Автономные транспортные средства, также известные как самоуправляемые автомобили, быстро превратились из научной фантастики в осязаемую реальность за последнее десятилетие. Эти транспортные средства полагаются на сложное сочетание датчиков, искусственного интеллекта и сложных алгоритмов для восприятия окружающей среды, принятия решений и навигации без вмешательства человека. Сторонники технологии подчеркивают ее потенциал для резкого сокращения дорожно-транспортных происшествий - более 90% из которых вызваны человеческой ошибкой - а также улучшение мобильности для пожилых людей и инвалидов, снижение заторов и снижение выбросов за счет оптимизированных моделей вождения. Однако путь к широкому развертыванию проложен со значительными инженерными проблемами, нормативными препятствиями и этическими дилеммами, которые требуют тщательных, методических решений.

Понимание уровней автономии

Чтобы очертить дискуссию, важно понять стандартную классификацию, определенную SAE International в их стандарте J3016. Эта таксономия 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 имеют возможности уровня 1 (например, адаптивный круиз-контроль) или уровня 2 (например, автопилот Tesla, Super Cruise), где водитель должен постоянно контролировать. Системы уровня 3, такие как Mercedes-Benz Drive Pilot, позволяют условную автоматизацию, когда автомобиль обрабатывает все вождение в определенных условиях, но ожидает, что водитель возьмет на себя управление. Истинная автономия - уровни 4 и 5 - где транспортное средство может работать без вмешательства человека в определенных областях оперативного проектирования (ODD) или везде, соответственно, остается амбициозной целью для таких компаний, как Waymo, Cruise и Baidu. Понимание этих различий объясняет, почему определенные инженерные проблемы становятся более острыми на более высоких уровнях.

Недавний технологический прогресс

Технология сенсоров

За последние несколько лет аппаратное обеспечение датчиков сделало замечательные успехи. Лидар (Light Detection and Ranging) датчики, когда-то непомерно дорогие механические устройства стоимостью в десятки тысяч долларов, теперь доступны в виде твердотельных устройств, стоящих десятки тысяч долларов. Такие компании, как Luminar, Velodyne и Innoviz, представили компактные лидарные системы, которые обеспечивают 3D-точки высокого разрешения, необходимые для обнаружения пешеходов, велосипедистов и других препятствий на больших расстояниях. Датчики, долго используемые для адаптивного круиз-контроля, улучшили угловое разрешение и теперь могут надежно обнаруживать стационарные объекты. Камеры с лучшим динамическим диапазоном и низкой световой производительностью в сочетании с передовой обработкой сигналов изображения, обеспечивают надежное распознавание объектов. Тенденция к слиянию датчиков — объединение данных от лидара, радара, камер и ультразвуковых датчиков — создает устойчивую систему восприятия, которая может работать в различных условиях.

Искусственный интеллект и машинное обучение

Глубокие нейронные сети, особенно сверточные нейронные сети (CNN) для обработки изображений и трансформаторы для последовательных данных, используются для обнаружения объектов, классификации, отслеживания и прогнозирования пути. Такие системы, как стек восприятия Waymo, могут идентифицировать не только транспортные средства и пешеходов, но и дорожные знаки, светофоры, строительные зоны и даже жесты рук от сотрудников дорожного движения. Обучение этих моделей требует огромных наборов данных - миллионы миль реальных данных вождения, дополненных миллиардами миль смоделированного вождения в виртуальных средах. Это позволяет ИИ сталкиваться с редкими крайними случаями, такими как матрац, падающий с грузовика или оленя, пересекающего шоссе, и учиться безопасным ответам. Недавние достижения в сквозное обучение - где необработанный вход датчика отображается непосредственно на команды вождения - показывают обещание, но остаются сложными из-за необходимости интерпретации и проверки безопасности.

Компьютерное оборудование

Вычислительные требования автономного вождения в реальном времени огромны. Современные автономные транспортные средства несут несколько высокопроизводительных вычислительных блоков - часто с графическим процессором или специализированными ускорителями ИИ - которые обрабатывают терабайты данных датчиков в секунду. Такие компании, как NVIDIA с его платформами Drive Orin / Thor, Mobileye с чипами EyeQ и специально разработанным оборудованием Tesla, обеспечивают необходимую вычислительную мощность при соблюдении стандартов безопасности автомобилей (ISO 26262). Тенденция к контроллерам домена, которые консолидируют функции, уменьшая проводку и задержку. Кроме того, достижения в области проектирования системы на чипе (SoC) позволяют интегрировать избыточные ядра для безотказной работы, критическое требование для систем уровня 4 и уровня 5.

Инженерные вызовы

Сенсорное слияние и восприятие

В то время как отдельные датчики улучшились, проблема объединения их выходов в согласованное, надежное представление окружающей среды остается грозной. Датчики имеют разные сильные и слабые стороны: камеры отлично подходят для текстуры и цвета, но борются в неблагоприятную погоду; лидар обеспечивает точную глубину, но ухудшается при сильном дожде, тумане или снеге; радар проникает в погоду, но имеет более низкое угловое разрешение. Алгоритм синтеза должен согласовывать противоречивые данные - например, когда камера обнаруживает объект, но лидар не делает - и производить оценку достоверности. Радар-камера-лидарный синтез является активной областью исследований, особенно для обеспечения производительности при любых погодных условиях. Кроме того, восприятие должно быть устойчивым к деградации датчика или отказу; система должна изящно ухудшаться до безопасного состояния, если датчик закрыт или неисправен.

Принятие решений в сложных условиях

Вождение включает в себя постоянное принятие решений в условиях неопределенности. Автономные транспортные средства должны предсказывать поведение других участников дорожного движения - водители могут менять полосы движения без сигнализации, пешеходы могут ходить по пятам, велосипедисты могут поворачиваться. Модели прогнозирования поведения , часто используя повторяющиеся нейронные сети или нейронные сети графов, пытаются прогнозировать несколько возможных траекторий для каждого агента. Система планирования затем выбирает безопасный и эффективный путь, часто используя методы оптимизации, такие как модель предиктивного управления (MPC) или поиск A*. Обработка незащищенных левых поворотов через несколько полос движения, слияние на шоссе в час пик или навигация хаотичного кругового движения без четкой разметки полосы движения - классические крайние случаи, которые требуют сложных рассуждений. Разработчики используют обширное моделирование и тестирование реального мира для итеративного улучшения политики принятия решений.

Безопасность, избыточность и валидация

Безопасность является первостепенной задачей. Автономные системы должны быть доказаны безопасными вне разумных сомнений, задача гораздо более сложная, чем традиционная безопасность транспортного средства. Промышленность следует за процессом безопасности предполагаемой функциональности (ISO 21448) наряду с функциональной безопасностью (ISO 26262). Это требует выявления опасных сценариев как системных ошибок (например, отказ датчика) и ограничений производительности (например, невозможность обнаружить темный объект ночью). Избыточность встроена в каждую критическую подсистему: торможение, рулевое управление, мощность и вычисления. Например, транспортные средства Waymo имеют первичные и вторичные рулевые двигатели, схемы двойного торможения и несколько независимых вычислительных систем, так что если один выходит из строя, другой может взять на себя управление без потери контроля. Валидация включает миллиарды миль симулированного вождения и миллионы миль реального тестирования в различных условиях. Задача состоит в достижении статистической уверенности в том, что транспортное средство безопаснее, чем водитель человека, что требует огромного количества тестовых данных, особенно для редких событий. Такие структуры, как модель Ответственность-чувств

Картирование и локализация

Высокоавтономные транспортные средства (уровни 4 и 5) полагаются на карты высокого разрешения (HD), которые содержат информацию на уровне сантиметров о геометрии дороги, разметке полос движения, дорожных знаках и 3D-знаках. Эти карты создаются с использованием обзорных транспортных средств, оснащенных лидаром, камерами и GPS, и они должны часто обновляться по мере изменения дорожных условий. Локализация - определение точного положения транспортного средства в карте - использует данные датчиков (совпадение точек лидара, визуальная одометия, GPS) для достижения точности в течение нескольких сантиметров. Это имеет решающее значение для безопасного ведения полосы, обработки пересечений и навигации по сложным развязкам. Однако карты HD дороги для создания и обслуживания, ограничивая масштабируемость. Некоторые компании, в частности Tesla, утверждают, что использование карт HD не масштабируемо и вместо этого подчеркивают картографирование и локализацию на основе видения с использованием нейронных сетей. Дебаты отражают фундаментальный инженерный компромисс между высокой точностью (карты) и надежностью картографических ошибок (подходы на основе видения).

Регулирующие и этические соображения

Эволюционирующие законы и стандарты

В Соединенных Штатах Национальная администрация безопасности дорожного движения (NHTSA) выпустила добровольные руководящие принципы, но еще не установила всеобъемлющие федеральные стандарты безопасности для автономных транспортных средств. Такие штаты, как Калифорния, Аризона и Техас, были испытательными полигонами, каждый со своими собственными процессами выдачи разрешений и требованиями к отчетности. В Европе Экономическая комиссия ООН для Европы (ЕЭК ООН) приняла правила для систем автоматического управления полосами движения 3 уровня (ALKS) и автономного вождения 4 уровня в приложениях для низкоскоростных челноков. Китай агрессивно проводит стандартизацию и развертывание, с Пекином и Шанхаем выдающими лицензии на коммерческие услуги роботакси. Патчворк правил создает проблемы для автопроизводителей и технологических компаний, стремящихся развернуть по всей стране или глобально. Ясные, гармонизированные стандарты будут иметь важное значение для общественного принятия и крупномасштабного принятия.

Этичное принятие решений

Возможно, наиболее обсуждаемый этический вопрос заключается в том, как автономный автомобиль должен вести себя в неизбежных сценариях аварии - так называемая "проблема тележки" применяется к вождению. Должен ли автомобиль уделять приоритетное внимание безопасности своих пассажиров над пешеходами? Должен ли он минимизировать общий вред, даже если это означает вред для своих собственных пассажиров? В то время как эти дилеммы делают для убедительных философских дискуссий, многие инженеры утверждают, что такие суровые решения крайне редки в реальном вождении; основная этическая обязанность заключается в предотвращении аварий в первую очередь путем безопасного проектирования и эксплуатации. Тем не менее, существуют реальные этические проблемы: как запрограммировать реакцию транспортного средства на ребенка, бегущего по улице, против оленя, или как управлять неизбежными столкновениями, когда торможение недостаточно. Некоторые исследователи выступают за прозрачное, общественное обсуждение, чтобы установить этические руководящие принципы. Реальное развертывание уже заставляет эти решения: например, роботакси должен решить, нарушать ли законы о дорожном движении (например, пересекать сплошную линию), чтобы избежать аварии.

Кибербезопасность и конфиденциальность данных

В качестве подключенных, программно-определяемых транспортных средств, автономные автомобили являются потенциальными целями кибератак. Злоумышленник может попытаться захватить контроль над транспортным средством, повредить данные датчиков или украсть конфиденциальные данные. Последствия успешной атаки могут быть катастрофическими. Для смягчения рисков инженеры разрабатывают безопасные архитектуры с модулями безопасности аппаратного обеспечения (HSM), механизмами обновления по воздуху, аутентифицируемыми через инфраструктуру открытого ключа, и сегментация сети, которая изолирует критические функции от информационно-развлекательных систем. Кроме того, автономные транспортные средства собирают огромные объемы данных об окружающей среде и пассажирах, что вызывает проблемы с конфиденциальностью. Такие правила, как Общий регламент по защите данных (GDPR) , налагают строгие требования к сбору, хранению и согласию. Компании должны внедрить анонимизацию данных и предложить пользователям контроль над своими данными. Балансирование потребности в данных для улучшения моделей ИИ с правом на конфиденциальность является постоянной проблемой.

Инфраструктура и связь

Автономные транспортные средства не работают в вакууме; они зависят от инфраструктуры. коммуникация между транспортным средством (V2V) и транспортным средством с инфраструктурой (V2I)] может повысить автономность, предоставляя данные за пределы датчиков транспортного средства - например, сигнал движения, транслирующий его фазу и время, или предупреждение автомобиля о остановленном впереди транспортном средстве. В то время как выделенные коммуникации на ближнем расстоянии (DSRC) первоначально были предпочтительными, многие регионы принимают сотовую связь на основе C-V2X, которая использует сети 4G и 5G. Однако широкое развертывание требует инвестиций в придорожные устройства и сотовую инфраструктуру. В отсутствие V2X автономные транспортные средства должны полагаться исключительно на бортовое зондирование, что является более сложным. Умные системы управления движением, такие как адаптивные светофоры, которые взаимодействуют с автономными автопарками, могут оптимизировать поток трафика и снизить потребление энергии. Переход к инфраструктуре, которая поддерживает высокие уровни автоматизации, займет десятилетия и значительные государственные и частные инвестиции.

Будущий прогноз

Несмотря на огромные проблемы, траектория для автономных транспортных средств остается положительной, хотя и с более умеренной временной линией, чем предполагалось ранее. Полностью автономный (без водителя безопасности) сервис поездок на велосипеде Waymo в Фениксе и Сан-Франциско демонстрирует, что операции 4 уровня возможны в конкретных географических районах с благоприятными условиями. Круиз управлял коммерческой роботаксис в Сан-Франциско, а сервис Baidu Apollo Go расширился до нескольких китайских городов. Между тем, автопроизводители постепенно внедряют системы уровня 2 + и уровня 3, которые постепенно повышают удобство и безопасность. Инженерные проблемы восприятия, принятия решений, проверки безопасности и картирования решаются с растущей изощренностью. Достижения в области ИИ - особенно большие языковые модели и мировые модели - могут привести к более человеческому пониманию и рассуждению. Электромобили аккумулятора также сходятся с автономией, поскольку две технологии разделяют программные архитектуры.

Мы, вероятно, увидим, что развертывание автономных транспортных средств сначала расширится в строго контролируемых средах: геозонированные городские районы, выделенные полосы для автономных грузовиков на шоссе, маршруты челноков на малых скоростях в кампусах или в центральных зонах. Потребительская собственность на полностью автономные транспортные средства остается дальше, учитывая затраты и нормативные препятствия. Однако совокупный прогресс в датчиках, вычислениях и ИИ в сочетании с уроками раннего развертывания позиционирует отрасль для преодоления многих сегодняшних инженерных проблем. Совместные усилия между промышленностью, правительством и научными кругами, наряду с продолжающимся общественным участием в области безопасности и этики, определят, как быстро эта преобразующая технология становится основной реальностью.

Для дальнейшего чтения по стандартам безопасности автономных транспортных средств посетите страницу NHTSA Автоматизированные транспортные средства . Для последних методов синтеза датчиков обратитесь к теме IEEE Spectrum автономных транспортных средств . Для этических руководящих принципов см. Институт инженеров по электротехнике и электронике (IEEE) Глобальная инициатива по этике автономных и интеллектуальных систем .