Ce poate preda Realitatea Virtuală mașinilor autonome, fără șofer

6 noiembrie 2017 09:18

SAN FRANCISCO – Pe măsură ce computerele care operează mașini fără șofer digeră regulile drumului, unii ingineri consideră că ar fi frumos dacă pot învăța din greșelile făcute în realitatea virtuală și nu pe străzile reale, conform the New York Times.

Companiile precum Toyota, Uber și Waymo au discutat în detaliu cum testează vehicule autonome pe străzile din Mountain View, California, Phoenix și alte orașe.

Ceea ce nu este atât de cunoscut este că aceștia testează, de asemenea, vehicule în interiorul simulărilor pe calculator ale acelorași orașe. Mașinile virtuale, dotate cu același software ca și cele reale, petrec mii de ore conducând prin lumile lor digitale.

Gândiți-vă la aceasta ca la o modalitate de a identifica defectele în modul în care funcționează mașinile fără a periclita oamenii reali. Dacă o mașină face o greșeală pe un condus simulat, inginerii își pot optimiza software-ul în consecință, stabilind noi reguli de comportament. Curând, Waymo, compania de mașini autonome care a ieșit recent ca firmă autonomă, după ce crescuse ca departament in compania Google, este așteptată să-și arate testele de simulator atunci când va lua un grup de reporteri la centrul său de testare secret din Central Valley din California.

Cercetătorii dezvoltă, de asemenea, metode care să permită mașinilor să învețe de fapt un comportament nou din aceste simulări, colectând abilități mai repede decât inginerii umani le-ar putea dezvolta vreodată cu codul software explicit. „Simularea este un lucru extraordinar”, a spus Gill Pratt, director executiv al Institutului de Cercetare Toyota, unul dintre laboratoarele de inteligență artificială care explorează acest tip de training virtual pentru vehicule autonome și alte robotici.

Aceste metode fac parte dintr-un efort considerabil de accelerare a dezvoltării autoturismelor autonome prin așa-numita învățare automatizată.

Când Google a proiectat primele autoturisme autonome cu aproape un deceniu în urmă, inginerii au construit cea mai mare parte a software-ului linie cu line, codificând cu atenție fiecare bucată de comportament mic. Dar din ce în ce mai mult, datorită îmbunătățirilor recente în domeniul puterii de calcul, producătorii de autoturisme locali adoptă algoritmi complecși care pot învăța sarcini pe cont propriu, cum ar fi identificarea pietonilor pe drumuri sau prezicerea evenimentelor viitoare.

„De aceea credem ca putem merge mai repede”, a declarat Luc Vincent, care a început recent un proiect de autovehicul autonom la Lyft, principalul rival al lui Uber. „Aceste lucruri nu au existat acum 10 ani, când Google a început.”

Încă există întrebări legate de această cercetare. În special, deoarece acești algoritmi învață prin analizarea mai multor informații decât oricare alt om, ar fi uneori dificil să-și controleze comportamentul și să înțeleagă de ce iau decizii speciale. Dar, în anii următori, învățarea automatizată va fi esențială pentru progresul continuu al vehiculelor autonome.

Vehiculele de astăzi nu sunt la fel de autonome cum ar părea. După 10 ani de cercetare, dezvoltare și testare, mașinile Google sunt gata să ofere plimbări publice pe străzile din Arizona. Waymo, care operează sub compania mamă Google, se pregătește să înceapă un serviciu de taxi lângă Phoenix, potrivit unui raport recent, și spre deosebire de alte servicii, nu va pune un om în spatele volanului ca rezervă. Dar mașinile sale vor continua să fie controlate puternic.

Deocamdată, dacă nu are un șofer de rezervă, orice autovehicul autonom va fi probabil limitat la o mică zonă cu străzi mari, precipitații puține și puțini pietoni. Și va conduce la viteze reduse, adesea așteptând perioade îndelungate înainte de a face o întoarcere la stânga sau a fuziona în trafic fără ajutorul unui semnalizator sau semn de stradă – dacă nu evită aceste situații cu totul.

În companiile de vârf, convingerea este că aceste mașini se pot confrunta eventual cu situații mai dificile, cu ajutorul dezvoltării și testării continue, al noilor senzori care pot oferi o viziune mai detaliată asupra lumii înconjurătoare și a învățării automatizate.

Waymo și mulți dintre rivalii săi au îmbrățișat deja rețele neuronale profunde, algoritmi complecși care pot învăța sarcini prin analizarea datelor. Analizând fotografii ale pietonilor, de exemplu, o rețea neurală poate învăța să identifice un pieton. Aceste tipuri de algoritmi îi ajută, de asemenea, să identifice semnele de stradă și marcajele de bandă, să prezică ce se va întâmpla în continuare pe drum și să planifice căile anticipat.

Problema este că acest lucru necesită cantități enorme de date colectate de aparate foto, radare și alți senzori care documentează obiectele și situațiile din lumea reală. Și oamenii trebuie să eticheteze aceste date, identificând pietonii, semnele stradale și altele asemenea. Colectarea și etichetarea datelor care descriu fiecare situație imaginabilă este o imposibilitate. Datele privind accidentele, de exemplu, sunt greu de întâlnit. Aici simulările pot ajuta.

Recent, Waymo a dezvăluit un simulator de drumuri pe care îl numește Carcraft. Recent, compania a spus că acest simulator oferă o modalitate de a testa mașinile la o scară care nu este posibilă în lumea reală. Autoturismele sale pot petrece mult mai mult timp pe drumuri virtuale decât în realitate. Probabil, ca și alte companii, Waymo explorează de asemenea modalități prin care algoritmii săi pot învăța de fapt un comportament nou de la acest tip de simulator.

Dl. Pratt a spus că Toyota utilizează deja imagini ale căilor rutiere simulate pentru a forma rețele neuronale, iar această abordare a dat rezultate promițătoare. Cu alte cuvinte, simulările sunt suficient de apropiate de lumea fizică pentru a instrui în mod fiabil sistemele care operează mașinile.

O parte din avantajul cu un simulator este că cercetătorii au control complet asupra acestuia. Ei nu trebuie să-și petreacă timpul și banii pe etichetarea imaginilor – și pot face greșeli cu aceste etichete. „Aveți adevărul absolut”, a explicat Pratt. Știți unde este fiecare mașină. Știți unde este fiecare pieton. Știți unde este fiecare bicicletă. Știți vremea.

Alții explorează o metodă mai complexă numită ÎNVĂȚARE RANFORSATĂ / „REINFORCEMENT LEARNING”. Acesta este un domeniu important de cercetare în multe dintre laboratoarele de inteligență artificială din lume, inclusiv DeepMind (laboratorul din Londra, deținut de Google), Berkeley AI Research Lab și OpenAI (laboratorul din San Francisco, fondat de directorul executiv al Tesla, Elon Musk și altele). Aceste laboratoare sunt algoritmi de construcție care permit mașinilor să învețe sarcini în lumile virtuale prin încercări și erori intense.

DeepMind a folosit această metodă pentru a construi o mașină care să poată juca jocul antic Go mai bine decât orice om. În esență, mașina a jucat mii și mii de jocuri Go împotriva ei însăși, înregistrând cu atenție care mișcări s-au dovedit a fi de succes și care nu au făcut-o. Și acum, DeepMind și alte laboratoare folosesc tehnici similare în construirea de mașini care pot juca jocuri video complexe precum StarCraft.

Acest lucru poate părea frivol. Dar dacă mașinile pot naviga în aceste lumi virtuale, ele pot să-și facă drum prin lumea fizică.

În interiorul mașinii autonome Uber, de exemplu, cercetătorii au instruit sisteme pentru a juca jocul popular Grand Theft Auto, cu un ochi spre aplicarea acestor metode, în cele din urmă, la mașinile din lumea reală. Soluțiile de instruire în simulările locațiilor fizice reprezintă următorul pas.

Reducerea decalajului dintre virtual și fizic nu este o sarcină ușoară, a spus Pratt. Și companiile trebuie, de asemenea, să se asigure că algoritmii nu învață comportamente neașteptate sau dăunătoare în timp ce învață singure. Aceasta este o mare îngrijorare în rândul cercetătorilor din domeniul inteligenței artificiale.

Din acest motiv și din alte motive, companii precum Toyota și Waymo nu construiesc aceste mașini exclusiv în jurul învățării automatizate. De asemenea, au software-ul codat manual în moduri mai tradiționale, în efortul de a garanta un anumit comportament. Mașinile Waymo nu învață să se oprească la semafoare, de exemplu. Există o regulă puternică și rapidă că se opresc.

Dar industria se îndreaptă către mai multă învățare automatizată, nu mai puțină. Aceasta oferă o modalitate mai bună de a antrena mașina pentru a face sarcini cum ar fi identificarea liniilor benzilor, a declarat vicepreședintele Waymo pentru inginerie Dmitri Dolgov. Dar devine și mai important, a explicat el, când o mașină are nevoie de o înțelegere mai profundă a lumii din jurul ei. „Robotica și învățarea automatizată merg mână în mână”, a spus el.

Distribuiți articolul

Etichete:

Scrie un comentariu