A Forma-1-et egyelőre nem fogja MI helyettesíteni

- Mióta beszélhetünk a mesterséges intelligencia szerepéről az autóversenyzésben? Honnan indult ez a kapcsolat?

- A közúti járművek autonóm rendszerként való első jelentős vizsgálata a 2004 és 2007 között megrendezett DARPA Grand Challenge volt. Az események nem versenypályán történtek, de sivatagi, majd városi környezetben kellett minél rövidebb idő alatt célba érni az erre a célra átalakított közúti járművekkel.

Az autonóm és AI algoritmusok versenypályán való megjelenése a Roborace sorozat 2015-ös bejelentésére tehető. A speciálisan önvezető célra fejlesztett elektromos versenyautók 200 kilométer/óra sebességre is képesek és 2016-18 között a Formula-E versenysorozat betétfutamaként kerültek tesztelésre, majd két éles szezon után jelenleg nem fut a sorozat. Manapság az Indy Autonomous Challenge tekinthető referencia önvezető versenyszériának, mely 2021 és 2022-ben az USA-ban Texasban és Las Vegasban került megrendezésre ovális pályákon, 2023-ban pedig Monzában is szerveznek egy ilyen eseményt.

- A számos, nehezen megjósolható körülmény – időjárás, pályára kerülő törmelékek stb. – miatt a mesterséges intelligencia számára különösen nagy kihívás az autóversenyzés területe. Mi várható a következő években, mennyire lehet automatizálni egy versenyautót?

- A mesterséges intelligencia alapú rendszerek nagyban támaszkodnak az előzetes tanulási folyamatra. Az egyik legjelentősebb irány, az úgynevezett „reinforcement learning” (megerősítéses tanulás) alapú eljárás, melynek során egy környezetet és egy jutalom függvényt szükséges definiálni, ahol az algoritmus hosszú próbálkozások és számtalan iteráción keresztül megpróbálja megtalálni a legnagyobb jutalomfüggvényt eredményező beállítást. Autóverseny esetében a környezet egy versenypálya, a jutalomfüggvény pedig kézenfekvően a legalacsonyabb köridő. Mivel az algoritmus kezdetben szinte véletlenszerűen próbálkozik, számtalan pályaelhagyás és ütközés történik. Emiatt és a szükséges hosszú tanulási folyamat miatt az algoritmusok szimulációban kerülnek betanításra.

Amennyiben a valós versenypályán a körülmények a szimulációval megegyezőek, az AI módszer megfelelően fog működni. Természetesen a valós körülmények mindig bonyolultabbak, mint a szimulációs eset, illetve verseny közben is jelentős környezeti változás például eső következhet be. Ezek alapján három jelentős kihívás azonosítható.

Először is a minél valószerűbb szimulációs környezet megalkotása, hogy az abban megtanult tudás illeszkedjen a valós körülményekhez. Másodszor a szimulációban tanított algoritmus tovább tanítása valós versenypályás tesztek elvégzésével. Harmadrészt annak biztosítása, hogy az algoritmus a változó körülményekhez is adaptálódni tudjon. Ezek jelenleg mind olyan kihívások, melyekkel rengeteg a témában dolgozó kutató és fejlesztő foglalkozik, az elért eredmények fogják meghatározni az automatizálás fokát.

Személyes véleményem szerint, ha ideálisak a versenykörülmények (kellően meleg állandó aszfalthőmérséklet, száraz napos idő), a top AI algoritmusok képesek lesznek 200 kilométer/óra körül is irányítani a versenyautókat. (Egyenes pályán már 300 kilométer/órás sebességgel is irányított algoritmus stabilan). Az F1-es pilótákat azonban még a következő években biztosan nem fogják megközelíteni. A változó körülményekről pedig felesleges beszélni, amíg ideális versenykörülmények esetén is vannak meg nem oldott kihívások.

- Mi a „csúcs”, amit ma a mesterséges intelligenciával az autóversenyzésben, szimulátorokban el lehet érni?

- A kérdést válasszuk ketté az előzőre adott válasz alapján. Szimulációs környezetben, ahol az algoritmust lehetséges ugyanabban a környezetben tanítani, ahol majd versenyezni fog, elérhető az e-sport versenyzők szintje. Az ezt célzó megoldással a HUMDA is rendelkezik jelenleg egy specifikus szimulációs játékra vonatkozólag. A valós autóversenyzésben a csúcs mindig az aktuális referencia sorozat, jelenleg az Indy Autonomous Challenge, győztesének eredménye.

- Ősszel az Ön előadásában volt szó a Driver21 projektről a Techtogether 2022-n. Hogyan áll most ez a projekt, milyen kihívásokkal néznek szembe? Mi a HUMDA Lab feladata a projekten belül? Milyen hasonló nemzetközi projektek léteznek?

- Sikeresen lezártuk ősszel a pilot részét a projektnek, melynek célja a Driver21, mint autóversenyzés közvetítést kiegészítő funkció előfejlesztése és demonstrációja volt. A funkció célja átalakítani a megszokott televíziós közvetítést valós idejű versenyélménnyé, mely során a saját otthoni szimulátorunkkal képesek lehetünk online bekapcsolódni a versenyzésbe. A projekt megvalósításához három fő komponens szükséges: egy jármű modul, mely a versenyautón található szenzorok jeleit összegyűjti, egy pálya kommunikációs modul, mely képes az összegyűjtött szenzor információkat valós időben továbbítani a harmadik, szimulációs játék modulba. A szimulációs modulban kerülnek megjelenítésre a pályán haladó valós járművek digitális ikerpárjai, melyek ellen a versenyzés történhet.

A projekt megvalósítása négy fő partner együttműködésében valósult meg. A versenyautókon található modult a győri Széchenyi István Egyetem Digitális Fejlesztési Központja készítette, majd a szenzorok által gyűjtött információ a Magyar Telekom által létesített 5G hálózaton jut el villámgyorsan a járműből a szimulációs környezetbe. Az 5G cellák a versenypálya teljes területén a lehető legkisebb késleltetéssel biztosítják az adatok megbízható továbbítását. A szimulációs versenymodul pedig a HUMDA és az AVL együttműködésében került kialakításra. A megjelenítéshez szükséges szoftver és az algoritmusok fejlesztéséhez a résztvevő kormányzati, vállalati és egyetemi szereplők hatékony együttműködésére volt szükség.

A fejlesztés bemutatója múlt év szeptemberében történt, ahol a Hungaroringen köröző két versenyjármű digitális ikerpárja került megjelenítésre két, a pálya boxutcában található versenyszimulációs játékba, ezáltal lehetőség nyílt a pályán történő versenybe való virtuális becsatlakozásra. A bemutató sikeresen demonstrálta a funkció minden moduljának helyes működését, a járművek pályán való elhelyezkedése az 5G technológia felhasználásával valós időben eljutott a szimulátorba.

Lelkesek vagyunk a projekt folytatása kapcsán, tervezzük a bemutatón demonstrált projekt kiterjesztését, illetve továbbfejlesztését. A legnagyobb kihívás a járművek pályapozíciójának minél pontosabb meghatározása. A jelek 5G hálózaton keresztüli továbbítása megoldott, azonban a polgári felhasználásra elérhető GPS rendszerek közül, még a legdrágább eszközök sem képesek az állandó, a pálya minden pontjára kiterjedő, centiméteres lokalizációs pontosság elérésére. Jelenleg a HUMDA keretein belül foglalkozunk egy olyan lehetséges célrendszer vizsgálatával, mely a projekt igényeihez igazítottan képes a járművek pozíciójának állandó és megfelelően pontos meghatározására. Az ilyen technológiák egy további kihívása az olyan pályák esete, melyek zárt alagutakat is tartalmaznak, ahol a GPS technológia szinte nem is alkalmazható a járművek lokalizációjára.