuotojų duomenų mokymą.
„OEM gamintojai pastaruoju metu atsisakė taisyklėmis pagrįstų sistemų, tačiau jei visiškai nesilaikysime kelių eismo taisyklių (t. y. įstatymų ir reglamentų), kokia bus vairavimo sistema ir kiek ji gali būti veiksminga ir nuspėjama?“, – pasakoja Mearsas.
Tai svarus argumentas, kuris atkartoja pačios „Tesla“ politiką. Kompanija pažymi, kad vairuotojai visada turėtų būti pasirengę perimti vairą, nepriklausomai nuo to, ar įjungta savaeigė sistema, ar ne.
Mearso teigimu, problema slypi tame, kaip dirbtinis intelektas įgyja sprendimų priėmimo įgūdžių.
„DI gali mokytis stebėdamas, tačiau tam, kad priimtų geriausius sprendimus, jam, kaip ir žmogui, reikia turėti aiškų supratimą, kas yra gerai ir kas blogai“, – pasakoja jis.
Keliuose mokslinių tyrimų darbuose atkreiptas dėmesys į panašius pavojus, kylančius dėl „nežinomų nežinomųjų“, ir į tai, kaip būtina keisti mokymo strategiją.
„Aukštesnio lygio AV reikia savarankiškai vairuojančios sistemos, į kurią būtų įtrauktas sprendimų priėmimo gebėjimas, galintis susidoroti su nežinomomis vairavimo scenomis ir neapibrėžtumu“, – sakoma paskelbtame moksliniame straipsnyje.
Saugaus autonominio vairavimo ateitis
Kelias į patikimą autonominio vairavimo technologijų paketą nėra paprastas. Savarankiškai važiuojantys automobiliai dažnai priima trumparegiškus sprendimus, nes ne iki galo supranta aplinką ir planuoja tik artimiausią ateitį. Tai gali lemti klaidas, iš kurių kai kurios gali būti žiaurios.
Per toli į ateitį į priekį numatymas reiškia mažiau tikslius prognozes, o susitelkimas tik į tai, kas arti, leidžia planuoti tiksliau, bet labai ribotai. Žmonės gerai moka subalansuotai numatyti, todėl gali tiksliau reaguoti.
Kai kurie ekspertai siūlo sintezės modelį, pagal kurį kelyje judančios autonominės transporto priemonės bendrautų tarpusavyje, taip pat su žmogumi, sėdinčiu už vairo, kad būtų kuo saugiau atlikti tokias užduotis, kaip, be kita ko, persirikiavimas į kitą eismo juostą, aplenkimas, įvažiavimas į greitkelį.
Kornelio universiteto ekspertai neseniai išsamiai aprašė atmintimi pagrįstą autonominių transporto priemonių mokymosi sistemą, kuri naudotųsi praeities įvykiais kaip mokymosi modeliu ateičiai, o Korėjos Inčono nacionalinio universiteto tyrėjai siekia sukurti daiktų internetu paremtą galutinę sistemą, skirtą 3D objektų aptikimui realiuoju laiku, skirtą savarankiškai važiuojančioms transporto priemonėms.
Kituose tyrimuose siūlomas taisyklėmis pagrįstas autonominių automobilių mokymosi modelis, panašus į Mearso pasiūlytą modelį.
Tačiau norint įtraukti sprendimų priėmimo gebėjimą, kuris galėtų valdyti nežinomus, netikėtus kintamuosius, reikėtų ne tik išmaniojo dirbtinio intelekto, kuriam pačiam reikėtų daug daugiau duomenų, daugiausia dėmesio skiriant dinamiškai aplinkai.
Kita radikali MIT ekspertų pasiūlyta idėja apima nuotolinę žmogaus priežiūrą rizikingiems scenarijams, tačiau jos mastelio nustatymas ir patikimas įdiegimas milijonams automobilių pats savaime būtų milžiniškas iššūkis.
