Уведомления
Авторизуйтесь или зарегистрируйтесь, чтобы оценивать материалы, создавать записи и писать комментарии.
Авторизуясь, вы соглашаетесь с правилами пользования сайтом и даете согласие на обработку персональных данных.
За рулем — без руля. Как машинное обучение и искусственный интеллект заботятся о нашей безопасности
В последние несколько лет беспилотные технологии на транспорте получили больше развития, чем за предыдущие несколько десятилетий. Как учат ездить «машины без водителей» и когда они выйдут на дороги вокруг нас? Какую роль в этом играет искусственный интеллект? Naked Science разобрался в деталях.
В августе 2022 года Минпромторг объявил конкурс на создание технологий по замене второго авиапилота на «виртуального». Срок окончания разработки — 2024 год (и он беспрецедентно короткий для такой непростой задачи).
Однако вопрос стоит еще шире — не только о пилотировании самолетов. Ведь беспилотные технологии сегодня затрагивают как воздух, так и землю. Может ли искусственный интеллект справиться и здесь?
Автомобильная история
В Китае и США (компании Waymo, Cruise и другие) уже действуют полностью беспилотные такси: они ездят прямо по городу, перевозят пассажиров, за рулем при этом никого нет. А в Иннополисе есть беспилотное такси «Яндекса» без человека за рулем, оно перевозит людей. Чтобы заказать его, достаточно воспользоваться приложением, как в случае с обычным такси. Ведется проработка и проекта по выводу подобных «робошоферов» на улицы Москвы.
Впрочем, среди российских компаний беспилотниками, конечно, занимается не только «Яндекс». «Сберавтотех» разрабатывает технологию автономного вождения, адаптируемую к разным видам транспорта. Парк компании насчитывает 180 легковых беспилотных автомобилей, открытое тестирование которых проводили летом этого года в дни Петербургского международного экономического форума.
Вместе с тем инженеры «Сберавтотеха» разработали несколько прототипов беспилотников на базе грузовиков различных моделей, а также ФЛИП — полностью автономный электромобиль, который уже сейчас наряду с беспилотниками на базе серийных автомобилей работает в формате сервиса на территории «Сберуниверситета».
Летом 2022 года научно-технический центр «КамАЗа» совместно с МГТУ имени Баумана запустил в опытную эксплуатацию карьерный самосвал КамАЗ-6559 (он же — «Юпитер-30»). У него исходно отсутствует кабина водителя, что в чем-то даже хорошо: за счет этого машине не нужно разворачиваться в начале и конце маршрута, ведь сенсоры у нее и спереди, и сзади. Зато вместо этой кабины у самосвала есть пылегрязевлагозащищенные (без чего в карьере никак) камеры, а также набор лидаров, ультразвуковые датчики, радары, ГЛОНАСС-навигация и специальная GSM-антенна, позволяющая удаленному оператору подключиться к машине.
Вообще, подобный набор сенсоров типичен и для многих легковушек-беспилотников. Большинство из них сочетает видеокамеры, без которых трудно распознавать знаки, радары, определяющие расстояние до объектов, и лидары. Лидар (от слов Light Detection and Ranging) использует импульс лазера, чтобы точно измерить расстояние до объекта и узнать его форму. За счет фиксации отраженного излучения лидар может «увидеть» объекты, которые сложно распознать видеокамере. Причем это не только другие машины, но еще разметка на дороге и многое другое.
Особенно важны эти свойства лидаров в сочетании со специальными картами, которые разработчики закладывают в память беспилотников. Такие карты городов, как правило, довольно детальны, могут включать каждый светофор и знак. Лидар позволяет программному обеспечению транспортного средства определять точное расстояние до каждого такого объекта, сверять его с заложенной в память бортового компьютера цифровой картой и достоверно определять свое положение на местности с максимальной точностью. Причем даже в условиях низкого или неустойчивого сигнала GPS / ГЛОНАСС, что может быть весьма важно в туннелях или на узких улицах между высотными зданиями.
Именно «доводкой» таких карт часто объясняют тот факт, что компании — испытатели беспилотных такси эксплуатируют их в каком-то одном месте. Чтобы разметить карту для ее оптимального использования ИИ, нужны усилия программистов. Чтобы убедиться, что все сделано правильно, зачастую требуется время.
По рельсам и по воздуху
Аналогичные тенденции заметны в других видах транспорта. «Российские железные дороги» делят поезда на четыре уровня по автоматизации. При уровне GoA1 автоматические системы помощи водителю помогают предотвращать аварии, предупреждая о внезапном появлении объекта на путях. На уровне GoA2 поезда уже перемещаются от станции к станции самостоятельно, но машинист отвечает за закрытие дверей. В случае GoA3 он находится в кабине, но вмешивается в управление только в чрезвычайных ситуациях. GoA4 отличается от предшественницы тем, что в ее случае автоматизация уже полная, машиниста в кабине нет.
Уровень GoA3 Институт информатизации, автоматизации и связи на железнодорожном транспорте уже освоил: в 2019-2020 годах первые экземпляры «Ласточек» с такими возможностями пошли в опытную эксплуатацию. Но с 2023 года РЖД намерены пустить «Ласточки» с уровнем автономности GoA4, в которых машиниста не будет. В случае непредвиденных ситуаций операторы из центра дистанционного контроля смогут вмешаться и отдать поезду нужную команду.
Отдельная сфера, в которой ИИ сделал очень и очень много, — авиация. Здесь развитие началось раньше, поскольку основную часть маршрута самолеты проводят в воздухе, где вероятность столкновений куда ниже, чем на земле. Поэтому «самолетный» автопилот давно зарекомендовал себя как надежный помощник пилотов, и для реактивных самолетов с числом мест более 20 международные правила требуют его наличия обязательно — как раз для снижения риска аварий. Ведь пилот во время многочасового полета может устать или отвлечься, а автопилотам это несвойственно.
Обычно его включают после взлета и выключают перед посадкой, так как и то, и то делают пилоты. Однако в 2020 году Airbus впервые продемонстрировала взлет без участия пилотов, а в 2020-х надеется достичь и посадки в полностью беспилотном режиме.
Как работает машинное обучение для «беспилотников» на дорогах
Само словосочетание «машинное обучение» появилось еще в 1950-х и означает методы обучения ПО решению задач, которые сложно формализовать в виде алгоритмов. Поэтому программу «натаскивают» на решение той или иной задачи на множестве примеров — обучающей выборке.
Каждый из нас ежедневно сталкивается с плодами машинного обучения. Ленты в соцсетях, «товары, похожие на этот» в онлайн-магазинах, даже системы принятия решений о кредитах в банке — сегодня все они используют машинное обучение. Но при общих базовых принципах конкретные реализации машинного обучения могут существенно отличаться друг от друга.
Кстати, есть одна из сфер, в которой многие из нас уже поучаствовали в машинном обучении беспилотника лично, но сами об этом так и не узнали. Например, каждый раз, когда вы «разгадываете» капчу Google, выбирая светофоры или велосипеды на разных снимках, вы выполняете задачу по ручной разметке массива данных, которые затем, по неофициальным данным, используются и Waymo — разработчиком беспилотных автомобилей, контролируемого Google.
До 2010-х попытки создать «машины без водителя» были довольно прямолинейны: разработчики пытались заложить алгоритмы, при соблюдении которых автомобили, как предполагалось, смогут решить все задачи, обусловленные дорожной обстановкой. Распознавая по данным с камер другие машины или пешеходов, программа «автопилота» должна была принять решение о том, может ли она повернуть, ехать дальше и так далее.
Однако формализовать все эти задачи оказалось довольно сложно. Поэтому с 2010-х подход изменился: доминировать в нем стало машинное обучение. Вначале применялась «симуляция езды», а затем автомобили-беспилотники стали проезжать сотни тысяч и миллионы километров, чтобы встретить на дороге максимальное количество ситуаций, на которых алгоритмы самостоятельно обучаются принимать решение.
Сегодня они еще научились прогнозировать развитие всех дорожных ситуаций. И если вдруг водитель соседней машины или едущий чуть в стороне велосипедист в сложной дорожной ситуации повели себя не так, как прогнозировала система на основе машинного обучения, с этого момента делается «снапшот», запись с камер и датчиков, на основе которой потом инженеры-разработчики попытаются понять, что именно пошло не так, и попробуют научить систему прогнозировать такие ситуации точнее.
Особую ценность в таких системах представляют именно наборы данных реального вождения. Учитывая это, «Яндекс» сделал общедоступным для каждого набор данных (датасет) с 1600 часов вождения по дорогам разных стран в снег, дождь и в обычных условиях.
Обосновывая необходимость перевода таких данных в открытый формат, «Яндекс» поясняет: «Сдвиг данных возможен везде, где модели машинного обучения сталкиваются с неопределенностью: незнакомыми ситуациями и неизвестными данными». Сдвиг данных, о котором идет речь, — большая проблема в машинном обучении. Человек легко и интуитивно преодолевает его, но для машины это невозможно без значительной выборки.
Сегодня перед целым рядом российских компаний стоит задача тиражирования беспилотных решений на автомобили, уже присутствующие на рынке. Чем быстрее они решат эту задачу — тем больше жизней смогут спасти подобные технологии. И здесь обнародование открытых датасетов, как это сделал «Яндекс», — важный шаг в нужном направлении.
Ключевая задача — безопасность
Практически все компании — разработчики беспилотных автомобилей активно используют программные симуляторы реального вождения. В них в том числе воспроизводятся реальные сцены из реального мира, те, что машина-беспилотник встретила на дороге, чтобы обучиться правильно в них себя вести.
Почему это важно? Основные, типичные случаи, возникающие на дорогах у беспилотников, уже отработаны. Чтобы достичь идеала, ПО нужно научиться разбираться с очень нетипичными, редкими ситуациями. Но чтобы машина хорошо обучилась на них реагировать, нужно, чтобы она встретила их на дороге много раз. Вот только это ситуация редкая, то есть часто встретить ее в реальном мире не получится.
Совсем не так дело обстоит с симуляционным обучением. В нем подобные редкие сцены загружают в симулятор и сколь угодно количество раз прогоняют машину через нее. Причем поведение других объектов в симуляции ( «агентов») тоже генерируют нейросети, поэтому их поведение практически не отличается от поведения на дорогах обычных водителей.
Автопилоты в воздухе
В 2021 году гонконгская авиакомпания Cathay Pacific и концерн Airbus объявили о намерении обойтись без второго пилота на дальних пассажирских линиях. Сразу отметим: это далеко не то же самое, что инициатива Минпромторга России, поскольку Cathay Pacific говорит именно об очень дальних перелетах — как минимум 17 часов. Проект Минпромторга же предусматривает использование виртуального второго пилота на авиалиниях разной длины, то есть более широкое применение ИИ, чем у Cathay Pacific.
В случае гонконгской компании для таких полетов и сегодня нужны не два пилота, а три-четыре. Те, что не в дежурной смене, просто спят, ожидая своей очереди. Естественно, если у воздушного судна есть второй пилот, который спит и которого в принципе можно разбудить и посадить на место первого, это существенно упрощает задачу «виртуальному» пилоту, который должен подменять командира корабля в сложной ситуации. Ведь тогда ему придется подменять полностью лишь какой-то небольшой отрезок времени.
Впрочем, на авиационную индустрию влияют и другие технологии, связанные с ИИ, делая ее лучше и удобнее для пассажиров. Например, так происходит с интернетом вещей. Эта концепция подразумевает задействование сети передачи данных между физическими объектами («вещами»). Уже идут активные работы по отслеживанию с помощью подобных сетей неисправных деталей самолетов. Это позволит выявлять неполадки еще на земле, что не даст им нанести ущерб безопасности в воздухе.
Но возможности интернета вещей не ограничиваются безопасностью. Отслеживание багажа при помощи микросхем-наклеек позволит пассажиру со своего смартфона видеть, где находятся его вещи, и не терять их, как это, увы, все еще происходит в наши дни.
Итак, уже в обозримом будущем на дорогах России и мира появится множество беспилотных автомобилей с лидарами, способными серьезно снизить аварийность, так как, по ряду оценок, до 90% ДТП провоцирует именно человеческий фактор. Работы над «виртуальным вторым пилотом» для авиалайнеров, несомненно, тоже перспективны. Они не только сократят нагрузку на человека, но и существенно повысят уровень безопасности людей, перемещающихся из одной точки нашей планеты в другую.
В шаровом скоплении Омега Центавра надеялась найти так называемую черную дыру промежуточной массы — нечто среднее между остающимися после «умирающих» звезд небольшими черными дырами и сверхмассивными, которые наблюдают в центрах галактик. Хотя такие черные дыры ищут давно, пока их поиски в космосе безуспешны. Похоже, их нет и в Омеге Центавра, зато есть целая система из других черных дыр.
Обширное исследование в США показало, что псов с безупречным поведением практически не бывает, и выявило наиболее распространенные недочеты, с которыми сталкиваются владельцы питомцев.
Каждый, кто заботится о своем здоровье, уже слышал о модной биодобавке, благодаря которой, по словам производителей, волосы, суставы и кожа станут здоровее. Ученые ПНИПУ рассказали, так ли это на самом деле, из каких животных добывают коллаген, когда организм перестает его вырабатывать в нужном количестве и как это сказывается на здоровье человека, почему женщинам он нужнее, правда ли эффективна косметика с этим белком и к чему приводят инъекции на его основе?
О том, где скрывается человеческое «я», что такое «знающие нейроны», какие страны наиболее активно развивают нейронауки и о том, почему нам важно признать наличие сознания у животных, мы поговорили с одним из самых выдающихся нейробиологов, директором Института перспективных исследований мозга МГУ имени М.В. Ломоносова, академиком Константином Анохиным.
Одни из самых ярких объектов во Вселенной — квазары — представляют собой активные ядра галактик, питаемые центральными сверхмассивными черными дырами. Электромагнитное излучение, испускаемое этими объектами, позволяет астрономам изучать структуру Вселенной на ранних этапах ее развития, однако мощный радиоджет, исходящий от недавно обнаруженного экстремально яркого квазара J1601+3102, ставит под сомнение существующие представления о «космической заре».
На поверхности карликовой планеты между Марсом и Юпитером наблюдают сложные органические соединения. Когда их обнаружили в одном кратере, то ученые предположили, что это вещества с упавшего небесного тела. Теперь планетологи увидели признаки органики еще в 11 регионах Цереры и пришли к выводу, что это не импорт, а продукты собственного производства.
Международная коллаборация физиков под руководством ученых из Йельского университета в США представила самые убедительные на сегодня подтверждения существования нового типа сверхпроводящих материалов. Доказательство существования нематической фазы вещества — научный прорыв, открывающий путь к созданию сверхпроводимости совершенно новым способом.
Обсерватории постоянно улавливают «мигающие» радиосигналы из глубин Вселенной. Чаще всего их источниками оказываются нейтронные звезды, которые за это и назвали пульсарами. Но к недавно обнаруженному источнику GLEAM-X J0704-37 они, по мнению астрономов, отношения не имеют.
Многие одинокие люди считают, что окружающие не разделяют их взглядов. Психологи из США решили проверить, так ли это на самом деле, и обнаружили общую особенность у людей с недостаточным количеством социальных связей.
Вы попытались написать запрещенную фразу или вас забанили за частые нарушения.
ПонятноИз-за нарушений правил сайта на ваш аккаунт были наложены ограничения. Если это ошибка, напишите нам.
ПонятноНаши фильтры обнаружили в ваших действиях признаки накрутки. Отдохните немного и вернитесь к нам позже.
ПонятноМы скоро изучим заявку и свяжемся с Вами по указанной почте в случае положительного исхода. Спасибо за интерес к проекту.
ПонятноМы скоро прочитаем его и свяжемся с Вами по указанной почте. Спасибо за интерес к проекту.
Понятно
Комментарии