Беспилотники
Беспилотные машины вот уже двадцать
лет обещают захватить мир.
лет обещают захватить мир.
Когда сдержат слово?
Первый «беспилотный» пробег на машине через все США состоялся в 1995 году — и уже тогда многие думали, что в ближайшие годы они станут доминировать на дорогах. Спустя четверть века мы все также ждем победы беспилотников, в том числе и с участием российских разработчиков. Рассказываем о том, почему большинство игроков не смогут добиться своих целей, и кто все же имеет шансы на реализацию автомобиля без водителя.
Беспилотные машины вот
уже двадцать лет обещают
захватить мир.
уже двадцать лет обещают
захватить мир.
Когда сдержат слово?
На первый взгляд кажется, что преимущества автономных авто очевидны и бесспорны. В год в ДТП получают травмы 54 миллиона человек и гибнет 1,4 миллиона. Автомобиль уже успел убить больше людей, чем погибло во Второй мировой войне, а ущерб от аварий оценивают в 870 миллиардов долларов в год.
Поэтому попытки создать машины без водителя предпринимали с 1920-х. Сколько-нибудь успешными они стали с появлением малоразмерных компьютеров. Уже в 1995 году, переделав стандартный минивэн Pontiac Trans Sport, команда Университета Карнеги-Меллона (США) смогла проехать на нем 4585 километров от Калифорнии до Пенсильвании, причем только на 80 километрах (ремонты дорог и тому подобное) управление осуществляли инженеры-разработчики. Все остальное время «рулила» сама машина. Оставалось всего ничего: доделать систему, чтобы исключить эти 80 километров. Однако на дворе 2019 год, а системы, которая бы могла водить полностью самостоятельно на дорогах, так и нет. Даже распиаренные машины Waymo, работающие как такси в Финиксе (Аризона), все еще ездят с инженером, перехватывающим управление в сложной ситуации.
Поэтому попытки создать машины без водителя предпринимали с 1920-х. Сколько-нибудь успешными они стали с появлением малоразмерных компьютеров. Уже в 1995 году, переделав стандартный минивэн Pontiac Trans Sport, команда Университета Карнеги-Меллона (США) смогла проехать на нем 4585 километров от Калифорнии до Пенсильвании, причем только на 80 километрах (ремонты дорог и тому подобное) управление осуществляли инженеры-разработчики. Все остальное время «рулила» сама машина. Оставалось всего ничего: доделать систему, чтобы исключить эти 80 километров. Однако на дворе 2019 год, а системы, которая бы могла водить полностью самостоятельно на дорогах, так и нет. Даже распиаренные машины Waymo, работающие как такси в Финиксе (Аризона), все еще ездят с инженером, перехватывающим управление в сложной ситуации.
Дин Померле (Dean Pomerleau) и Тодд Йохем (Todd Jochem)
разработчики автономого автомобиля Navlab 5, в 1995 году проехавшего от Калифорнии до Пенсильвании.
Езда
по карте
по карте
Езда по карте
Есть два основных подхода к управлению беспилотным автомобилем.
Исторически первый – и пока самый массовый – езда «по карте». Для этого автономной машине нужна цифровая «карта» местности, а также сенсоры, позволяющие ее компьютеру понять, где именно на этой карте он находится. Navlab 5 1995 года пытался использовать для этого камеры, но вскоре обнаружилось, что это помогает слабо. Камеры не в состоянии точно определить дистанцию до тех или иных ориентиров.
Определившись, где она находится на карте, машина «понимает», и какие здесь действуют знаки, и как, соответственно, надо себя вести на дороге. Не зная такой дистанции, беспилотник не может позиционировать себя на местности, а значит – и свободно перемещаться. Радар, напротив, неплохо определяет точно расстояние, но «не видит» живые организмы, в том числе пешеходов и деревья. До некоторой степени «увидеть» себя на карте позволяет GPS, но его сигнал пропадает в туннелях, да и точность не всегда достаточна.
Поэтому сегодня основой почти всех «самоуправляемых» машин стал лидар. В этом приборе лазерный луч отражается от объекта рядом с машиной, и по времени обратного пути можно сверхточно определить расстояние до всех ориентиров. Работает лидар в инфракрасной части диапазона, поэтому видит и живое, и неживое. Все это делает его таким ценным, что, несмотря на цену в десятки тысяч долларов, его используют в своих машинах и Google/Waymo, и «Яндекс». Машины последнего достаточно неплохо ведут себя на демонстрационных роликах, снятых в зимней Москве:
Исторически первый – и пока самый массовый – езда «по карте». Для этого автономной машине нужна цифровая «карта» местности, а также сенсоры, позволяющие ее компьютеру понять, где именно на этой карте он находится. Navlab 5 1995 года пытался использовать для этого камеры, но вскоре обнаружилось, что это помогает слабо. Камеры не в состоянии точно определить дистанцию до тех или иных ориентиров.
Определившись, где она находится на карте, машина «понимает», и какие здесь действуют знаки, и как, соответственно, надо себя вести на дороге. Не зная такой дистанции, беспилотник не может позиционировать себя на местности, а значит – и свободно перемещаться. Радар, напротив, неплохо определяет точно расстояние, но «не видит» живые организмы, в том числе пешеходов и деревья. До некоторой степени «увидеть» себя на карте позволяет GPS, но его сигнал пропадает в туннелях, да и точность не всегда достаточна.
Поэтому сегодня основой почти всех «самоуправляемых» машин стал лидар. В этом приборе лазерный луч отражается от объекта рядом с машиной, и по времени обратного пути можно сверхточно определить расстояние до всех ориентиров. Работает лидар в инфракрасной части диапазона, поэтому видит и живое, и неживое. Все это делает его таким ценным, что, несмотря на цену в десятки тысяч долларов, его используют в своих машинах и Google/Waymo, и «Яндекс». Машины последнего достаточно неплохо ведут себя на демонстрационных роликах, снятых в зимней Москве:
Но есть причины, по которым Waymo, несмотря на десять лет интенсивных разработок, все еще так и не смогла сделать свои беспилотные автомобили полноценными самостоятельными такси. Главная из них проста: робоавтомобили, пытающиеся ездить «по карте», делают это так, как не делают обычные водители. Это означает, что они испытывают проблемы при вождении в реальном мире, к которому адаптированы водители-люди.
Типичный пример больших проблем беспилотников, ездящих «по карте», это авария автономной машины Uber 18 марта 2018 года в Темпе, Аризона. Тогда машина с лидаром и камерами ехала по городу со скоростью всего 64 км/ч. На ночной дороге путь ей пересекла афроамериканка с велосипедом, на который были нагружены белые пакеты из супермаркета. Ее увидели и лидар, и камеры, но все они среагировали на нее как на «ложный сигнал»: ведь в их библиотеке образов не было объекта класса «афроамериканка, идущая рядом с велосипедом, на который нагружены пакеты». Ездить без отбраковки ложных сигналов нельзя: иначе блик заходящего солнца будет регулярно создавать у автопилота ощущение препятствия перед ним. Он будет «бить по тормозам», и в него сзади въедет обычный водитель.
В ситуации с убитой беспилотником Uber женщиной как в капле отразилась главная проблема автопилотов «по карте». Они пытаются ездить по правилам: видя зебру и светофор, определяют, в какой точке карты находятся, классифицируют их как зебру и светофор, и ведут себя перед ними соответственно.
Но в реальной жизни другие пешеходы, водители и даже дорожные рабочие часто не ведут себя по правилам. Женщины ночью переходят дорогу вне «зебр», при этом ведут с собой объекты, предельно затрудняющие их машинную идентификацию. Пытаться ездить по правилам в мире, где часто нарушают правила – значит постоянно рисковать аварией. Поэтому-то не только Uber, но и Waymo с «Яндексом» продолжают держать страхующих инженеров за рулем своих машин, и будут делать это еще долго.
Есть у лидаров, как главного сенсора для «езды по карте», и пара чисто технических проблем:
Типичный пример больших проблем беспилотников, ездящих «по карте», это авария автономной машины Uber 18 марта 2018 года в Темпе, Аризона. Тогда машина с лидаром и камерами ехала по городу со скоростью всего 64 км/ч. На ночной дороге путь ей пересекла афроамериканка с велосипедом, на который были нагружены белые пакеты из супермаркета. Ее увидели и лидар, и камеры, но все они среагировали на нее как на «ложный сигнал»: ведь в их библиотеке образов не было объекта класса «афроамериканка, идущая рядом с велосипедом, на который нагружены пакеты». Ездить без отбраковки ложных сигналов нельзя: иначе блик заходящего солнца будет регулярно создавать у автопилота ощущение препятствия перед ним. Он будет «бить по тормозам», и в него сзади въедет обычный водитель.
В ситуации с убитой беспилотником Uber женщиной как в капле отразилась главная проблема автопилотов «по карте». Они пытаются ездить по правилам: видя зебру и светофор, определяют, в какой точке карты находятся, классифицируют их как зебру и светофор, и ведут себя перед ними соответственно.
Но в реальной жизни другие пешеходы, водители и даже дорожные рабочие часто не ведут себя по правилам. Женщины ночью переходят дорогу вне «зебр», при этом ведут с собой объекты, предельно затрудняющие их машинную идентификацию. Пытаться ездить по правилам в мире, где часто нарушают правила – значит постоянно рисковать аварией. Поэтому-то не только Uber, но и Waymo с «Яндексом» продолжают держать страхующих инженеров за рулем своих машин, и будут делать это еще долго.
Есть у лидаров, как главного сенсора для «езды по карте», и пара чисто технических проблем:
Во-первых, они, на данный момент, требуют непрерывного вращения, как радары прошлого. Вращающиеся все время компоненты часто ломаются. И срок надежной жизни лидара куда меньше, чем у камеры – и это при том, что стоит лидар от десятка тысяч долларов.
Во-вторых, в туман инфракрасное излучение легко поглощается капельками воды, и не обеспечивает нормальной работы. Создать настоящий беспилотник только для того, чтобы он стоял в туманную погоду – очень сомнительная идея. Пока западные разработчики решают проблему, испытывая, как Waymo, машины в Аризоне и других засушливых регионах, где дефицит туманов. Но в серии такой подход будет неприемлем.
В-третьих, при любой погоде лидар не различает цвета – а значит, с его помощью нельзя читать знаки и дорожную разметку. Конечно, обычно в этом помогает цифровая карта, на которой точно указано, где стоит, например, светофор. Но в реальной жизни правила постоянно меняются. Поэтому у того же Uber беспилотник однажды проехал на красный свет (в Сан-Франциско): в одном месте просто поставили новый светофор, не отмеченный на цифровой карте. Понятно, что в жизни, с ее ремонтами дорог и объездами, такое будет случаться всегда. А значит, сам по себе лидар – не панацея.
Во-вторых, в туман инфракрасное излучение легко поглощается капельками воды, и не обеспечивает нормальной работы. Создать настоящий беспилотник только для того, чтобы он стоял в туманную погоду – очень сомнительная идея. Пока западные разработчики решают проблему, испытывая, как Waymo, машины в Аризоне и других засушливых регионах, где дефицит туманов. Но в серии такой подход будет неприемлем.
В-третьих, при любой погоде лидар не различает цвета – а значит, с его помощью нельзя читать знаки и дорожную разметку. Конечно, обычно в этом помогает цифровая карта, на которой точно указано, где стоит, например, светофор. Но в реальной жизни правила постоянно меняются. Поэтому у того же Uber беспилотник однажды проехал на красный свет (в Сан-Франциско): в одном месте просто поставили новый светофор, не отмеченный на цифровой карте. Понятно, что в жизни, с ее ремонтами дорог и объездами, такое будет случаться всегда. А значит, сам по себе лидар – не панацея.
Одна из первых «автономных» машин Lyft с лидаром на крыше
Ездить
«по-человечески»
«по-человечески»
Ездить
«по-чело-
вечески»
«по-чело-
вечески»
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».
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.
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.
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.
А в России?
Во-первых, потребление бортового компьютера автопилота начинается от нескольких сот ватт, а при наличии лидаров может измеряться и в киловаттах. То есть база для них, в идеале – электромобили и гибриды, с которыми у российских производителей пока сложно. Внедрять эффективный автопилот на базе чистого ДВС практически невозможно.
Во-вторых, практически все наши разработчики на сегодня придерживаются подхода «езды по карте». Судя по десяти годам упорной работы Waymo, даже при больших капиталовложениях безошибочно такой автопилот ездить начнет очень нескоро.
В-третьих, подход Tesla, по идее, более перспективный, отечественным компаниям вообще недоступен. У нас нет автопроизводителя, который хотя бы мечтал о выпуске сотен тысяч электромобилей или гибридов с бортовым автопилотом. То есть обучающую выборку для нейросети просто не на чем собирать.
Во-вторых, практически все наши разработчики на сегодня придерживаются подхода «езды по карте». Судя по десяти годам упорной работы Waymo, даже при больших капиталовложениях безошибочно такой автопилот ездить начнет очень нескоро.
В-третьих, подход Tesla, по идее, более перспективный, отечественным компаниям вообще недоступен. У нас нет автопроизводителя, который хотя бы мечтал о выпуске сотен тысяч электромобилей или гибридов с бортовым автопилотом. То есть обучающую выборку для нейросети просто не на чем собирать.
Из изложенной выше борьбы двух подходов к беспилотному автомобилю довольно очевидно, что у российских разработчиков с ними могут быть серьезные проблемы.
Это означает, что местные игроки должны выбрать какую-то свою стратегию, которая позволила бы им преодолеть описанные сложности. Например, компания Megwatt предлагает беспилотники для закрытых зон – крупных складов, производственных комплексов. Здесь значительно проще организация движения, есть возможность изолировать зону движения автономных электропогрузчиков от дороги. Среда намного менее сложная, чем на дорогах общего пользования, а спрос на замещение водителей погрузчиков есть и здесь.
«Матрешку» планировали использовать как низкоскоростной транспорт для университетских кампусов, в том числе в Сколково.
Другие российские разработчики уже попытались сыграть на поле беспилотников, и, осознав сложность задачи, отказались от ее решения. Так случилось с «Матрешкой», концептом автономной платформы, сделанной по заказу БМГ (Бакулин Моторс Групп). Оказалось, что инвестиции, которые потребуются для доводки такой системы до серийного производства, слишком велики, чтобы не слишком крупная российская компания могла на них пойти. Поэтому участие «Матрешки» в реальном дорожном движении ограничилось Днем города в Москве в 2018 году.
Третья группа разработчиков, несмотря на дефицит средств, пробует довести свои беспилотники в рамках подхода езды «по карте». Получается с переменным успехом. Например, 10 декабря 2019 года на полигоне НАМИ прошёл финал «Зимнего города», технологического конкурса с призом в 175 миллионов рублей. «Яндекс» не стал участвовать в мероприятии, и оно осталось с небольшими командами: Нижегородского государственный технический университета, а также стартапов StarLine (Санкт-Петербург), «Авто-РТК» (Таганрог, Курск), «Зимний город МАДИ» (Москва) и BaseTrack (Москва).
При выезде на перекресток один из беспилотных автомобилей «заглючил», увидев препятствие, которого не было, а остальные беспилотники не смогли его корректно объехать и тоже встали на перекрестке. Устроители комплекса дали командам второй шанс, перезапустив гонку, но опять никто не смог проехать дальше злополучного перекрестка (его даже назвали Перекрестком судьбы). После третьего перезапуска машина-финалистка въехала на малой скорости в бетонный блок, слегка побив бампер, и, в конечном итоге, немалый приз так и не ушел ни одной из команд.
При выезде на перекресток один из беспилотных автомобилей «заглючил», увидев препятствие, которого не было, а остальные беспилотники не смогли его корректно объехать и тоже встали на перекрестке. Устроители комплекса дали командам второй шанс, перезапустив гонку, но опять никто не смог проехать дальше злополучного перекрестка (его даже назвали Перекрестком судьбы). После третьего перезапуска машина-финалистка въехала на малой скорости в бетонный блок, слегка побив бампер, и, в конечном итоге, немалый приз так и не ушел ни одной из команд.
Конкурс авто-беспилотников не выявил победителей не потому, что уровень команд был низким: сходные результаты дают и многие аналогичные конкурсы за рубежом. Крупные компании стараются даже не участвовать в них, чтобы не рисковать своей репутацией из-за мелкой ошибки ПО.
Однако случившееся показывает: проблемы перед российскими разработчиками беспилотников стоят в самом деле немалые. Определенно их усилия, особенно в случае «Яндекса», впечатляют. Но мы бы не стали ждать полноценного российского автопилота, способного работать без инженера в машине, ни в 2020, ни в 2021 году.
В то же время, борьба за роботизацию автомобиля, запущенная за рубежом, безусловно набирает обороты. С высокой вероятностью та же Tesla добьется полноценной работы автопилота для своих машин уже в ближайшие годы. За ней, вероятно, по сходному безлидарному подходу (езда «глазами», а не «по карте»), придут и остальные игроки.
В том числе — и в России.
Однако случившееся показывает: проблемы перед российскими разработчиками беспилотников стоят в самом деле немалые. Определенно их усилия, особенно в случае «Яндекса», впечатляют. Но мы бы не стали ждать полноценного российского автопилота, способного работать без инженера в машине, ни в 2020, ни в 2021 году.
В то же время, борьба за роботизацию автомобиля, запущенная за рубежом, безусловно набирает обороты. С высокой вероятностью та же Tesla добьется полноценной работы автопилота для своих машин уже в ближайшие годы. За ней, вероятно, по сходному безлидарному подходу (езда «глазами», а не «по карте»), придут и остальные игроки.
В том числе — и в России.