مردم اغلب می پرسند، "ماشین خودران من کجاست؟" "چرا من یکی ندارم و کی می آید؟" بسیاری از مردم احساس میکنند که اواخر دهه 20 نوجوانی به آنها وعده ماشین دادهاند و دیر شده است، و شاید هم نیامد، مانند ماشینهای پرنده که دههها پیش درباره آن صحبت میشد.
در این مجموعه دو مقاله ای (به همراه ویدیوهای همراه) به دلایل اصلی که احتمالاً امروز سوار ماشین روبوسی نمی شوید و چه زمانی ممکن است اتفاق بیفتد، نگاهی بیاندازیم. چه مسائل فنی، حقوقی و اجتماعی بر سر راه وجود دارد و چه مسائلی در واقع مسدود کننده نیستند؟
برای بسیاری از ما، این خودروها نمی توانند به زودی به اینجا برسند. آنها وعده اجتناب از بخش مناسبی از تصادفات اتومبیل امروزی را دارند که سالانه بیش از یک میلیون نفر را در سراسر جهان می کشند. آنها زندگی ما را آسان تر می کنند و اصول حمل و نقل را بازنویسی می کنند. با انجام این کار، آنها محل زندگی ما و ماهیت شهر و همچنین ده ها صنعت دیگر از انرژی گرفته تا خرده فروشی را بازنویسی خواهند کرد. هر روز که این چیزها را با حجم زیاد در جاده ها به تاخیر می اندازیم، هزاران نفر به دست افرادی که نباید رانندگی می کردند می میرند. هر روز تاخیر داریم
البته سخت است
برای روشن بودن، بزرگترین دلیلی که "اینقدر طول می کشد" این است که سخت است. یکی از بزرگترین پروژه های تحقیقاتی نرم افزاری که تاکنون انجام شده است. این نه تنها به نرمافزار پیشرفتکننده نیاز دارد، بلکه نیاز به هزاران کار دقیق روی علفهای هرز دارد که با تعداد زیادی موارد خاص و نقشهبرداری از جهان و تمام چین و چروکهای آن سروکار دارد. هرکسی که فکر میکند یا فکر میکند میتوان آن را طبق برنامه تحویل داد، اشتباه میکند و قبلاً هرگز در نرمافزار کار نکرده است. زمانی که شرکتهای خودروسازی تاریخهایی مانند سال ۲۰۲۰ را اعلام کردند، این امیدها بود، نه پیشبینی، و اینکه برخی از شرکتهای فناوری واقعاً آن را انجام دادند، شگفتانگیز بود. پروژه های چند ساله که نیاز به پیشرفت دارند هرگز به طور دقیق پیش بینی نمی شوند.
اگر پیشبینیهای سالها پیش برای چنین پروژه بزرگی درست نباشد، هیچکس با پیشینه نرمافزاری اصلاً شوکه نمیشود. بنابراین، همه چیز «عقب مانده از برنامه» نیست، حتی اگر امیدهای خوشبینانه را برآورده نکرده باشد. این همچنین به این معنی است که کارها در مراحل کوچکتر انجام می شوند.
بزرگترین مسدودکننده در واقع انجام آن نیست (یعنی ایمن کردن آن) بلکه دانستن این است که شما آن را انجام دادهاید.
اثبات اینکه واقعاً آن را ایمن کردهاید
اولین هدف تکنولوژیک این بود که آن را فقط محقق کنیم. برای ساختن خودرویی که بتواند با خیال راحت رانندگی کند. این یک دستاورد بزرگ است، اما حداقل در چند شهر، چند شرکت قبلاً آن را انجام داده اند. رانندگی ایمن تر از یک انسان معمولی توسط شرکت هایی مانند Waymo در خیابان های آسان فینیکس انجام شده است. این «بخش سخت» بود – اما بخش سختتر این است که تعریف ایمنی چیست، اندازهگیری آن و اثبات اینکه آن را انجام دادهاید. شما باید آن را به خود، هیئت مدیره، وکلای خود، مردم و شاید حتی دولت ثابت کنید. درست همانطور که واکسن کووید مدرنا در فوریه 2020 آماده شد، قبل از اولین قرنطینه، جهان 10 ماه صبر کرد - در حالی که یک میلیون نفر بدون آن جان خود را از دست دادند - قبل از اینکه به اولین افراد اجازه تزریق را داد. ما منتظر ماندیم تا آنها ثابت کنند که این کار را انجام داده اند.
اندازه گیری ایمنی بسیار سخت است. ما می دانیم که رانندگان انسانی هر چند وقت یکبار دچار انواع تصادف می شوند، از تصادفات جزئی تا مرگ و میر. مرگ و میر تقریباً در هر 80 میلیون مایل در ایالات متحده یا حدود 2 میلیون ساعت رانندگی اتفاق می افتد. ما نمیتوانیم هر نسخه نرمافزاری را با گفتن این جمله آزمایش کنیم: «بیایید یک میلیارد مایل رانندگی کنیم و ببینیم که آیا کمتر از دهها نفری که اگر انسانها تا این حد رانندگی میکردند میمیرند، کشته میشوند یا خیر». رانندگی در جاده های واقعی حتی یک بار هم غیرممکن است، چه برسد به هر نسخه جدید. ما ممکن است خیلی کمتر رانندگی کنیم و ضربات و تصادفات جزئی را بشماریم - در واقع این بهترین چیزی است که تا به حال به آن دست یافته ایم زیرا حداقل ممکن است - اما مطمئن نیستیم که آیا این موضوع به جراحات ربات ها مربوط می شود یا خیر. با مردم انجام می دهد
بسیاری از صنعت خودروسازی سنتی را شروع می کنند. آنها هر جزء از وسایل نقلیه خود را آزمایش می کنند تا مطمئن شوند که قابل اعتماد و مطابق با مشخصات هستند. آنها سعی میکنند این کار را با سیستمهای مولفهها انجام دهند، اما این روش زمانی که همه چیز پیچیدهتر میشود، دشوار میشود. این ایمنی عملکردی نامیده میشود - اجزا و سیستمها عاری از نقص هستند و با خرابیهای احتمالی شناخته شده مقابله خواهند کرد.
اخیراً تلاشهای بیشتری برای افزایش این موضوع به سطح سیستم و تلاش برای آزمایش "ایمنی عملکرد مورد نظر" صورت گرفته است. با SOTIF، تیمها برای اطمینان از اینکه کل سیستمها همچنان کار میکنند، هم با مشکلات و خرابی اجزا و هم با سوء استفاده پیشبینیشده، کار میکنند. این اغلب شامل شبیهسازی کل سیستم، یا بخشهایی از آن، یا شبیهسازی «سختافزار در حلقه» است که آسانتر و ایمنتر از آزمایش زنده در جادهها است.
آزمایش شبیه سازی توانایی آزمایش یک سیستم را در میلیون ها سناریو مختلف ارائه می دهد. هر چیزی که کسی تا به حال دیده یا شنیده یا خواب دیده است - با صدها تنوع جزئی از همه آن چیزها.
شاید سختترین چیز برای آزمایش، اما چیزی که بیشتر از همه میخواهید بدانید، این است که یک سیستم چقدر به موقعیتهایی که قبلاً دیده نشدهاند، پاسخ میدهد. در حالی که میتوانید آزمایشهای شبیهسازی ایجاد کنید تا بدانید وسیله نقلیه تقریباً در همه موقعیتهای مورد انتظار به خوبی عمل میکند، یک توانایی جادویی بزرگ ذهن انسان، ظرفیت رسیدگی به مشکلاتی است که قبلاً دیده نشدهاند. هوش مصنوعی می تواند این کار را انجام دهد، اما آنقدرها هم خوب نیستند. در نهایت، ما امیدواریم راهی برای رسیدن به سناریوهای جدید، واقعی و خطرناک هر روز وجود داشته باشد. امروز خوب است که ماشین شما طوری برنامه ریزی شده است که هر چیزی را که هر کسی تا به حال به آن فکر می کند مدیریت کند، اما استاندارد طلای واقعی ممکن است این باشد که هر روز 20 موقعیت جدید را که قبلاً هرگز ندیده اید، پرتاب کنید و بفهمید که بیشتر آنها را مدیریت می کند. حتی انسان ها با همه آنها کنار نمی آیند. این چیزی است که امیدوارم از طریق آن اتفاق بیفتد پروژه استخر ایمنی، که من با مجمع جهانی اقتصاد، Deepen.AI و دانشگاه وارویک به راه اندازی آن کمک کردم.
حتی با وجود تمام شبیه سازی ها، شما همچنین نیاز به آزمایش زنده در جاده دارید. هیچ کس قرار نیست خودرویی را به کار ببرد که نشان نداده باشد به خوبی با دنیای واقعی اداره می شود. اگرچه گران است، اما سیستم استفاده از رانندگان ایمنی انسان برای نظارت بر عملیات خودروهای رباتیک در واقع سابقه فوقالعادهای دارد و در مقایسه با رانندگی با انسان معمولی خطری برای مردم ایجاد نمیکند.
در این صنعت، هر شرکتی برای توصیف اینکه چقدر به ایمنی اختصاص دارد، از خود می افتد. وظیفه آنها ساخت یک وسیله نقلیه ایمن است، اما آنها این اظهارات را برای جلب رضایت مسئولان و مردم انجام می دهند. از قضا، منفعت عمومی ساختن ایمن ترین خودروهای روبو نیست، بلکه بیشتر آن است امن ترین جاده ها. خودروهای رباتیک ابزاری هستند که می توانند جاده های ایمن تری را به ارمغان بیاورند و هر چه زودتر به اینجا برسند زودتر و بهتر این کار را انجام خواهند داد. اگر مقامات وظیفه خود را در جهت بهبود ایمنی کلی جاده جدی می گرفتند، در واقع شرکت ها را تشویق می کردند که در زمینه ایمنی زیاده روی نکنند و در عوض روی سریع ترین استقرار فناوری ایمن تر تمرکز کنند - حتی اگر کمتر برای اثبات ایمن بودن آن در زمانی که استقرار کم است، انجام دهند. ، باعث می شود سریعتر اتفاق بیفتد. اما آنها هرگز این کار را نخواهند کرد، زیرا جامعه به اشتباهات و خطرات واکنش نشان می دهد.
دومین مؤلفه ایمنی، امنیت سایبری است. ما به این خودروها نیاز داریم که در برابر تلاشها برای تصاحب آنها مقاوم باشند. برخی از مردم دوست ندارند در مورد امنیت سایبری صحبت کنند، اما تاریخ گذشته صنعت خودرو عالی نبوده است. انجام این کار نه تنها شامل شیوهها و ابزارهای ایمن، بلکه شامل چیزی است که «تیم قرمز» نامیده میشود، که در آن تیمی از هکرهای کلاه سفید خبره از بیرون برای یافتن آسیبپذیریها شکار میکنند تا زمانی که دیگر نتوانند پیدا کنند. یکی دیگر از ابزارهای مهم، به حداقل رساندن اتصال یا آنچه که افراد امنیتی «سطوح حمله» می نامند، است. بسیاری از افراد در این صنعت به چیزی که تصور میکنند «ماشین متصل» است وسواس دارند و اتصال را با انقلابی بزرگ بهاندازه خودران اشتباه میگیرند. اینطور نیست، نه از راه دور. برخی از اتصالات مورد نیاز است، اما باید به اندازه کافی استفاده شود تا انقلاب واقعی بتواند امن بماند.
یکی از بزرگترین چالشها برای آزمایش، استفاده گسترده از یادگیری ماشین توسط همه تیمهای روبوکار است. یادگیری ماشینی یک ابزار هوش مصنوعی بسیار قدرتمند است، و اکثر آنها احساس میکنند که یک ابزار ضروری است، اما تمایل دارد ابزارهای «جعبه سیاه» تولید کند که تصمیمگیری میکنند اما هیچکس به طور کامل آنها را نمیفهمد. اگر نمیدانید یک سیستم چگونه کار میکند یا چرا از کار میافتد یا کار درست را انجام میدهد، آزمایش و تأیید آن سخت است. در اروپا، آنها قوانینی وضع کردهاند که خواستار آن هستند که تمام هوش مصنوعی در سطوحی «قابل توضیح» باشد، اما توضیح بسیاری از شبکههای یادگیری ماشینی بسیار سخت است. این ترسناک است، اما آنها آنقدر قدرتمند هستند که ما آنها را رها نمی کنیم. ممکن است با جعبه سیاهی روبرو شویم که در آزمایش دو برابر امنتر از یک سیستم قابل توضیح است، و استدلالهای قانعکنندهای وجود دارد که افراد به نفع هر کدام از این گزینهها مطرح میکنند.
پیش بینی آینده
یک روبوکار با حسگرهایی مانند دوربین، رادار، لیزر LIDAR و غیره پوشانده شده است. سنسورها احتمالاً مهمترین جنبه سخت افزاری مورد بحث هستند، اما در واقع سنسورها به هیچ وجه آنچه را که می خواهید بدانید به شما نمی گویند. این به این دلیل است که سنسورها به شما میگویند در حال حاضر اوضاع کجاست، اما شما چندان به این موضوع اهمیت نمیدهید. برای شما مهم است که اوضاع در آینده به کجا خواهد رسید. اطلاعات به دست آمده از حسگرها تنها سرنخی برای هدف واقعی پیش بینی آینده است. دانستن اینکه چیزی کجاست و با چه سرعتی در حال حرکت است شروع خوبی است، اما دانستن چیستی آن به همان اندازه برای دانستن اینکه کجا خواهد بود مهم است. بیشتر اشیاء روی جاده یا نزدیک آن بالستیک نیستند - انسان مسئول است و می تواند مسیر را تغییر دهد. به همین دلیل است که امروزه یکی از حوزههای کلیدی تحقیق، بهتر شدن در پیشبینی آنچه که دیگران در جاده، بهویژه انسانها، قرار است انجام دهند، است. این می تواند از دانستن رفتار رانندگی تا تشخیص اینکه آیا عابر پیاده ای که در گوشه ای ایستاده قرار است وارد خط عابر پیاده شود یا در حال گشت و گذار در وب است، متغیر باشد.
در حالی که چندین تیم پیشرفت بزرگی داشته اند، معلوم می شود که مردم در پیش بینی افراد دیگر بهتر از روبات های امروزی هستند. بهتر شدن در آن یکی از مشکلات کلیدی در لیست کارها است، به ویژه در محیط های پیچیده تر مانند شهرهای شلوغ. پیشبینی آینده همچنین شامل پیشبینی چگونگی واکنش دیگران به حرکات شما و پیشبینیشدههای دیگران است. یک ادغام خط یا یک پیچ بدون محافظت به چپ میتواند رقصی با دادن و گرفتن باشد، و خودروهای روبو دائماً در تلاش برای بهبود عملکرد خود هستند.
حس کردن سریعتر
حسگرها ممکن است تنها وسیله ای برای رسیدن به هدف واقعی باشند، اما هرچه بهتر عمل کنند، بهتر می توانید آن آینده را پیش بینی کنید. تیمها همچنان به دنبال ساخت حسگرها برای سریعتر کردن درک و پیشبینی هستند. یکی از چیزهایی که مهم است دانستن سرعت اجسام متحرک است. رادار این را به شما می گوید، اما دوربین ها و LIDAR های قدیمی این کار را نمی کنند، مگر اینکه به چندین فریم نگاه کنید. برخی از LIDAR های جدیدتر می توانند سرعت و همچنین مسافت را به شما بگویند. نگاه کردن به چندین فریم حداقل به اندازه گرفتن فریم ها زمان می برد، اما معمولاً بیشتر.
یکی از موقعیت هایی که می تواند مشکل ساز باشد حرکت در بزرگراه پشت وسیله نقلیه بزرگتر است. تصور کنید که جلوتر از آن وسیله نقلیه کامیونی است که روی شانه ایستاده و به لاین چسبیده است. این اتفاق در تصادفات و وسایل نقلیه اضطراری زیاد می افتد. ناگهان وسیله نقلیه بزرگ قبل از شما به سمت راست منحرف می شود تا از مانع جلوگیری کنید و برای اولین بار آن کامیون متوقف شده را می بینید. شما واقعاً زمان زیادی برای ترمز یا انحراف ندارید و حتی ممکن است جایی برای رفتن نداشته باشید. اگر باید به 3 فریم ویدیو نگاه کنید تا متوجه شوید که واقعاً حرکت نمی کند، احتمالاً 1/10 ثانیه تلف شده است، و این موقعیتی است که می تواند مهم باشد. بنابراین بسیاری از تیمها به دنبال راههایی برای به دست آوردن این لبه هستند، و آن را بیشتر در LIDAR پیدا کردهاند که میتواند «داپلر» را اندازهگیری کند تا سرعت هر چیزی که با لیزر برخورد میکند را بداند. رادارها سرعت را نیز می شناسند، اما جهان پر از اجسام متوقف شده است که رادار را منعکس می کنند، و تشخیص وسیله نقلیه متوقف شده از نرده محافظ کناری آن دشوار است.
طی کردن راه طولانی
من به طور خلاصه به این دلیل اشاره می کنم که یک تیم مشهور - تسلا
اون قسمت اول بخش دوم به مواردی مانند شهروند خوب جادهها بودن، اینکه چرا ماشینهای رباتیک به جای همه جا در یک شهر در یک شهر مستقر میشوند، و مشکلات برخورد با تدارکات پیش پا افتادهتر مانند جابهجایی برای سوار کردن سواران، مدلهای تجاری، میپردازد. برنامه ها، و نگرانی بیش از حد در مورد ایمنی در حالی که دولت ها و مردم شما را می پذیرند. من همچنین تعدادی از عواملی را که روی آنها کار می شود، اما مسدودکننده واقعی برای استقرار نیستند، فهرست می کنم. در روزهای آینده به دنبال قسمت دوم باشید.
برخی احساس میکنند این واقعیت که در سال 2022 یک خودروی رباتیک ندارند یا سوار آنها میشوند به این معنی است که توسعه بسیار عقبتر از برنامه است. در واقعیت، هرگز برنامهای جدی وجود نداشت، فقط امیدها وجود داشت، اما در واقع، این فهرست از مشکلات، خوشبینی را نشان میدهد، زیرا این مشکلات باقیمانده عموماً قابل حل به نظر میرسند. برای رویارویی با بیشتر آنها به کار سخت و پول نیاز است، نه پیشرفت.
با بخش دوم به صورت ویدئویی و متنی همراه باشید
می توانید نظرات خود را در این صفحه یا در صفحه ویدیو ارسال کنید.
منبع: https://www.forbes.com/sites/bradtempleton/2022/09/26/why-dont-you-have-a-self-driving-car-yet–this-2-part-series-explains- مشکلات-بزرگ-باقی مانده/