Недавно мы участвовали в мероприятии, организованном компанией Nvidia, посвящённом передовым беспилотным технологиям. Там нам удалось пообщаться с многочисленными российскими разработчиками, ознакомиться с современными суперкомпьютерами, способными в режиме реального времени моделировать сложнейшие 3D-сцены, а также получить представление о тенденциях в развитии автономных систем на ближайшие годы.
© Nvidia, motor.ru, материалы из публичных источников
Завтрашний день всё ещё впереди
Когда в 2014 году компания Tesla начала продавать электромобили с системой автопилота, многие были убеждены, что буквально в ближайшие годы — максимум через один-два — беспилотные автомобили станут обыденностью. Грозились, что за это время Илон Маск полностью отшлифует программное обеспечение автопилота.
Опасные случаи демонстрировали, как заблуждаться в прогнозах — один из трагичных примеров в США: водитель, не обративший внимания на дорогу, врезался под грузовик со скоростью около 100 км/ч. Пока движение шло нормальным образом, автоматическая система Tesla функционировала отлично, однако в первичной нештатной ситуации ее программное обеспечение показало слабые места.
Расследование показало, что камеры при ярком солнечном свете не смогли опознать белую фуру, а радары в этом случае играли далеко не решающую роль. Более того, алгоритм не предполагал сценарий, когда встречный транспорт пересекает полосу под прямым углом, где двигалась машина на автопилоте.
Сегодня несколько ведущих компаний активно исследуют и совершенствуют технологии автоматизации транспорта, достигли значительных успехов. Однако, продавать подобные системы для массового использования сейчас — всё равно что мечтать об осуществимом будущем, — слишком рано.
Не только игровые миры
В середине октября я посетил конференцию по беспилотным технологиям, проходившую в Мюнхене и организованную Nvidia. Изначально этот бренд ассоциировался у большинства с видеокартами и 3D-ускорителями для игр. Однако на этом мероприятии речь шла совсем не о развлечениях — больше о больших данных, финансах и автономных транспортных средствах.
Теперь Nvidia активно ориентируется и на автомобильный сектор. В настоящее время компания поставляет своим клиентам чипы для автомобилестроения — например, процессоры Tegra 2, использующиеся в дисплеях некоторых автомобилей Audi. Но в перспективе ситуация изменится: Nvidia предлагает комплексные решения — не только мощное оборудование, но и программное обеспечение, полностью готовое подстроить под нужды конкретного автопроизводителя.
Закон Мура — это уже история. Закон Мура — мертва.
На конференции я пообщался с одним из разработчиков проекта беспилотного такси из Яндекса. Он отметил, что современные вычислительные мощности способны обеспечить полностью автономную работу практически без ограничений — автопилот способен «переварить» огромные объёмы данных. Постоянно возникают задачи увеличения производительности, которых никак не хватает для совершенствования систем.
Раньше этот вопрос решался простым правилом: закон Мура гласит, что каждые два года количество транзисторов в чипах удваивается, а значит, и вычислительная мощность растет экспоненциально. Эту эмпирическую закономерность сформулировал Гордон Мур в 1965 году. И казалось, что технологический прогресс будет идти вперед быстро и без остановки — достаточно подождать чуть больше, и мощность станет достаточной.
Однако последние годы ясно показали, что рост этого показателя замедляется, и приближается к физическим ограничениям — минимальному размеру транзисторов и пределам скорости передачи данных. В результате, технологический прогресс переходит на новые архитектурные решения, такие как квантовые вычисления или использование новых материалов, что требует кардинального переосмысления подходов к развитию мощных систем.
На последней конференции компания Volvo анонсировала использование платформы Nvidia Drive AGX Xavier для создания систем автопилота уровня 2+. Страницы шведского производителя заявляют, что в начале двадцатых годов они намерены вывести на рынок модели с полноценными беспилотными возможностями.
При этом уже более полувека технологии развиваются по привычной траектории, соответствующей закону Мура. Однако в 2007 году совсем открыто стало ясно, что этот закон в его классическом виде рушится — его основные физические ограничения связаны с атомарной природой веществ и пределами скорости света.
Совместными усилиями Nvidia и австрийская компания AVL создают методики тестирования автопилотов. Для выявления всех возможных ошибок разработки воссозданы виртуальные среды — так создается уникальная система виртуальной реальности, в которую «поселяют» автопилоты для их проверки.
Как не утонуть в объёме данных
Механизмы восприятия окружающего мира у беспилотных систем сейчас уже хорошо развиты. Неудивительно — камеры, радары, лазерные сканеры работают исправно и широко применяются. Я, в свою очередь, интересовался у руководителя автонаправления Nvidia Дэнни Шапиро: он утверждает, что для полноценной работы автопилота вполне достаточно четырёх камер по периметру, радара и лидара.
На практике однако есть опыт компании Continental, создавшей на базе Volkswagen Passat автопилот с двенадцатью видеокамерами и двумя лидарами, размещёнными на крыше. Радарные датчики расположены в бамперах. Пока использующиеся лидары — дорогостоящие и хрупкие устройства. Внутри вращающегося зеркала находятся микрозеркала, обеспечивающие точность, а стоимость таких устройств достигает нескольких тысяч долларов. Чтобы снизить расходы, специалисты уже прогнозируют появление в ближайшие годы более доступных по цене и более надежных решений на основе микрозеркал.
Главная сложность — это обработка огромных массивов данных, поступающих с множества датчиков. Для этой задачи в Nvidia разрабатывают и внедряют сложные программные алгоритмы на базе нейронных сетей. В частности, Шапиро рассказал о трех независимых нейросетях, отвечающих за динамику движения, управление и удержание автомобиля в полосе. Обучение этих сетей — это массовая работа по маркировке объектов, состоящая из распознавания пешеходов, разметки дорожных линий, идентификации знаков и столбов.
Чем больше датчиков и камер, тем точнее и надежнее система. На опытном образце Nvidia BB8 установлено одновременно двенадцать видеокамер, три с различным фокусным расстоянием — на центральной части лобового стекла и по периметру кузова. Архитектура платформы Nvidia позволяет легко масштабировать эту систему, добавляя новые «органы чувств»: карты высокого разрешения, тепловизоры, интерфейсы для взаимодействия с другими авто — ведь когда-нибудь эти технологии станут широко распространены.
У этого Lincoln MKZ внутри багажника стоит суперкомпьютер Nvidia Drive AGX Pegasus, а на крыше — 12 камер и два лидара. Ему дали имя Nvidia BB8. Этот робот-автопилот — яркий пример технологий будущего: в этом году он прошел 80-километровый маршрут по Калифорнии самостоятельно, без необходимости вмешательства человека.
Интересно наблюдать парадокс: чтобы управлять машиной на высоком уровне, требуется обрабатывать гигантские объемы данных; для этого необходима сильная вычислительная мощность. Современные системы заставляют пересмотреть традиционные представления о загрузке процессоров и необходимости графических ускорителей.
Ускоренное вычисление — будущий стандарт
Благодаря развитию технологий вычислений сейчас процессоры не остановились в росте — однако переход на графические процессоры оказался ключевым событием. В Мюнхене Nvidia представила новый мобильный суперкомпьютер Drive AGX, который пока выпускается в виде платформы для разработки. Варианты включают простую модель Drive Xavier с одним SoC-чипом и мощную систему Drive Pegasus с двумя процессорами Xavier и дополнительными графическими модулями Turing. Этот набор способен обрабатывать данные с восьми высокорежимных камер, радаров и лидара. Объем информации впечатляет — только с камер поступает свыше 90 гигабайт в секунду. Мощность этих систем определяется в триллионах операций в секунду: базовая — около 30 триллионов, а более мощная — до 320 триллионов.
На базе таких станций создаются экспериментальные модели автономных электромобилей, например, гоночная машина Roborace, построенная на базе прототипа Ginetta LMP3. В этой сети установлен электродвигатель и аккумулятор вместо двигателя внутреннего сгорания, а за управление отвечает специально разработанный автопилот — хотя во время гонок его всё равно страхует профессиональный гонщик.
Мчимся ли мы уже сейчас
Появляются ли такие мощные системы, что скоро мы сможем за рулем читать книгу, заниматься интернет-серфингом или даже просто спать? На этот вопрос мы обратились к основателю Nvidia Дженсену Хуангу. Его ответы отличаются от безудержного оптимизма многочисленных молодых предпринимателей — он честен и реалистичен. Он отмечает, что для достижения полного автономного вождения уровня 4 и 5 необходимо решить множество инженерных, этических и правовых вопросов, а также создать инфраструктуру, обеспечивающую стабильную работу систем во всех условиях. В текущем состоянии технологий мы, скорее, движемся к совместной работе человека и машины — когда автопилот берет на себя большую часть рутины, а человек остается в роли контролера и наблюдателя. Полностью автономное управление в масштабах всей сети дорог — задача, которая скорее станет реальностью через 10-15 лет, чем в ближайшее время. Тем не менее, технологии быстро развиваются, и рынок становится все более подготовленным к их внедрению.
Этические и правовые аспекты развития автопилота
Принятие автоматизированных систем управления движением вызывает необходимость формирования новых нормативных актов, обеспечивающих ответственность за возможные аварии и сбои.Существующие законодательные базы требуют адаптации для учета автономных решений, предусматривающих определение ответственности между разработчиками, владельцами и пользователями.
Этические дилеммы связаны с принятием решений в ситуациях с ограниченными ресурсами или при невозможности избежания столкновений. Например, алгоритмы, программирующиеся для минимизации ущерба, должны учитывать баланс между сохранением жизни водителя, пешеходов и других участников дорожного движения. В связи с этим внедряются требования по прозрачности логики принятия таких решений и возможностям их проверки.
Рассматривается вопрос о необходимости обязательной сертификации алгоритмов с учетом их способности реализовывать определенные этические стандарты. Необходимы конкретные критерии оценки и тестирования систем на соответствие этическим нормам, а также разработка механизмов обратной связи с пользователями для принятия своевременных корректировок.
Обеспечение безопасности требует внедрения механизмов калибровки и мониторинга, позволяющих обнаруживать сбои на раннем этапе, а также программирования систем с учетом минимизации потенциальных уязвимостей к кибератакам.Важное место занимают вопросы защиты персональных данных, собираемых системами, и недопустимости их неправомерного использования.
Юридические рамки предполагают создание глобальной стандартизации, которая бы учитывала различия в законодательстве разных стран. Необходимость международных соглашений связано с высокой степенью глобализации транспортных средств и их интеграции в межрегиональные системы дорожного движения.
Также важен вопрос о прозрачности процессов, связанных со сбором и анализом данных, а также о праве пользователей на доступ к информации о работе автоматизированных систем. Введение правил по обеспечению тотального контроля и возможности вмешательства оператора при необходимости считается ключевым аспектом этического регулирования.
Инновационные решения в области искусственного интеллекта
Важным прогрессом стало использование методов самообучающихся моделей, которые способны адаптироваться к изменяющимся условиям без необходимости постоянного вмешательства специалиста. Такой подход снижает время обучения и увеличивает надежность систем в условиях нестабильных данных.
Области применения искусственного интеллекта расширяются благодаря появлению специализированных аппаратных решений, оптимизированных для выполнения высоконагруженных вычислений. Это способствует снижению задержек и повышению скорости обработки информации в реальном времени.
Для повышения эффективности анализа данных внедряются алгоритмы на базе трансформеров, позволяющие строить контекстные связи между составляющими массивов информации. Такой метод демонстрирует высокую точность в задачах предсказания и классификации сложных объектов.
Практические рекомендации включают освоение платформ для обучения и внедрения моделей искусственного интеллекта, таких как TensorFlow, PyTorch и другие. Важным аспектом является подготовка качественных обучающих наборов данных и проведение регулярных тестирований моделей на предмет точности и стабильности.
Современные системы автономной езды используют разнообразные сенсоры для определения окружающей обстановки и принятия решений в режиме реального времени. Важнейшие компоненты включают лидары, радары и ультразвуковые датчики, которые обеспечивают обнаружение препятствий на различных дистанциях и в сложных погодных условиях.
Камеры играют ключевую роль в идентификации дорожных знаков, светофоров и разметки. Их высокая разрешающая способность позволяет не только фиксировать объекты, но и классифицировать их типы – пешеходов, велосипедистов, транспортные средства. Более того, современные алгоритмы обработки изображения обеспечивают распознавание дорожных знаков с точностью свыше 98 %, что способствует своевременному реагированию системы.
Объединение данных с нескольких датчиков осуществляется с помощью систем слияния сенсорных данных (sensor fusion). Это повышает надежность восприятия ситуации, снижая риск ложных срабатываний. Например, радары могут обнаруживать объекты при плохой видимости, а камеры – предоставлять детальную визуальную информацию.
Точечные карты окружения, формируемые в процессе движения, позволяют системе обеспечивать долгосрочную навигацию даже в условиях отсутствия четкой спутниковой связи. Постоянная калибровка сенсоров и алгоритмы по устранению шумов обеспечивают минимальную погрешность в определении положения объектов, обычно не превышающую 10 сантиметров.
Рекомендации по оптимизации работы сенсорных систем включают регулярное тестирование датчиков при разных условиях эксплуатации, настройку параметров с учетом местных особенностей инфраструктуры, а также использование резервных каналов связи и методов обнаружения неисправностей. Важным аспектом является интеграция данных в централизованную систему контроля, которая обеспечивает устойчивое функционирование навигационных алгоритмов и своевременное реагирование на отклонения или аномалии.
Перспективы интеграции автопилота в общественный транспорт
Планируемое внедрение систем автоматического управления в наземных пассажирских перевозках предполагает повышение безопасности и снижение затрат на эксплуатацию. Данными моделями предполагается обеспечить автономный маршрутный режим, что позволит снизить риски, связанные с человеческим фактором, и увеличить пропускную способность транспортных средств.
В рамках пилотных программ уже демонстрируется снижение времени заезда и выезда, а также уменьшение ошибок навигации. Для успешной реализации таких решений необходимо проведение масштабных испытаний в реальных условиях, включая сложные дорожные ситуации и неблагоприятные погодные условия, что обеспечит обязательное соответствие требований безопасности.
На перспективу ожидается внедрение систем взаимодействия автономных транспортных средств с инфраструктурой города: светофорами, системами видеонаблюдения и диспетчерскими платформами. Такой подход обеспечит синхронность движения, повысит эффективность маршрутов и снизит вероятность задержек.
Важным аспектом является создание нормативных правил и стандартов по эксплуатации автоматизированных систем в общественном транспорте, а также обучение персонала для обслуживания новых технологий. Интеграция данных систем предполагает тесную работу с производителями оборудования, техническое тестирование, сертификацию и контроль соответствия современным стандартам безопасности и надежности.
