В последние несколько лет беспилотные технологии на транспорте получили больше развития, чем за предыдущие несколько десятилетий. Как учат ездить «машины без водителей» и когда они выйдут на дороги вокруг нас? Какую роль в этом играет искусственный интеллект? Naked Science разобрался в деталях.

В августе 2022 года Минпромторг объявил конкурс на создание технологий по замене второго авиапилота на «виртуального». Срок окончания разработки — 2024 год (и он беспрецедентно короткий для такой непростой задачи). Однако вопрос стоит еще шире — не только о пилотировании самолетов. Ведь беспилотные технологии сегодня затрагивают как воздух, так и землю. Может ли искусственный интеллект справиться и здесь?

Автомобильная история

В Китае и США (компании Waymo, Cruise и другие) уже действуют полностью беспилотные такси: они ездят прямо по городу, перевозят пассажиров, за рулем при этом никого нет. А в Иннополисе есть беспилотное такси «Яндекса» без человека за рулем, оно перевозит людей. Чтобы заказать его, достаточно воспользоваться приложением, как в случае с обычным такси. Ведется проработка и проекта по выводу подобных «робошоферов» на улицы Москвы.

Впрочем, среди российских компаний беспилотниками, конечно, занимается не только «Яндекс». «Сберавтотех» разрабатывает технологию автономного вождения, адаптируемую к разным видам транспорта. Парк компании насчитывает 180 легковых беспилотных автомобилей, открытое тестирование которых проводили летом этого года в дни Петербургского международного экономического форума.

Вместе с тем инженеры «Сберавтотеха» разработали несколько прототипов беспилотников на базе грузовиков различных моделей, а также ФЛИП — полностью автономный электромобиль, который уже сейчас наряду с беспилотниками на базе серийных автомобилей работает в формате сервиса на территории «Сберуниверситета».

ФЛИП / ©Сбер

Летом 2022 года научно-технический центр «КамАЗа» совместно с МГТУ имени Баумана запустил в опытную эксплуатацию карьерный самосвал КамАЗ-6559 (он же — «Юпитер-30»). У него исходно отсутствует кабина водителя, что в чем-то даже хорошо: за счет этого машине не нужно разворачиваться в начале и конце маршрута, ведь сенсоры у нее и спереди, и сзади. Зато вместо этой кабины у самосвала есть пылегрязевлагозащищенные (без чего в карьере никак) камеры, а также набор лидаров, ультразвуковые датчики, радары, ГЛОНАСС-навигация и специальная GSM-антенна, позволяющая удаленному оператору подключиться к машине.

Вообще, подобный набор сенсоров типичен и для многих легковушек-беспилотников. Большинство из них сочетает видеокамеры, без которых трудно распознавать знаки, радары, определяющие расстояние до объектов, и лидары. Лидар (от слов Light Detection and Ranging) использует импульс лазера, чтобы точно измерить расстояние до объекта и узнать его форму. За счет фиксации отраженного излучения лидар может «увидеть» объекты, которые сложно распознать видеокамере. Причем это не только другие машины, но еще разметка на дороге и многое другое.

«Юпитер-30» / ©Нефтегаз.ру

Особенно важны эти свойства лидаров в сочетании со специальными картами, которые разработчики закладывают в память беспилотников. Такие карты городов, как правило, довольно детальны, могут включать каждый светофор и знак. Лидар позволяет программному обеспечению транспортного средства определять точное расстояние до каждого такого объекта, сверять его с заложенной в память бортового компьютера цифровой картой и достоверно определять свое положение на местности с максимальной точностью. Причем даже в условиях низкого или неустойчивого сигнала GPS / ГЛОНАСС, что может быть весьма важно в туннелях или на узких улицах между высотными зданиями.

Именно «доводкой» таких карт часто объясняют тот факт, что компании — испытатели беспилотных такси эксплуатируют их в каком-то одном месте. Чтобы разметить карту для ее оптимального использования ИИ, нужны усилия программистов. Чтобы убедиться, что все сделано правильно, зачастую требуется время.

По рельсам и по воздуху

Аналогичные тенденции заметны в других видах транспорта. «Российские железные дороги» делят поезда на четыре уровня по автоматизации. При уровне GoA1 автоматические системы помощи водителю помогают предотвращать аварии, предупреждая о внезапном появлении объекта на путях. На уровне GoA2 поезда уже перемещаются от станции к станции самостоятельно, но машинист отвечает за закрытие дверей. В случае GoA3 он находится в кабине, но вмешивается в управление только в чрезвычайных ситуациях. GoA4 отличается от предшественницы тем, что в ее случае автоматизация уже полная, машиниста в кабине нет.

«Ласточкам» предстоит получить четвертый уровень автоматизации / ©Wikimedia Commons

Уровень GoA3 Институт информатизации, автоматизации и связи на железнодорожном транспорте уже освоил: в 2019–2020 годах первые экземпляры «Ласточек» с такими возможностями пошли в опытную эксплуатацию. Но с 2023 года РЖД намерены пустить «Ласточки» с уровнем автономности GoA4, в которых машиниста не будет. В случае непредвиденных ситуаций операторы из центра дистанционного контроля смогут вмешаться и отдать поезду нужную команду.

Отдельная сфера, в которой ИИ сделал очень и очень много, — авиация. Здесь развитие началось раньше, поскольку основную часть маршрута самолеты проводят в воздухе, где вероятность столкновений куда ниже, чем на земле. Поэтому «самолетный» автопилот давно зарекомендовал себя как надежный помощник пилотов, и для реактивных самолетов с числом мест более 20 международные правила требуют его наличия обязательно — как раз для снижения риска аварий. Ведь пилот во время многочасового полета может устать или отвлечься, а автопилотам это несвойственно.

Обычно его включают после взлета и выключают перед посадкой, так как и то, и то делают пилоты. Однако в 2020 году Airbus впервые продемонстрировала взлет без участия пилотов, а в 2020-х надеется достичь и посадки в полностью беспилотном режиме.

Как работает машинное обучение для «беспилотников» на дорогах

Само словосочетание «машинное обучение» появилось еще в 1950-х и означает методы обучения ПО решению задач, которые сложно формализовать в виде алгоритмов. Поэтому программу «натаскивают» на решение той или иной задачи на множестве примеров — обучающей выборке.

Каждый из нас ежедневно сталкивается с плодами машинного обучения. Ленты в соцсетях, «товары, похожие на этот» в онлайн-магазинах, даже системы принятия решений о кредитах в банке — сегодня все они используют машинное обучение. Но при общих базовых принципах конкретные реализации машинного обучения могут существенно отличаться друг от друга.

Кстати, есть одна из сфер, в которой многие из нас уже поучаствовали в машинном обучении беспилотника лично, но сами об этом так и не узнали. Например, каждый раз, когда вы «разгадываете» капчу Google, выбирая светофоры или велосипеды на разных снимках, вы выполняете задачу по ручной разметке массива данных, которые затем, по неофициальным данным, используются и Waymo — разработчиком беспилотных автомобилей, контролируемого Google.

До 2010-х попытки создать «машины без водителя» были довольно прямолинейны: разработчики пытались заложить алгоритмы, при соблюдении которых автомобили, как предполагалось, смогут решить все задачи, обусловленные дорожной обстановкой. Распознавая по данным с камер другие машины или пешеходов, программа «автопилота» должна была принять решение о том, может ли она повернуть, ехать дальше и так далее.

Однако формализовать все эти задачи оказалось довольно сложно. Поэтому с 2010-х подход изменился: доминировать в нем стало машинное обучение. Вначале применялась «симуляция езды», а затем автомобили-беспилотники стали проезжать сотни тысяч и миллионы километров, чтобы встретить на дороге максимальное количество ситуаций, на которых алгоритмы самостоятельно обучаются принимать решение.

Беспилотник «Яндекса» / ©Wikimedia Commons

Сегодня они еще научились прогнозировать развитие всех дорожных ситуаций. И если вдруг водитель соседней машины или едущий чуть в стороне велосипедист в сложной дорожной ситуации повели себя не так, как прогнозировала система на основе машинного обучения, с этого момента делается «снапшот», запись с камер и датчиков, на основе которой потом инженеры-разработчики попытаются понять, что именно пошло не так, и попробуют научить систему прогнозировать такие ситуации точнее.

Особую ценность в таких системах представляют именно наборы данных реального вождения. Учитывая это, «Яндекс» сделал общедоступным для каждого набор данных (датасет) с 1600 часов вождения по дорогам разных стран в снег, дождь и в обычных условиях.

Обосновывая необходимость перевода таких данных в открытый формат, «Яндекс» поясняет: «Сдвиг данных возможен везде, где модели машинного обучения сталкиваются с неопределенностью: незнакомыми ситуациями и неизвестными данными». Сдвиг данных, о котором идет речь, — большая проблема в машинном обучении. Человек легко и интуитивно преодолевает его, но для машины это невозможно без значительной выборки.

Сегодня перед целым рядом российских компаний стоит задача тиражирования беспилотных решений на автомобили, уже присутствующие на рынке. Чем быстрее они решат эту задачу — тем больше жизней смогут спасти подобные технологии. И здесь обнародование открытых датасетов, как это сделал «Яндекс», — важный шаг в нужном направлении.

Ключевая задача — безопасность

Практически все компании — разработчики беспилотных автомобилей активно используют программные симуляторы реального вождения. В них в том числе воспроизводятся реальные сцены из реального мира, те, что машина-беспилотник встретила на дороге, чтобы обучиться правильно в них себя вести.

Наличие лидаров позволяет беспилотной машине видеть дорогу и препятствия перед собой не только в видимом диапазоне, что повышает безопасность движения / ©Wikimedia Commons

Почему это важно? Основные, типичные случаи, возникающие на дорогах у беспилотников, уже отработаны. Чтобы достичь идеала, ПО нужно научиться разбираться с очень нетипичными, редкими ситуациями. Но чтобы машина хорошо обучилась на них реагировать, нужно, чтобы она встретила их на дороге много раз. Вот только это ситуация редкая, то есть часто встретить ее в реальном мире не получится.

Совсем не так дело обстоит с симуляционным обучением. В нем подобные редкие сцены загружают в симулятор и сколь угодно количество раз прогоняют машину через нее. Причем поведение других объектов в симуляции ( «агентов») тоже генерируют нейросети, поэтому их поведение практически не отличается от поведения на дорогах обычных водителей.

Автопилоты в воздухе

В 2021 году гонконгская авиакомпания Cathay Pacific и концерн Airbus объявили о намерении обойтись без второго пилота на дальних пассажирских линиях. Сразу отметим: это далеко не то же самое, что инициатива Минпромторга России, поскольку Cathay Pacific говорит именно об очень дальних перелетах — как минимум 17 часов. Проект Минпромторга же предусматривает использование виртуального второго пилота на авиалиниях разной длины, то есть более широкое применение ИИ, чем у Cathay Pacific.

В случае гонконгской компании для таких полетов и сегодня нужны не два пилота, а три-четыре. Те, что не в дежурной смене, просто спят, ожидая своей очереди. Естественно, если у воздушного судна есть второй пилот, который спит и которого в принципе можно разбудить и посадить на место первого, это существенно упрощает задачу «виртуальному» пилоту, который должен подменять командира корабля в сложной ситуации. Ведь тогда ему придется подменять полностью лишь какой-то небольшой отрезок времени.

©Wikimedia Commons

Впрочем, на авиационную индустрию влияют и другие технологии, связанные с ИИ, делая ее лучше и удобнее для пассажиров. Например, так происходит с интернетом вещей. Эта концепция подразумевает задействование сети передачи данных между физическими объектами («вещами»). Уже идут активные работы по отслеживанию с помощью подобных сетей неисправных деталей самолетов. Это позволит выявлять неполадки еще на земле, что не даст им нанести ущерб безопасности в воздухе.

Но возможности интернета вещей не ограничиваются безопасностью. Отслеживание багажа при помощи микросхем-наклеек позволит пассажиру со своего смартфона видеть, где находятся его вещи, и не терять их, как это, увы, все еще происходит в наши дни.

Итак, уже в обозримом будущем на дорогах России и мира появится множество беспилотных автомобилей с лидарами, способными серьезно снизить аварийность, так как, по ряду оценок, до 90% ДТП провоцирует именно человеческий фактор. Работы над «виртуальным вторым пилотом» для авиалайнеров, несомненно, тоже перспективны. Они не только сократят нагрузку на человека, но и существенно повысят уровень безопасности людей, перемещающихся из одной точки нашей планеты в другую.