Кажется, из этой ситуации есть довольно простой выход. Возьмем нас, людей. Мы не используем лидары – только глаза, говоря техническим языком, стереокамеры, позволяющие грубо прикидывать дистанцию. Глаза позволяют и опознавать местность, но человек успешно едет даже там, где он ни разу не бывал. Увидев девушку с велосипедом и пакетами, человек не отметет ее как «глюк» (ложный сигнал), на манер машины Uber: мозг позволяет понять, что девушка – отдельно, велосипед – отдельно, и пакеты тоже отдельно. Также он дает возможность понять, что из этого может состоять реальное составное препятствие на дороге. Почему бы не создать программное обеспечение, которое смогло бы сделать то же самое – ездить не «по карте», а «глазами», как обычный человек?
У этого подхода есть весомые преимущества по сравнению с ездой «по карте».
Во-первых, не нужен лидар, дорогой, ломающийся, и все равно неспособный читать знаки или надежно работать в туман.
Во-вторых, лидар потребляет сотни ватт, то есть может съесть несколько киловатт-часов в сутки. Обычная машина с ДВС имеет генератор не очень большой мощности, поэтому для нее группа лидаров часто непосильная нагрузка, почему электромобили и гибриды и используются для «беспилотников». Но даже для последних такая энергетическая нагрузка может заметно укоротить дальность поездок.
Чтобы научиться ездить «глазами», а не по карте, надо научить компьютер беспилотной машины идентифицировать все объекты, которые он видит на улице — и реагировать на них так же адекватно, как и хороший водитель-человек.
Звучит просто, но на деле крайне сложно. Люди распознают образы за счет мозга, сильного интеллекта, сознания, способного анализировать то, что мы видим глазами. Алгоритмические компьютеры (а других мы пока делать не умеем) не имеют собственного мозга, и способны опознать исключительно те образы, что были заложены в них заранее.
Любой пользователь интернета, имевший дело с капчей, знает: изображения дорожных знаков и светофоров тот же Google успешно использует для отсеивания ботов. Реальные люди понимают, что именно они видят, а ПО – нет. В хорошую солнечную погоду все нормально: дорожные знаки заложены в память компьютеров беспилотных авто, те их хорошо различают и реагируют соответственно. Но как только знак оказывается чуть ржавым, залепленным снегом, или бликующим на солнце, то он уже не совпадает с образом, заложенным в память бортового компьютера.
Решить эту сложную проблему пытается компания Tesla. Делает она это так же, как люди: обучением. Когда ребенок рождается на свет, его мозг не различает цвета и образы: даже более яркий предмет на его взгляд не отличается от более тусклого. Tesla обучает не новорожденного, а нейронную сеть своего бортового компьютера. Сеть состоит из множества программных аналогов нейронов. Сперва сеть получает на входе изображение, например, светофора, но она не знает, какому из предметов он соответствует. И с равной вероятностью распознает его как любой из образов в своей памяти. Затем человек размечает, какому из образов в памяти соответствует образ с камеры, и так нейросеть «учится» опознавать разные предметы под разными углами, в том числе, и когда на них бликует солнце, или когда эти предметы залеплены снегом и грязью.
Легко догадаться, что чем больше обучающая выборка (а ее Tesla пополняет за счет камер на всех своих машинах) и чем дольше длится обучение, тем выше вероятность правильного распознавания. В теории, при нескольких годах обучения на миллионе «тесл» можно построить ПО, которое сможет отличать девушку ночью, даже если она ведет рядом с собой велосипед с пакетами, или, допустим, пони с седоком (в жизни на дорогу выбираются самые разные объекты-препятствия). Из описания ясно: при всех плюсах подхода «ездить как человек», он требует заметно большей обучающей выборки, чем подход «ездить по карте». Поэтому, хотя Илон Маск 22 апреля 2019 года и пообещал, что машины его компании смогут ездить как роботизированные такси уже в 2020 году, уверенно ждать этого не стоит. Tesla пока выпустила всего 600 тысяч машин с бортовыми компьютерами, обучающими автопилоты. И большинство из них ездят по дорогам менее двух лет. Не факт, что к следующему году они будут обучены в достаточной степени.