Bakit Wala Ka pang Self-Driving Car? Ipinapaliwanag ng 2-Bahaging Seryeng Ito ang Malaking Natitirang Problema

Madalas itanong ng mga tao, "Nasaan ang aking self-driving na kotse?" "Bakit wala akong isa at kailan ito darating?" Maraming tao ang pakiramdam na pinangakuan sila ng kotse ng huling 20-teens at huli na, at marahil ay hindi na darating, tulad ng mga lumilipad na sasakyan na napag-usapan mga dekada na ang nakalipas.

Sa dalawang artikulong seryeng ito (na may kasamang mga video) tingnan natin ang mga pangunahing dahilan na malamang na hindi ka sumasakay sa isang robocar ngayon, at kung kailan ito maaaring mangyari. Ano ang mga pangunahing teknolohikal, legal at panlipunang isyung humahadlang, at, at anong mga isyu talaga ang hindi mga blocker?

Para sa karamihan sa atin, ang mga sasakyang ito ay hindi makakarating dito sa lalong madaling panahon. May pangako silang iiwasan ang isang disenteng bahagi ng mga aksidente sa sasakyan ngayon na pumapatay ng mahigit isang milyon bawat taon sa buong mundo. Gagawin nilang mas madali ang ating buhay at muling isusulat ang mga prinsipyo ng transportasyon. Sa paggawa nito, muling isusulat nila kung saan tayo nakatira at ang mismong kalikasan ng lungsod, pati na rin ang dose-dosenang iba pang industriya mula sa enerhiya hanggang sa retailing. Araw-araw na inaantala namin ang paglabas ng mga bagay na ito sa kalsada sa dami, libu-libo ang mamamatay sa kamay ng mga taong hindi dapat nagmamaneho. Araw-araw tayong nade-delay.

Siyempre, mahirap

Upang maging malinaw, ang pinakamalaking dahilan kung bakit "napakatagal" ay dahil ito ay mahirap. Isa sa mga pinakadakilang proyekto ng pananaliksik sa software na nagawa. Nangangailangan ito hindi lamang ng pambihirang software kundi pati na rin ang toneladang detalyadong trabaho sa mga damo na humaharap sa napakaraming mga espesyal na kaso at pagmamapa sa mundo at lahat ng mga wrinkles nito. Ang sinumang nag-iisip o nag-iisip na maihahatid ito sa isang iskedyul ay mali, at hindi kailanman nagtrabaho sa software dati. Kapag ang mga kumpanya ng kotse ay naglabas ng mga petsa tulad ng 2020, iyon ay mga pag-asa, hindi mga hula, at na ang ilang mga tech na kumpanya ay talagang nakuha iyon ay kamangha-manghang. Ang mga proyektong maraming taon na nangangailangan ng mga tagumpay ay hindi kailanman nahulaan nang tumpak.

Walang sinumang may background ng software ang magugulat kung hindi tumpak ang mga hula para sa naturang engrandeng proyekto na ginawa maraming taon na ang nakararaan. Kaya't ang mga bagay ay hindi "nasa-iskedyul," kahit na hindi nila naabot ang mga pag-asa. Nangangahulugan din ito na ang mga bagay ay ginagawa sa mas maliliit na hakbang.

Ang pinakamalaking blocker bagaman ay hindi aktwal na ginagawa ito (ibig sabihin, ginagawa itong ligtas) ngunit alam na nagawa mo na ito.

Pagpapatunay na talagang ginawa mo itong ligtas

Ang unang teknolohikal na layunin ay gawin lamang ito. Upang makagawa ng isang kotse na maaaring magmaneho ng sarili nang ligtas. Iyan ay isang napakalaking tagumpay, ngunit hindi bababa sa ilang mga lungsod, ang ilang mga kumpanya ay nakuha na iyon. Ang pagmamaneho nang mas ligtas kaysa sa karaniwang tao ay ginawa ng mga kumpanyang tulad ng Waymo sa madaling lansangan ng Phoenix. Iyon ay "ang mahirap na bahagi" - ngunit ang isang mas mahirap na bahagi ay ang pagtukoy kung ano ang kaligtasan, pagsukat nito, at pagpapatunay na nagawa mo ito. Kailangan mong patunayan ito sa iyong sarili, sa iyong lupon, sa iyong mga abogado, sa publiko, at maaaring maging sa gobyerno. Kung paanong ang bakunang Moderna Covid ay handa noong Pebrero 2020, bago ang unang pag-lock, ang mundo ay naghintay ng 10 buwan - habang isang milyong tao ang namatay nang wala nito - bago hayaan ang mga unang tao na mabakunahan. Naghintay kami na patunayan nila na nagawa nila ito.

Ang pagsukat ng kaligtasan ay medyo mahirap. Alam namin kung gaano kadalas nagkakaroon ng mga pag-crash ang mga driver ng tao sa lahat ng uri, mula sa maliliit na dings hanggang sa mga pagkamatay. Ang mga pagkamatay ay nangyayari halos bawat 80 milyong milya sa USA, o humigit-kumulang 2 milyong oras ng pagmamaneho. Hindi natin masusubok ang bawat bersyon ng software sa pamamagitan ng pagsasabing, "Hayaan natin itong magmaneho ng isang bilyong milya at tingnan kung mas kaunti pa sa dosenang tao ang mamamatay nito kung ang mga tao ay magmaneho ng ganoon kalayo." Ito ay isang imposibleng distansya upang magmaneho sa tunay na mga kalsada kahit isang beses, pabayaan mag-isa sa bawat bagong bersyon. Maaari kaming magmaneho nang mas kaunti, at magbilang ng mga ding at maliliit na pag-crash - sa katunayan ito ang pinakamahusay na naisip namin sa ngayon dahil posible ito - ngunit hindi kami sigurado kung nauugnay iyon sa mga pinsala sa mga robot sa parehong paraan. ginagawa sa mga tao.

Marami ang nagsisimula sa tradisyonal na paraan ng industriya ng sasakyan. Sinusubukan nila ang bawat bahagi ng kanilang mga sasakyan upang matiyak na ito ay maaasahan at hanggang sa detalye. Sinusubukan nilang gawin iyon sa mga sistema ng mga bahagi, ngunit nagiging mahirap ang pamamaraang iyon kapag nagiging mas kumplikado ang mga bagay. Ito ay tinatawag na functional na kaligtasan - ang mga bahagi at system na walang mga depekto at haharapin ba nila ang mga kilalang potensyal na pagkabigo.

Kamakailan ay mas maraming pagsisikap na iangat ito sa antas ng system at subukang subukan ang "Kaligtasan ng Intended Functionality." Sa SOTIF, ang mga team ay nagsisikap na tiyakin na ang buong sistema ay gagana pa rin, kapwa may mga problema at mga pagkabigo sa bahagi, at may inaasahang maling paggamit. Madalas itong nagsasangkot ng simulation ng buong system, o mga bahagi nito, o "hardware in the loop" simulation na mas madali at mas ligtas kaysa sa live na pagsubok sa mga kalsada.

Nag-aalok ang simulation testing ng kakayahang subukan ang isang system sa milyun-milyong iba't ibang mga sitwasyon. Anumang bagay na nakita o narinig o napanaginipan ng sinuman - na may daan-daang bahagyang pagkakaiba-iba ng lahat ng bagay na iyon.

Marahil ang pinakamahirap na bagay na subukan, ngunit ang bagay na pinakagusto mong malaman, ay kung gaano kahusay tumugon ang isang system sa mga hindi pa nakikitang sitwasyon. Bagama't maaari kang lumikha ng simulation testing upang malaman na ang sasakyan ay gumagana nang maayos sa halos lahat ng inaasahang sitwasyon, ang isang mahusay na mahiwagang kakayahan ng pag-iisip ng tao ay ang kakayahang pangasiwaan ang hindi pa nakikitang mga problema. Magagawa ito ng mga AI, ngunit hindi sila gaanong mahusay. Sa kalaunan, aasa kami ng isang paraan upang makakuha ng bago, makatotohanan, at mapanganib na mga senaryo araw-araw. Mabuti ngayon na ang iyong sasakyan ay na-program upang pangasiwaan ang lahat ng naisip ng sinuman, ngunit ang tunay na pamantayan ng ginto ay maaaring maghagis ng 20 bagong sitwasyon na hindi pa nakikita dati, araw-araw, at malaman na ito ang humahawak sa karamihan sa mga ito. Kahit na ang mga tao ay hindi hawakan ang lahat ng mga ito. Iyan ang isang bagay na inaasahan kong mangyari sa pamamagitan ng Proyekto sa Safety Pool, na tinulungan kong simulan sa World Economic Forum, Deepen.AI at sa University of Warwick.

Kahit na sa lahat ng mga simulation kailangan mo ring subukan nang live sa kalsada. Walang sinuman ang magde-deploy ng kotse na hindi nagpapakita na pinangangasiwaan nito ang totoong mundo nang napakahusay. Bagama't mahal, ang sistema ng paggamit ng mga driver ng kaligtasan ng tao upang pangasiwaan ang mga operasyon ng robocar ay talagang may napakahusay na track record, at hindi inilalagay sa panganib ang publiko kumpara sa ordinaryong pagmamaneho ng tao.

Sa industriya, ang bawat kumpanya ay nahuhulog sa sarili nito upang ilarawan kung gaano sila tapat sa kaligtasan. Trabaho nila na gumawa ng ligtas na sasakyan, ngunit ginagawa nila ang mga deklarasyon na ito upang pasayahin ang mga opisyal at ang publiko. Ironically, ang pampublikong interes ay hindi ang paggawa ng pinakaligtas na mga robocar, ngunit sa halip ang pinakaligtas na mga kalsada. Ang mga Robocar ay isang tool na maaaring magdala ng mas ligtas na mga kalsada, at kapag mas maaga silang nakarating dito, mas maaga at mas mahusay nilang gagawin iyon. Ang mga opisyal, kung sineseryoso nila ang kanilang tungkulin tungo sa pagpapabuti ng pangkalahatang kaligtasan sa kalsada, ay talagang hihikayat sa mga kumpanya na huwag masyadong lumayo sa kaligtasan, at sa halip ay tumuon sa pinakamabilis na pag-deploy ng mas ligtas na teknolohiya – kahit na mas kaunti ang ginagawa para mapatunayang ligtas ito kapag maliit ang deployment. , ginagawa itong mas mabilis. Ngunit hinding-hindi nila gagawin, dahil sa paraan ng pagtugon ng lipunan sa mga pagkakamali at panganib.

Ang pangalawang bahagi ng kaligtasan ay cybersecurity. Kailangan namin ang mga sasakyang ito na maging matatag laban sa mga pagtatangka na kunin ang mga ito. Ang ilang mga tao ay hindi gustong makipag-usap tungkol sa cybersecurity, ngunit ang nakaraang kasaysayan ng industriya ng sasakyan ay hindi maganda. Ang paggawa nito ay nagsasangkot hindi lamang ng mga secure na kasanayan at tool, kundi pati na rin ang tinatawag na “red teaming,” kung saan ang isang pangkat ng mga dalubhasang white-hat hackers ay nanghuhuli mula sa labas upang maghanap ng mga kahinaan hanggang sa wala na silang mahanap. Ang isa pang mahalagang tool ay ang pagliit ng koneksyon, o kung ano ang tinatawag ng mga tao sa seguridad na "mga lugar ng pag-atake." Marami sa industriya ay nahuhumaling sa kung ano ang iniisip nila ay ang "nakakonektang kotse" at napagkamalan na ang koneksyon ay isang malaking rebolusyon gaya ng self-driving. Hindi ito, hindi malayo. Kailangan ang ilang koneksyon, ngunit dapat itong gamitin nang matipid upang manatiling ligtas ang tunay na rebolusyon.

Ang isa sa pinakamalaking hamon para sa pagsubok ay ang malawakang paggamit ng machine learning ng lahat ng robocar team. Ang pag-aaral ng makina ay isang napakalakas na tool ng AI, at nararamdaman ng karamihan na ito ay mahalaga, ngunit may posibilidad itong gumawa ng mga tool na "black box" na gumagawa ng mga desisyon ngunit hindi lubos na nauunawaan ng sinuman. Kung hindi mo alam kung paano gumagana ang isang system o kung bakit ito nabigo o ginagawa ang tama, mahirap itong subukan at patunayan. Sa Europe, gumagawa sila ng mga batas na humihiling na ang lahat ng AI ay "maipaliwanag" sa ilang antas, ngunit maraming mga network ng machine learning ang napakahirap ipaliwanag. Nakakatakot iyon, ngunit napakalakas nila kaya hindi natin sila isusuko. Maaaring nahaharap tayo sa isang itim na kahon na dalawang beses na mas ligtas sa pagsubok kaysa sa isang maipaliwanag na sistema, at may mga nakakahimok na argumento ng mga tao na pabor sa alinmang pagpipilian.

Hinuhulaan ang Hinaharap

Ang isang robocar ay natatakpan ng mga sensor, gaya ng mga camera, radar, LIDAR laser at higit pa. Ang mga sensor ay marahil ang pinaka-tinalakay na aspeto ng hardware, ngunit sa katunayan ang mga sensor ay hindi nagsasabi sa iyo kung ano ang gusto mong malaman. Iyon ay dahil sinasabi sa iyo ng mga sensor kung nasaan ang mga bagay ngayon, ngunit wala kang masyadong pakialam tungkol doon. Ikaw ang bahala kung saan ang mga bagay-bagay sa hinaharap. Ang impormasyon mula sa mga sensor ay isang palatandaan lamang patungo sa tunay na layunin ng paghula sa hinaharap. Ang pag-alam kung nasaan ang isang bagay at kung gaano ito kabilis gumagalaw ay isang magandang simula, ngunit ang pag-alam kung ano ito ay kasinghalaga ng pag-alam kung saan ito pupunta. Karamihan sa mga bagay sa o malapit sa kalsada ay hindi ballistic - isang tao ang namamahala at maaaring magbago ng landas. Iyon ang dahilan kung bakit ang isa sa mga pangunahing bahagi ng pananaliksik ngayon ay nagiging mas mahusay sa paghula kung ano ang gagawin ng iba sa kalsada, lalo na ang mga tao. Ito ay maaaring mula sa pag-alam sa gawi sa pagmamaneho hanggang sa pag-alam kung ang isang pedestrian na nakatayo sa kanto ay papasok sa tawiran o nagsu-surf sa web.

Bagama't maraming mga koponan ang gumawa ng mahusay na pag-unlad, lumalabas na ang mga tao ay mas mahusay kaysa sa mga robot ngayon sa paghula ng ibang tao. Ang pagiging mas mahusay sa iyon ay isa sa mga pangunahing problema sa listahan ng todo, lalo na sa mas kumplikadong mga kapaligiran tulad ng mga abalang lungsod. Ang paghula sa hinaharap ay nagsasangkot din ng paghula kung ano ang magiging reaksyon ng iba sa iyong sariling mga galaw at ang mga hinulaang galaw ng iba. Ang pagsasama ng lane o ang hindi protektadong pagliko sa kaliwa ay maaaring maging isang sayaw na may give and take, at patuloy na susubukan ng mga robocar na pahusayin ang kanilang ginagawa.

Mas mabilis ang pakiramdam

Ang mga sensor ay maaaring isang paraan lamang sa tunay na layunin, ngunit kung mas mahusay ang mga ito, mas mahusay mong mahulaan ang hinaharap na iyon. Naghahanap pa rin ang mga koponan na gawing mas mabilis ang mga sensor upang gawing mas mabilis ang pang-unawa at hula. Ang isang bagay na mahalaga ay ang pag-alam sa bilis ng paggalaw ng mga bagay. Sinasabi sa iyo iyon ng Radar, ngunit ang mga camera at mas lumang LIDAR ay hindi, maliban kung titingnan mo ang maraming mga frame. Maaaring sabihin sa iyo ng ilang mas bagong LIDAR ang bilis pati na rin ang distansya. Ang pagtingin sa maraming mga frame ay tumatagal ng hindi bababa sa oras ng pagkuha ng mga frame, ngunit kadalasan ay higit pa.

Ang isang sitwasyon na maaaring maging problema ay ang paglipat sa highway sa likod ng mas malaking sasakyan. Isipin na nasa unahan ng sasakyang iyon ang isang trak na natigil sa balikat, na dumidikit sa lane. Nangyayari iyan sa mga aksidente at mga sasakyang pang-emergency. Biglang lumiko ang malaking sasakyan bago ka pakanan upang maiwasan ang balakid, at nakita mo ang natigil na trak sa unang pagkakataon. Wala ka talagang oras para magpreno o lumihis, at maaaring wala ka nang mapupuntahan. Kung kailangan mong tumingin sa 3 mga frame ng video upang makita na ito ay talagang hindi gumagalaw, iyon ay malamang na 1/10th ng isang segundo nasayang, at ito ay isang sitwasyon kung saan ito ay mahalaga. Kaya't maraming mga koponan ang naghahanap ng mga paraan upang makuha ang gilid na iyon, at natagpuan nila ito sa karamihan sa mga LIDAR na maaaring sukatin ang "Doppler" upang malaman ang bilis ng lahat ng bagay na kanilang natamaan ng laser. Alam din ng mga radar ang bilis, ngunit ang mundo ay puno ng mga tumigil na bagay na sumasalamin sa radar, at mahirap sabihin ang huminto na sasakyan mula sa huminto na guardrail sa tabi nito.

Tinatahak ang Mahabang Daan

Sa madaling sabi, babanggitin ko ang dahilan ng isang sikat na koponan - TeslaTSLA
– hindi pa handa ay sinusubukan nilang sadyang pahirapin ang problema. Bagama't ang bawat team ay gumagamit nang husto sa computer vision, gusto ni Tesla na gawin itong gumana gamit lamang ang computer vision at mga camera lamang mula 2016. Karamihan sa iba pang mga team ay nagdaragdag din ng mas mahuhusay na camera, LIDAR, radar at mga mapa sa kanilang toolbox. Gusto ni Tesla ng isang pambihirang tagumpay sa paningin na makakagawa nito nang mas mura. Sinasabi nila na ang lahat ng mga karagdagang tool ay mga distractions. Ngunit ang natitirang bahagi ng industriya ay nais na gamitin ang lahat ng mga tool upang magawa ito nang mas maaga, kung sa mas malaking gastos, at sa tingin ni Tesla ay napilayan ang sarili nito. Sa ngayon, batay sa kalidad ng produkto - ang Tesla FSD ay seryosong malayo - ang iba ay tama, kahit na ang karera ay hindi pa tapos.

Yung part one. Ang ikalawang bahagi ay tumitingin sa mga bagay tulad ng pagiging isang mabuting mamamayan ng mga kalsada, kung bakit ang mga robocar ay inilalagay sa isang bayan sa isang pagkakataon sa halip na sa lahat ng dako nang sabay-sabay, at ang mga problema sa pagharap sa mas maraming makamundong logistik tulad ng paghinto upang kunin ang mga sakay, mga modelo ng negosyo, apps, at labis na nag-aalala tungkol sa kaligtasan habang tinatanggap ka ng mga pamahalaan at publiko. Ililista ko rin ang ilang mga kadahilanan na ginagawa ngunit hindi tunay na mga blocker sa pag-deploy. Hanapin ang ikalawang bahagi sa mga darating na araw.

Nararamdaman ng ilan na wala sila o sumakay sa isang robocar noong 2022 ay nangangahulugan na ang pag-unlad ay nasa likod ng iskedyul. Sa totoo lang, hindi kailanman nagkaroon ng seryosong iskedyul, mga pag-asa lamang, ngunit sa katunayan, ang listahan ng mga problemang ito ay naghahatid ng optimismo, dahil ang mga natitirang problemang ito ay tila madaling malutas. Ang pagsusumikap at pera, hindi ang mga tagumpay ang kailangan upang harapin ang karamihan sa kanila.

Manatiling nakatutok para sa ikalawang bahagi, sa video at text form

Maaari kang mag-iwan ng mga komento sa pahinang ito, o sa pahina ng video.