Будущее автономных транспортных средств: технологии автопилота, формирующие дорогу
Что такое автономный автомобиль сегодня
Автономные транспортные средства, часто называемые самоуправляемыми автомобилями, представляют собой фундаментальный сдвиг в том, как мы думаем о мобильности. Эти машины полагаются на сложную стопку датчиков, бортовых вычислений и искусственного интеллекта, чтобы воспринимать окружающую среду и принимать решения о вождении без прямого вмешательства человека. Общество автомобильных инженеров (SAE) определяет шесть уровней автоматизации вождения, от уровня 0 (без автоматизации) до уровня 5 (полная автоматизация при любых условиях). Большинство потребительских транспортных средств на дороге сегодня работают на уровне 2, предлагая такие функции, как адаптивный круиз-контроль и помощь в обслуживании полосы движения, в то время как несколько передовых систем вступают в уровень 3 и уровень 4 в ограниченных операционных областях.
Основное обещание автономии - это не просто удобство; это потенциал для резкого сокращения примерно 1,35 миллиона смертей от дорожного движения, которые происходят во всем мире каждый год, подавляющее большинство из которых связано с человеческой ошибкой. Удаляя отвлекающегося, усталого или ослабленного человека-водителя из цикла управления, автономные системы могут спасти десятки тысяч жизней ежегодно. Помимо безопасности, технологии автономного вождения обещают изменить города, уменьшить перегруженность через оптимизированный поток трафика и обеспечить мобильность для пожилых людей и инвалидов, которые не могут управлять собой. Такие компании, как Waymo, Cruise, Tesla и многочисленные китайские автопроизводители инвестируют миллиарды, чтобы сделать это видение коммерческой реальностью, каждый из которых использует другой технический и стратегический подход к проблеме.
Стек датчиков: как автономные транспортные средства видят мир
Для безопасного перемещения транспортного средства, оно должно сначала воспринимать окружающую среду с предельной точностью и надежностью. Это достигается за счет комбинации дополнительных датчиков, каждый из которых имеет различные сильные и слабые стороны. Ни один тип датчика не является достаточным для всех условий, поэтому современные автономные системы объединяют данные из нескольких источников, чтобы построить надежную, избыточную модель мира.
LiDAR: Живопись мира в 3D
LiDAR, что означает Light Detection and Ranging, запускает миллионы лазерных импульсов в секунду и измеряет время, необходимое им для возвращения после отражения от объектов. Это создает плотные 3D-облака в реальном времени, которые позволяют автомобилю обнаруживать точную форму, положение и движение препятствий, пешеходов, велосипедистов и других транспортных средств, даже в полной темноте. Ранние блоки LiDAR были громоздкими, дорогими вращающимися барабанами, но технология развивалась быстро. Современные твердотельные датчики LiDAR меньше, дешевле и более долговечны, с такими компаниями, как Luminar, Hesai и Innoviz, производящие блоки, которые могут быть интегрированы в производственные транспортные средства. Многие эксперты считают LiDAR необходимым для достижения автономии высокого уровня, поскольку он предоставляет прямую информацию о глубине, которую камеры и радар не могут сопоставить, особенно в условиях низкой контрастности или плохо освещенных условиях. Однако LiDAR может бороться в условиях сильного дождя, снега или тумана, где лазерные импульсы рассеиваются, что требует стратегии мультимодальных датчиков.
Радар: смотреть сквозь погоду
Радар используется в автомобилях десятилетиями, изначально для адаптивного круиз-контроля и предупреждения о столкновении. Радарные датчики излучают радиоволны и анализируют отражения для определения расстояния, скорости и угла объектов. Их ключевое преимущество — прочность: радиоволны проникают сквозь туман, дождь, снег и пыль гораздо лучше, чем видимый свет или инфракрасные лазеры. Современные автомобильные радиолокационные системы работают на частоте 77 ГГц и могут обнаруживать объекты на дальности, превышающей 250 метров. Они исключительно хороши в измерении относительной скорости других участников дорожного движения, критическим входом для безопасного следования расстояниям и экстренного торможения. Основным ограничением радара является угловое разрешение; он не может различать мелкие детали или читать дорожные знаки. Новый 4D-радар визуализации добавляет измерение высоты, создавая более богатые данные, которые помогают различать воздушный мост и стационарное препятствие на дороге, преодолевая разрыв между традиционным радаром и LiDAR.
Камеры: критическая роль зрения
Камеры обеспечивают информацию с самым высоким разрешением в стеке датчиков, захватывая цвет, текстуру и контраст. Эти визуальные данные необходимы для интерпретации разметки полосы движения, светофоров, дорожных знаков и различения между пластиковым пакетом и камнем на дороге. Современные автономные транспортные средства используют массивы камер, расположенных вокруг автомобиля, для достижения 360-градусной ситуационной осведомленности. Эти сети обрабатываются глубокими нейронными сетями, обученными на миллионах меченых изображений. Эти сети выполняют такие задачи, как семантическая сегментация (маркировка каждого пикселя как «дорога», «автомобиль», «пешеход», «небо» и т. Д.), Обнаружение объектов и классификация. Системы на основе видения добились огромных успехов в последние годы, позволяя использовать подход Tesla «Tesla Vision», который опирается исключительно на камеры и нейронные сети без LiDAR или радара. Проблема для камер заключается в их зависимости от освещения и погоды; они плохо работают ночью, при прямом блеске или при сильном осадке, поэтому избыточность с другими датчиками имеет решающее значение для критически важных приложений
ИИ и машинное обучение: мозг за рулем
Необработанные данные от датчиков бесполезны без сложной обработки для извлечения смысла и принятия решений о вождении. Именно здесь искусственный интеллект и машинное обучение занимают центральное место. Современные автономные системы вождения используют несколько типов нейронных сетей, работающих согласованно. Сети восприятия преобразуют данные датчиков в модель окружающей среды, идентифицируя объекты, их положения, скорости и прогнозируемые траектории. Сети прогнозирования прогнозируют, что эти объекты будут делать дальше - будет ли этот пешеход пересекать улицу? Сети планирования затем определяют собственный безопасный путь и действия транспортного средства, учитывая правила дорожного движения, комфорт и безопасность. Наконец, сети управления переводят запланированный путь в команды рулевого управления, дросселя и торможения, отправляемые в исполнительные механизмы транспортного средства.
Эти сети обучаются на огромных наборах данных о реальных данных вождения, часто содержащих петабайты помеченных записей датчиков. Такие компании, как Waymo, проехали миллионы миль по дорогам общего пользования и еще миллиарды в симуляции для обучения своих систем. Усиление обучения все чаще используется для обучения транспортных средств сложным маневрам, таким как слияние на шоссе или навигация по незащищенным левым поворотам в тяжелом движении. «крайние случаи» - редкие или неожиданные сценарии, которые данные обучения могут не охватывать - остаются одной из самых сложных проблем. Например, встреча с диваном, который упал с грузовика, пешеходом в костюме динозавра или полицейским, направляющим движение с помощью сигналов рук. Для безопасного обращения с этими угловыми случаями без возникновения аварий или блокировки трафика требуются как надежные алгоритмы, так и возможность изящно управлять рукой удаленному оператору или резервное минимальное состояние риска, когда система неопределенна. Обновления в воздухе позволяют этим моделям постоянно улучшаться, а это означает, что автомобиль, который клиент покупает сегодня, может стать более способным с течением времени, поскольку новые веса нейронной сети поставляются
Текущее состояние систем автопилота: игроки и подходы
Гонка за развертывание автономных транспортных средств привела к появлению разнообразных компаний, каждая из которых проводит различные технические и бизнес-стратегии. Хотя ни одна компания еще не достигла полной автономии 5-го уровня, значительный прогресс был достигнут в ограниченных операционных областях.
Waymo: богатый сенсором пионер
Waymo, дочерняя компания Alphabet, широко считается техническим лидером в автономии 4-го уровня. Его парк автономных автомобилей Jaguar I-PACE управляет полностью беспилотным коммерческим сервисом роботакси в частях Феникса, Сан-Франциско и Лос-Анджелеса. Подход Waymo опирается на весьма избыточный набор датчиков, включая LiDAR (как дальнего, так и ближнего радиуса действия), радар и несколько камер. Стратегия компании подчеркивает безопасность посредством обширной проверки, с миллиардами миль смоделированного вождения и миллионами реальных миль. Автомобили Waymo продемонстрировали способность обрабатывать сложные городские среды, включая зоны строительства, аварийные транспортные средства и плотное пешеходное движение, хотя они по-прежнему сталкиваются с проблемами в условиях сильного дождя и некоторых необычных сценариев. Область оперативного проектирования компании тщательно ограничена, и она полагается на удаленную помощь в ситуациях, которые транспортное средство не может решить автономно.
Tesla: только видение по масштабам
Tesla использует принципиально иной подход, полностью полагаясь на камеры и нейронные сети, исключив радар из своих новых автомобилей. Генеральный директор Илон Маск утверждает, что достаточно продвинутая нейронная сеть с восемью камерами и мощным бортовым компьютером должна быть в состоянии соответствовать или превосходить человеческую производительность. Программное обеспечение Tesla «Полное самообслуживание» (FSD), в настоящее время тестируемое на бета-тестировании с сотнями тысяч клиентов, работает на уровне 2, что означает, что водитель должен оставаться внимательным и быть готовым принять на себя управление в любой момент. Преимущество Tesla заключается в его огромном парке сбора данных; каждое транспортное средство Tesla с аппаратным обеспечением автопилота отправляет анонимизированные данные обратно в компанию, создавая беспрецедентный набор данных обучения. Система показала быстрое улучшение, с недавними версиями, способными перемещаться по сложным городским улицам, дорожным кругам и перекресткам. Однако критики указывают на аварии с участием FSD и задаются вопросом, может ли система только для зрения когда-либо достичь безопасности, необходимой для истинной работы без водителя, особенно в неблагоприятных погодных условиях или условиях низкой освещенности без дополнительного избыточного количества
Оригинальное название: Urban Robotaxi Ambitions
Круз, большинством принадлежавший General Motors, управлял коммерческой службой беспилотных роботов в Сан-Франциско, Остине и Фениксе до громкого инцидента в октябре 2023 года, приведшего к приостановке его операций и отзыву его флота. Инцидент, в котором круизный автомобиль затащил пешехода, который был сбит другим автомобилем, вызвал серьезные вопросы о практике безопасности компании и соблюдении нормативных требований. Подход Круза использует комбинацию LiDAR, радара и камер, и, как Waymo, он полагается на удаленную помощь для краевых случаев. С тех пор компания реструктурировала свое лидерство и работает над восстановлением доверия к регуляторам. Эпизод служит предостерегающей историей о проблемах развертывания автономных технологий в масштабе в сложных городских условиях и подчеркивает критическую важность надежной разработки корпуса безопасности, прозрачной отчетности и тщательного оперативного управления. Будущее Круза остается неопределенным, но компания указывает, что она возобновит работу в одном городе, поскольку она работает, чтобы продемонстрировать улучшенные показатели безопасности.
Мобильное: модель поставщика
Mobileye, дочерняя компания Intel, использует другой подход, предоставляя автопроизводителям технологии автономного вождения, а не ведя собственный парк. Его система, основанная на комбинации камеры, радара и LiDAR, предназначена для интеграции в серийные автомобили от BMW, Volkswagen, Nissan и других. Стратегия Mobileye подчеркивает «чувствительную к ответственности безопасность» (RSS), математическую модель, которая формализует безопасное поведение вождения и гарантирует, что система не вызовет аварию. Компания разрабатывает полную систему автономного вождения под названием «Mobileye Drive» и планирует запустить коммерческие услуги роботакси в партнерстве с несколькими автопроизводителями и поставщиками мобильности. Сила Mobileye заключается в установленных отношениях с автомобильной промышленностью и ее глубоком опыте в компьютерном зрении. Его подход более эволюционный, постепенно увеличивая возможности автоматизации в потребительских транспортных средствах при построении к платформе 4-го уровня. Архитектура датчика True Redundancy обеспечивает резервные пути для восприятия, гарантируя, что если один тип датчика выходит из строя или сбивается с толку, другой может безопасно управлять автомобилем.
Проблемы на пути к полной автономии
Несмотря на впечатляющий технический прогресс, остается несколько грозных препятствий, прежде чем автономные транспортные средства могут стать повсеместной особенностью повседневной жизни.Эти проблемы охватывают технологии, регулирование, инфраструктуру и общество.
Технические крайние случаи и проблемы с длинным хвостом
Наиболее стойкая техническая задача - это обработка "длинного хвоста" редких, но критических сценариев. Автономные системы, обученные на массивных наборах данных, могут обрабатывать 99% ситуаций вождения, но оставшиеся 1% включают крайние случаи, которые бесконечно разнообразны и часто невозможно предвидеть. Ребенок, преследующий мяч на улице, строительный рабочий, машающий знаком остановки, полицейский, направляющий движение жестами руки, или кусок мусора, падающий с грузовика - это сценарии, которые могут появиться только один раз в миллион миль, но должны обрабатываться безопасно. Моделирование помогает, но оно не может полностью воспроизвести сложность и непредсказуемость реального мира. Многие системы справляются с неопределенностью, замедляя или перетягивая, но чрезмерно консервативное поведение может создать свои собственные риски безопасности и расстроить пассажиров. Достижение надежности, необходимой для широкого развертывания, вероятно, требует непрерывных достижений в архитектурах нейронных сетей, методах обучения и методологиях проверки, а также способность изящно ухудшаться до безопасного состояния, когда доверие низко.
Регулятивные и правовые препятствия
Регуляторный ландшафт для автономных транспортных средств остается фрагментированным и неопределенным. В Соединенных Штатах Национальная администрация безопасности дорожного движения (NHTSA) выпустила добровольное руководство, но еще не установила всеобъемлющие федеральные стандарты безопасности для автономных систем вождения. Это оставляет компании ориентироваться в лоскутном одеянии правил государственного уровня, некоторые из которых запрещают или строго ограничивают операции автономных транспортных средств. В Европе и Азии существует аналогичная нормативная сложность, при этом разные страны принимают различные подходы к ответственности, лицензированию и процессам утверждения. Критическим нерешенным вопросом является ответственность: если автономный автомобиль вызывает крушение, кто несет ответственность? Текущие законы плохо оснащены для обработки этих сценариев, а правовая неопределенность создает значительный риск для компаний, инвестирующих в технологию. Некоторые эксперты выступают за модель страхования без вины, аналогичную компенсации работникам, в то время как другие утверждают, что строгая ответственность производителя должна стимулировать безопасность. Четкое, последовательное и основанное на безопасности регулирование имеет важное значение для отрасли, чтобы масштабироваться за пределы пилотных программ.
Кибербезопасность и конфиденциальность данных
Автономные транспортные средства по существу являются центрами обработки данных на колесах, подключены к Интернету и оснащены десятками датчиков и мощных компьютеров. Эта связь создает значительные риски кибербезопасности. Успешная атака на системы управления транспортным средством может иметь катастрофические последствия, потенциально позволяя злоумышленнику отключить тормоза, угнать рулевое управление или отключить системы безопасности. Промышленность должна внедрить надежные меры кибербезопасности, включая безопасную загрузку, подписание кода, аппаратные модули безопасности и системы обновления по воздуху, которые устойчивы к фальсификации. Помимо безопасности, проблемы конфиденциальности значительны. Автономные транспортные средства собирают огромные объемы данных об их окружении, включая изображения людей, зданий, номерных знаков и другой конфиденциальной информации. Эти данные могут использоваться для наблюдения, отслеживания или профилирования, если они не защищены должным образом. Компании должны внедрять сильные методы управления данными, получать информированное согласие и минимизировать сбор данных до того, что строго необходимо для безопасной работы. Прозрачность о том, какие данные собираются, как они используются и кто имеет доступ к ним, имеет важное значение для построения общественного доверия.
Общественное восприятие и доверие
Возможно, самым значительным препятствием для принятия является общественное доверие. Опросы последовательно показывают, что большинство людей колеблются или не хотят ездить в полностью автономном транспортном средстве. Громкие аварии, даже когда они редки, получают широкое освещение в средствах массовой информации и создают длительные негативные впечатления. Люди, естественно, боятся потерять контроль и передать свою безопасность в руки программного обеспечения, которое они могут не понимать или не доверять. Построение доверия требует длительного опыта явно безопасной работы, прозрачной коммуникации о производительности безопасности и четкого понимания ограничений технологии. Раннее развертывание в ограниченных областях с обученными операторами может помочь акклиматизировать общественность к технологии. Образовательные кампании, которые объясняют, как работают системы, что они могут и не могут делать, и как безопасность обеспечивается, также может помочь. В конечном счете, доверие будет заработано через надежную, безопасную и последовательную работу с течением времени, а не через маркетинг или претензии. Отрасль должна быть скромной о проблемах впереди и приоритет безопасности над скоростью на рынке, признавая, что один предотвратимый крах может отбросить общественное признание годами.
Инфраструктура и последствия для городской экосистемы
Широкое внедрение автономных транспортных средств не произойдет в вакууме; это потребует изменений в инфраструктуре и окажет глубокое влияние на городское планирование. Выделенные полосы для автономных транспортных средств, улучшенная дорожная разметка и стандартизированная связь дорожного сигнала через технологии транспортного средства к инфраструктуре (V2I) могут значительно повысить безопасность и эффективность автономных систем. Умные перекрестки, которые взаимодействуют с приближающимися транспортными средствами, динамическое распределение полос и цифровые вывески, читаемые машинным зрением, - это все инфраструктурные инвестиции, которые могут ускорить развертывание. Городам может потребоваться переосмыслить парковочные конструкции, поскольку автономные транспортные средства могут высадить пассажиров и припарковаться в отдаленных местах или даже вернуться домой, что может привести к освобождению ценной недвижимости для парков, жилья или пешеходных пространств. В то же время удобство и более низкая стоимость автономной мобильности могут вызвать дополнительный спрос на поездки, потенциально увеличивая пройденные мили транспортных средств и перегруженность, если не управлять с помощью ценообразования, моделей общей мобильности и хорошего городского дизайна; взаимодействие между автономными технологиями и общественным транспортом также важно; роботаксис может дополнять транзит, обеспечивая
Экономические и трудовые последствия
Переход на автономные транспортные средства создаст победителей и проигравших в экономике. Наиболее прямое влияние будет оказываться на почти 4 миллиона водителей грузовиков, таксистов, водителей поездок и водителей доставки в одних только Соединенных Штатах. Вытеснение этих работников потребует значительных программ переподготовки и социальной поддержки, чтобы помочь им перейти на новые роли. В то же время индустрия автономных транспортных средств создаст новые рабочие места в области разработки программного обеспечения, производства датчиков, эксплуатации автопарка, удаленного мониторинга и обслуживания системы. Чистый эффект на занятость неясен, но переход, вероятно, будет разрушительным для многих сообществ. Стоимость транспорта может резко снизиться, особенно для общих автономных услуг, что может сэкономить домохозяйствам тысячи долларов в год в затратах на владение транспортными средствами. Это может увеличить доступ к рабочим местам, образованию и здравоохранению для семей с низким доходом, а также уменьшить финансовое бремя владения автомобилями. Однако, если автономные технологии развернуты в первую очередь через частную собственность, а не общие услуги, это может усугубить неравенство, обеспечивая мобильность премиум-класса для богатых, оставляя позади других. Тщательный дизайн политики, включая требования к доступным конструкциям транспортных средств, обязательства
Страховая отрасль также будет трансформироваться. По мере того, как ответственность за перемещение от людей к машинам, автострахование перейдет от продуктов личной ответственности к ответственности за продукцию и страхованию коммерческого автопарка. Премии, вероятно, будут снижаться для водителей-людей по мере падения аварийности, но структура рынка фундаментально изменится. Показатели аварий для автономных автопарков уже значительно ниже, чем у водителей-людей на милю, и по мере развития технологии расходы на страхование могут стать незначительной долей стоимости мобильности. Юридическая профессия увидит, что новые специальности появляются вокруг ответственности за автономные транспортные средства, и регуляторам нужно будет разработать новые рамки для лицензирования и надзора. Экономические эффекты ряби огромны и будут разворачиваться в течение десятилетий, но направление путешествий ясно: автономия изменит экономику транспорта так же фундаментально, как и сам автомобиль столетие назад.
Дорога впереди: поэтапный переход
Полная автономия в масштабе не является неизбежной, но переход уже осуществляется в контролируемых средах. Наиболее четкие краткосрочные приложения находятся в геозонированных роботакси-сервисах, работающих в благоприятных погодных условиях и хорошо картированных городских районах. Такие компании, как Waymo, продемонстрировали, что полностью беспилотные операции технически осуществимы в ограниченных областях, и эти услуги будут постепенно расширяться до большего количества городов и более сложных условий. В отрасли грузоперевозок, вероятно, будет сначала автономия на длинных шоссейных маршрутах, где среда вождения более структурирована и предсказуема. Автономные грузовики могут снизить потребление топлива за счет оптимизированного вождения, устранить необходимость в перерывах для отдыха водителей и потенциально повысить безопасность за счет снижения усталости человека. Однако переход будет постепенным, с человеческими водителями, все еще необходимыми для сложных сегментов первой и последней мили в городских районах в обозримом будущем.
В среднесрочной перспективе системы уровня 3, позволяющие безудержное вождение в определенных условиях, станут более распространенными в потребительских транспортных средствах. Эти системы будут обрабатывать вождение по шоссе, пробки и парковку, но водитель-человек все еще должен быть готов взять на себя ответственность, когда система достигнет своих пределов. Уровень 3 вводит свои собственные проблемы, особенно в отношении проблемы «переключения» - как обеспечить, чтобы отвлеченный водитель мог безопасно возобновить контроль, когда система отключается. Mercedes-Benz уже получил одобрение регулирующих органов для системы уровня 3 в Германии и Неваде, и другие автопроизводители следуют. Долгосрочное видение автономии уровня 5 - транспортные средства, которые могут ездить в любом месте, где человек может, при любых условиях - остается целью для далекого будущего, если она вообще достижима. Технические, нормативные и социальные препятствия являются существенными, и путь вряд ли будет линейным. Но тенденция безошибочна: автономные транспортные средства приходят, и они изменят наш мир способами, которые мы только начинаем понимать.
Для дальнейшего чтения о технической и нормативной ландшафт автономных транспортных средств см. Страница автоматизированных транспортных средств NHTSA для официального руководства по безопасности, и стандарт SAE J3016 для окончательного определения уровней автономии. Отчет о безопасности Waymo обеспечивает подробный взгляд на подход одной компании к безопасному развертыванию, в то время как RAND Corporation предлагает строгий независимый взгляд на проблемы обеспечения безопасности для технологии автономного вождения. Эти ресурсы обеспечивают основу для понимания текущего состояния и будущей траектории технологии автономного транспортного средства.