A biztonság az önvezető autók legnagyobb kihívása

Miért nem terjedtek el olyan könnyen az autonóm járművek, mint például az ipari robotok?

Az autonóm járművekkel nagyon éles fordulatot vett az évtizedek óta tartó mesterségesintelligencia-kutatás: korábban, évtizedekkel ezelőtt a mesterséges intelligenciát úgy képzelték el, hogy a robotok látni fognak, tudnak majd maguktól közlekedni. Ebben volt egy koncepcionális tévedés, vagy fogalmazhatunk úgy is, hogy túlzott elvárás, nevezetesen az, hogy attól még, hogy videójeleket juttatunk egy számítógépbe, ami bizonyos műveleteket el tud végezni – például tudja elemezni a képet vagy a hangot – az még nem jelenti azt, hogy érti is, miről van szó.

A gond alapvetően azzal volt, hogy az emberi észlelést nem lehet egyszerűen leképezni egy gépre. Az agyunk összetett dolog, a retinánk nem úgy továbbítja a képet az agyba, mint egy kamera, hanem onnan is kódolt információ jut tovább – az agy nem látja az eredeti képet. Az agyi képfeldolgozás egy gondolkozás a képi adatok és a memorizált emlékek között – ezt várták el a robotoktól is.

Egyrészt a számítási kapacitások bővülésével, másrészt az elmúlt pár évben kifejlesztett módszerekkel – mint a mélytanulás – eljutottunk oda, hogy egyes mai számítógépes eljárások nagyon sokban hasonlítanak az emberi agyhoz, bár annak komplexitásától még mindig messze vannak. Sok-sok megjegyzéssel ellátott adatot tudunk feltölteni rendszerekbe, amiknek van akkora kapacitása, hogy nemcsak fogadni, de kiértékelni is képes az adatokat. Az eredmény így már nemcsak az, hogy a gép meg tudja csinálni egy látvány részekre bontását, meg tudja határozni az objektumok körvonalát, hanem felismeri az objektumokat, és értelmezi a képen látható eseményt.

Ehhez viszont kellenek emberek, akiknek fel kell címkézniük az adatokat. Mitől lesznek mégis önállóak a gépek?

Úgy tanítjuk meg a gépeket, ahogyan mi szeretnénk látni a világot. Ezzel egy nagyon régi álom vált valóra, az emberi tudást bele tudjuk táplálni olyan szerkezetekbe, amiknek a későbbiekben nem kell megmondanunk, mit csináljon az adatokkal – nem kell olyan utasításokat adnunk, hogy például mi milyen színű lehet, hanem a gép megtanulja a felcímkézett tanító adatokból, hogy mi micsoda, és az adott helyzetben mik lehetnek a tulajdonságai; a kiértékelő hálózat ezután magasabb szinten tudja értelmezni a képet.

Eljutottunk egy olyan szintre, ahol egy érzékelő és kiértékelő hálózat már képes értelmesen működni szélesebb körben is, azonban az gondot jelent, hogy ehhez rengeteg adatra van szükség a világ minden részéről. Az adatgyűjtés és kiértékelés az informatikai kor aranybányájává vált. Óriási eredmény viszont, hogy kialakult egy metódus a rendszerek tanítására, frissítésére, a különböző rendszerek közötti „áttanítására” – ki tudjuk cserélni a tanítási struktúrák részeit, ez már valamilyen szinten rokon az emberi gondolkozásban az asszociációval. Eljutottunk oda, hogy a gépek bizonyos dolgokat és szituációkat fel tudnak ismerni – olyan hálózatok vannak, amik több ezer tárgyat, képet képesek felismerni és értelmezni: megvalósult az a funkció, amire nagyon régóta vártunk.

Nagyon unalmas lenne, ha minden egyes autónkat annyi ideig kellene vezetni tanítani, amennyi ideig például egy ember is vezetni tanul. Az autonóm (vagy önvezető) autók esetében erre nincs is szükség, mert amit valahol megtanítanak egy autónak, azt egy az egyben kivehetik és áttehetik egy másik autóba – ez olyan, mintha az agyunk egyes részeit gond nélkül át lehetne ültetni másikba, vagy legalábbis a tudását áttölthetnénk. A nagy szerverközpontokban (mint például a Google vagy a Facebook) óriási teljesítménnyel dolgoznak fel ilyen tanulási adatokat, többek között a vezetéssel kapcsolatos információkat is. Amikor adatokat veszünk fel egy autóval lidar, radar, kamerák és egyéb szenzorok segítségével, akkor lehet, hogy a kiértékelés nem is a mi fedélzeti számítógépünkön történik, hanem a környéken valahol egy szuperszámítógép adja a választ. Közben nagy sávszélességgel töltjük fel az újabb és újabb adatokat a központba, így aki nem sokkal mögöttünk jön, már friss adatokat kaphat például arról, hogy hol talál parkolót, vagy merre van alakulóban dugó. Ezzel lényegében megvalósul az, hogy néhány mesterséges agyközpont lesz, ahol az adatokat feldolgozzák, és a vezérlési javaslatokat elküldik az autókba. Továbbá, a jövőben várhatóan az lesz a normális, hogy az autók fedélzeti rendszerét, kognitív képességeit rendszeresen frissíteni kell, nem ugyanaz a program fog rajtuk futni az egész életciklusukban, és mindig az aktuális helyszínre lesznek optimalizálva.

Mennyire tudnak majd párhuzamosan működni az önvezető autók a hagyományos járművekkel?

Egy fontos előrelépés lesz, hogy az önvezető autók segíteni fogják a közlekedést: egy ideig még együtt lesznek jelen az utakon a humán- és az autonóm vezetők, de az automata vezérlésű autók rá fogják kényszeríteni az emberi sofőröket is arra, hogy ne erőszakoskodjanak, ne száguldozzanak, mert együtt haladva gyorsabban jutnak majd célba – annak köszönhetően, hogy az autonóm járművek irányítása optimalizálva lesz.

Félreértés, hogy az önvezető autók lassítják majd a közlekedést, éppen ellenkezőleg, valószínűleg gyorsítani fogják. Ha elég sok lesz a mesterséges intelligenciával ellátott jármű, ami látja a környezetét és kapcsolatban áll a többi járművel, akkor elképzelhető, hogy nem kell lámpákat telepíteni a kereszteződésekbe, mert ütemezve át tudnak majd haladni az autók anélkül, hogy megállnának.

Mikor terjedhetnek el szélesebb körben az autonóm járművek?

Még talán az életünkben megszokottá fog válni. Igaz, öt évvel ezelőtt még azt mondták, hogy tíz év múlva jöhet el az önvezető autók kora, de ma már óvatosabban jósolnak. Vannak olyan események, amikre, ha nincsen felkészítve ez a tanulási környezet, akkor nem tudja megoldani őket – viszont mi emberek még vezetés közben hozhatunk olyan, belülről fakadó döntéseket, amik nem a korábbi tanulási folyamat szerves részei.

Mi a legnagyobb kihívás az önvezetés fejlesztésében?

A biztonság az egész kérdést meghatározza: hiába haladnak egészen biztonságosan az önvezető autók a széles utakon, autópályákon (főleg napos környezetben, például Kaliforniában), a helyzet az, hogy vannak váratlan események, mint a jegesedés, a zivatar, átfutó állatok, ügyetlenkedő biciklisták, vagy akár a kátyús utak, amikre mi, emberek esetleg jobban reagálunk, az önvezető autók viszont még hibázhatnak.

Arra is kell gondolni, hogy a majdani önvezető autó esetében mi és a szeretteink bent ülünk egy robot közepén – nincs kikapcsológomb arra az esetre, ha valami nem működne, az autó maga dönti el, mit csináljon. A robotautók valószínűleg kevesebb balesetet fognak okozni, mint az emberek, azonban ez a szám nem lesz teljesen nulla, a társadalom pedig nehezen fogadja el, hogy a robotok balesetet okozhatnak. Fontos, hogy minden autonóm járművet érintő balesetnél fel kell deríteni a baleset okát, és ki kell zárni, hogy még egyszer megtörténjen. Ez viszont nem egyszerű feladat, nem könnyű visszakeresni, hogy a tanulási folyamat során melyik adat vezetett a rossz döntéshez – ráadásul az sem mindegy, hogy hol vették fel az adott adatot: itt a kerületben, vagy éppen Indiában, ahol egészen más a vezetési kultúra.

A rendszerek egyre jobbak, egyre többet fejlődnek, ez rendjén van, de a balesetek felderítésén nagyon kell dolgozni, ez most az egyik legnagyobb kihívása az önvezetésnek. Akkor válhat elfogadottá egy ilyen rendszer, ha van felelősség – természetesen nem a gépnek, hanem a tervezőknek vagy az üzemeltetőknek. Ezen most komoly viták folynak, vannak jogászok, akiknek ez a szakterületük.

Az elmúlt években óriási ütemben indult meg az önvezető autók fejlesztése. Ez csak egy buborékszerű divat, vagy a következő éveket is meghatározó trend?

Azt látjuk, hogy nincs megállás: a feszített robotikai fejlesztés egyre nagyobb ütemet diktál. Az autógyárak versenyeznek, szinteket állítanak fel, a Tesla például megígérte, hogy automata vezetést (ötös szint) fog elérni belátható időn belül. Kiderült, hogy ez nem olyan egyszerű, ám az is látszik, hogy talán megoldható. Számos gyár tervezi rövid időn belül a félig automatizált hármas szint elérését a széria járművekben, ami viszont elérhetőnek látszik.

A SZTAKI-ban több kutatólaboratórium is foglalkozik az autonóm járművekkel, vannak, akiknek kifejezetten a vezérlés a szakterületük, a mi laboratóriumunk pedig az érzékeléssel foglalkozik. Használunk minden lehetséges szenzort: a lidarok minden fajtáját, kamerákat, radarokat. Többféle szenzorral dolgozunk, de még most sem látszik pontosan, milyen szenzorokkal fognak működni az elkövetkező évek autói.

Elon Musk letette a voksát a kamerák mellett, nincs igaza?

Vannak olyan cégek, akik csak kamerával akarnak dolgozni, hallottuk már ezt másoktól is, akik aztán arra jutottak, hogy mégiscsak jó lenne lidart is használni. A lidarral az az alapvető probléma, hogy még viszonylag drága eszköz, de óriási sebességgel fejlődik. Jelenleg úgy látjuk, hogy hamarosan lesznek olyan lidarok, amik biztonsággal beszerelhetők az autókba, nem lesznek olyan drágák, és a mechanikai rezgésre sem lesznek olyan érzékenyek.

Most inkább tűnik egy hitvitának a lidar használata, de előbb vagy utóbb mindenki használni fogja, mert hasznos, fontos 3D információt állít elő, és az alkalmazási köre egyre tágasabb. A kamerák térbeli tájékozódása számára viszont nagyon komoly kihívást jelent pl. a havas és ködös környezet.

Hogyan tudja tesztelni a SZTAKI a különböző szenzorokat?

A SZTAKI-nak több saját autója van, amikre rátesszük a tesztelni kívánt rendszereket. Hozzá kell tenni viszont, hogy mi egy kutatóintézet vagyunk, mi új megoldásokat tudunk tesztelni – vannak is olyan algoritmusaink, amik a piacon levőknél sokkal jobbak. Viszont ez akkor válhat termékké, ha ezt alaposan bebizonyítják: ehhez ipari szinten nem elég három autó és néhány mérnök, hanem sok autón több százezer, millió kilométert kell vezetni, amit ki kell értékelni hatékonyság szempontjából. Egy nagyobb vállalatnál annyi ember dolgozik csak a teszteken, mint amekkora az egész intézetünk.

Kikkel működik együtt a SZTAKI?

Vannak céges együttműködéseink, volt közös projektünk több autógyárral is. Ehhez az kell, hogy amit csinálunk, az elég értékes legyen a legnagyobb cégek érdeklődésének felkeltéséhez. Ebben a helyzet kezd a gyógyszeriparra és a gyógyszerek bevezetésére hasonlítani: hiába van egy ötlet, annak a tesztelése, kipróbálása legalább akkora teljesítményt igényel, mint magának az ötletnek a kidolgozása. Az intelligens autók fejlesztésében az a törekvés, hogy minél több jó kutatási eredményből váljon hasznos termék.