Prisimenu, kaip prie\u0161 kok\u012f de\u0161imtmet\u012f fantastiniai filmai rod\u0117 automobilius, kurie patys va\u017eiuoja gatv\u0117mis, o \u017emon\u0117s viduje ramiai skaito laikra\u0161t\u012f ar miega. Atrod\u0117 kaip ne\u012ftik\u0117tina ateitis. Dabar tokios ma\u0161inos jau va\u017ein\u0117ja realiais keliais, nors dar ne visur ir ne visada be \u017emogaus prie\u017ei\u016bros. Bet kaip, po velni\u0173, tas metalinis d\u0117\u017e\u0117s ant rat\u0173 gali pats \u017einoti, kur va\u017eiuoti, kada sustoti ir kaip nepakli\u016bti \u012f avarij\u0105?<\/p>\n
Autonomini\u0173 transporto priemoni\u0173 navigacija \u2013 tai ne viena technologija, o sud\u0117tinga sistema, kurioje dirba kartu de\u0161imtys skirting\u0173 komponent\u0173. Tai tarsi orkestras, kur kiekvienas instrumentas turi savo vaidmen\u012f, bet kartu jie sukuria harmonij\u0105. Tik \u0161iuo atveju harmonija rei\u0161kia, kad j\u016bs saugiai pasiekiate tiksl\u0105, o ne \u012fva\u017eiuojate \u012f parduotuv\u0117s vitrin\u0105.<\/p>\n
Pirmiausia autonominei ma\u0161inai reikia suprasti, kas vyksta aplinkui. Mes, \u017emon\u0117s, tam naudojame akis, ausis ir kit\u0105 poj\u016b\u010dius. Automobilis turi savo “poj\u016b\u010dius” \u2013 jutiklius. Ir j\u0173 yra ne vienas ar du, o visas arsenalas.<\/p>\n
Lidarai<\/b> \u2013 tai tokie lazeri\u0173 \u0161audytojai, kurie milijonus kart\u0173 per sekund\u0119 siun\u010dia \u0161vies\u0105 ir matuoja, kaip greitai ji atsimu\u0161usi gr\u012f\u017eta atgal. Taip sukuriamas tikslus 3D aplinkos \u017eem\u0117lapis. Mat\u0117te tuos besisukan\u010dius cilindrus ant kai kuri\u0173 autonomini\u0173 automobili\u0173 stog\u0173? Tai jie ir yra. Tiesa, naujesniuose modeliuose juos bando padaryti ma\u017eesnius ir diskretesnius, nes niekas nenori va\u017ein\u0117ti su \u0161vieslente ant stogo.<\/p>\n
Radarai<\/b> veikia pana\u0161iai kaip lidarai, tik naudoja radijo bangas vietoj \u0161viesos. Jie puikiai veikia bet kokiomis oro s\u0105lygomis \u2013 ar lyja, ar sninga, ar migla. Radarai ypa\u010d naudingi matuojant kit\u0173 objekt\u0173 greit\u012f ir nustatant atstum\u0105 iki j\u0173.<\/p>\n
Kameros<\/b> \u2013 papras\u010diausios vaizdo kameros, kokias turime ir savo telefonuose, tik daug galingesn\u0117s. Autonomin\u0117je ma\u0161inoje j\u0173 gali b\u016bti 8-12 ar net daugiau, nukreipt\u0173 \u012f visas puses. Jos atpa\u017e\u012fsta kelio \u017eenklus, \u0161viesoforus, p\u0117s\u010diuosius, kit\u0173 automobili\u0173 stabdymo \u017eibintus ir \u0161imtus kit\u0173 dalyk\u0173. Kai kurios kompanijos, kaip Tesla, tiki, kad ateityje pakaks tik kamer\u0173 \u2013 juk \u017emon\u0117s vairuoja tik su akimis, be joki\u0173 lidar\u0173.<\/p>\n
Ultragarsiniai jutikliai<\/b> \u2013 tie patys, kuriuos naudoja parkavimosi sistemos. Jie veikia nedideliais atstumais, bet puikiai tinka aptikti kli\u016btis \u0161alia automobilio, pavyzd\u017eiui, stov\u0117jimo aik\u0161tel\u0117je.<\/p>\n
Vis\u0173 \u0161i\u0173 jutikli\u0173 duomenys sujungiami \u012f vien\u0105 bendr\u0105 paveiksl\u0105. Tai vadinama jutikli\u0173 susiliejimu arba angli\u0161kai \u2013 sensor fusion. Jei vienas jutiklis ka\u017eko nepasteb\u0117jo ar suklydo, kitas tai pamatys. Tarsi tur\u0117tum\u0117te kelis liudininkus, kurie patvirtina t\u0105 pat\u012f \u012fvyk\u012f i\u0161 skirting\u0173 kamp\u0173.<\/p>\n
\u012esivaizduokite, kad va\u017eiuojate visi\u0161kai nepa\u017e\u012fstamu keliu tamsi\u0105 nakt\u012f be joki\u0173 kelio \u017eenkl\u0173. Sunku, tiesa? Autonomin\u0117ms ma\u0161inoms padeda itin detal\u016bs \u017eem\u0117lapiai \u2013 ne tokie, kokius naudojame Google Maps, o daug, daug detalesni.<\/p>\n
\u0160ie vadinamieji HD \u017eem\u0117lapiai \u017eino ne tik, kur eina kelias, bet ir kur tiksliai yra kiekviena kelio juosta, koks jos plotis, kur yra \u0161aligatviai, kur \u012frengti \u0161viesoforai, kokie yra grei\u010dio apribojimai, kur leid\u017eiama sukti. Jie \u017eino net kelio pavir\u0161iaus posvyrio kamp\u0105 ir tai, ar tam tikroje vietoje da\u017enai b\u016bna duobi\u0173.<\/p>\n
Tokius \u017eem\u0117lapius kuria special\u016bs automobiliai, kurie va\u017ein\u0117ja ir skenuoja kelius su visais tais lidarais ir kameromis. V\u0117liau visa informacija apdorojama ir sukuriamas centimetr\u0173 tikslumo \u017eem\u0117lapis. Problema ta, kad keliai kei\u010diasi \u2013 taisomi, perbrai\u017eomos linijos, statomi nauji \u017eenklai. Tod\u0117l \u017eem\u0117lapius reikia nuolat atnaujinti.<\/p>\n
Autonomin\u0117 ma\u0161ina va\u017eiuodama lygina tai, k\u0105 mato jutikliai, su tuo, kas pa\u017eym\u0117ta \u017eem\u0117lapyje. Jei \u017eem\u0117lapis sako, kad u\u017e 50 metr\u0173 tur\u0117t\u0173 b\u016bti \u0161viesoforas, o kameros j\u012f patvirtina \u2013 viskas gerai. Jei ka\u017ekas nesutampa, sistema tampa atsargesn\u0117 arba net perduoda valdym\u0105 \u017emogui.<\/p>\n
Dabar prie pa\u010dios \u012fdomiausios dalies \u2013 kaip visa ta informacija paver\u010diama sprendimais. \u010cia \u012f \u017eaidim\u0105 \u012fsijungia dirbtinis intelektas ir ma\u0161ininis mokymasis.<\/p>\n
Autonomin\u0117s ma\u0161inos “smegenyse” \u2013 galingame kompiuteryje \u2013 veikia sud\u0117tingos neuron\u0173 tinkl\u0173 sistemos. Jos buvo treniruojamos milijonais vaizdo \u012fra\u0161\u0173 ir situacij\u0173 i\u0161 realaus gyvenimo. Pavyzd\u017eiui, sistemai parodoma t\u016bkstan\u010diai paveiksl\u0117li\u0173 su p\u0117s\u010diaisiais \u2013 \u012fvairaus am\u017eiaus, drabu\u017ei\u0173, poz\u0173, ap\u0161vietimo s\u0105lyg\u0173. Sistema mokosi atpa\u017einti, kas yra p\u0117s\u010diasis, net jei jis d\u0117vi keist\u0105 kostium\u0105 ar laiko sk\u0117t\u012f.<\/p>\n
Bet atpa\u017einimas \u2013 tai tik prad\u017eia. Sistema turi suprasti, k\u0105 tas p\u0117s\u010diasis ketina daryti. Ar jis stovi ir laukia, ar ruo\u0161iasi \u017eengti \u012f keli\u0105? Ar tas dviratininkas va\u017eiuoja tiesia linija, ar galb\u016bt svyruoja ir gali \u012fsukti \u012f j\u016bs\u0173 juost\u0105? Tokiems prognozavimams naudojami dar sud\u0117tingesni algoritmai, kurie analizuoja objekt\u0173 jud\u0117jimo istorij\u0105 ir bando nusp\u0117ti b\u016bsimus veiksmus.<\/p>\n
Prakti\u0161kai tai atrodo taip: sistema identifikuoja visus objektus aplinkui, priskiria jiems kategorijas (automobilis, p\u0117s\u010diasis, dviratis, \u0161uo), nusp\u0117ja j\u0173 galimus veiksmus ir tada planuoja savo mar\u0161rut\u0105 taip, kad b\u016bt\u0173 saugiausia ir efektyviausia. Viskas vyksta de\u0161imtis kart\u0173 per sekund\u0119.<\/p>\n
Gerai, sistema \u017eino, kur yra ir kas vyksta aplinkui. Bet kaip ji nusprend\u017eia, k\u0105 daryti toliau? \u010cia \u012fsijungia keli\u0173 lygi\u0173 planavimo sistema.<\/p>\n
Strateginis planavimas<\/b> \u2013 tai bendras mar\u0161rutas nuo ta\u0161ko A iki ta\u0161ko B. Kaip ir j\u016bs\u0173 GPS navigacija, tik protingesn\u0117. Ji gali rinktis mar\u0161rut\u0105 ne tik pagal atstum\u0105 ar laik\u0105, bet ir pagal tai, kokie keliai lengvesni autonominiam vairavimui.<\/p>\n
Taktinis planavimas<\/b> \u2013 tai sprendimai vidutin\u0117s trukm\u0117s. Pavyzd\u017eiui, \u012f kuri\u0105 juost\u0105 persirikiuoti, kad po 500 metr\u0173 gal\u0117tum\u0117te pasukti kair\u0117n? Ar verta aplenkti t\u0105 l\u0117t\u0105 sunkve\u017eim\u012f, ar geriau palaukti?<\/p>\n
Operatyvus planavimas<\/b> \u2013 tai sprendimai \u010dia ir dabar. Kiek stipriai spausti stabd\u017eius? Kokiu kampu sukti vair\u0105? Kaip reaguoti \u012f staiga i\u0161b\u0117gus\u012f kat\u0119?<\/p>\n
\u012edomiausia, kad sistema turi priimti sprendimus, kurie kartais yra eti\u0161ki. Jei nei\u0161vengiama avarija, k\u0105 rinktis? Trenkti \u012f kli\u016bt\u012f ir su\u017eeisti keleivius, ar bandyti i\u0161sisukti ir galb\u016bt pakenkti p\u0117stiesiems? Tai vadinamoji “ve\u017eimo problema” (trolley problem), ir programuotojai turi u\u017ekoduoti atsakymus \u012f tokius klausimus.<\/p>\n
GPS navigacija j\u016bs\u0173 telefone tiksliai veikia ma\u017edaug iki 5-10 metr\u0173. Autonominei ma\u0161inai to nepakanka \u2013 jai reikia \u017einoti savo pozicij\u0105 centimetr\u0173 tikslumu. Juk 10 metr\u0173 paklaida gali reik\u0161ti skirtum\u0105 tarp va\u017eiavimo savo juosta ir \u012fva\u017eiavimo \u012f prie\u0161prie\u0161in\u012f eism\u0105.<\/p>\n
Tod\u0117l naudojama vadinamoji SLAM technologija (Simultaneous Localization and Mapping \u2013 vienu metu vykstanti lokalizacija ir \u017eem\u0117lapio k\u016brimas). Sistema lygina tai, k\u0105 mato aplinkui, su savo HD \u017eem\u0117lapiu ir taip labai tiksliai nustato savo pozicij\u0105. Tai veikia net tuneliuose ar tarp auk\u0161t\u0173 pastat\u0173, kur GPS signalas silpnas ar visai nepasiekia.<\/p>\n
Be to, naudojami ir inerciniai jutikliai \u2013 giroskopai ir akselerometrai, kaip j\u016bs\u0173 telefone. Jie jau\u010dia kiekvien\u0105 automobilio judes\u012f, pos\u016bk\u012f, pagreit\u012f. Net jei akimirkai prarast\u0173 visus kitus signalus, sistema vis tiek \u017einot\u0173, kur yra, bent jau kelias sekundes.<\/p>\n
Autonomin\u0117s ma\u0161inos neb\u016btinai dirba izoliuotai. Jos gali bendrauti su i\u0161orine infrastrukt\u016bra ir viena su kita \u2013 tai vadinama V2X (Vehicle-to-Everything) technologija.<\/p>\n
V2V (Vehicle-to-Vehicle)<\/b> \u2013 ma\u0161inos kei\u010diasi informacija tarpusavyje. Pavyzd\u017eiui, automobilis u\u017e keli\u0173 \u0161imt\u0173 metr\u0173 prie\u0161 jus staiga sustabdytas d\u0117l avarijos? Jis gali i\u0161 karto prane\u0161ti j\u016bs\u0173 ma\u0161inai, kad ji prad\u0117t\u0173 l\u0117tinti, net jei dar nieko nemato.<\/p>\n
V2I (Vehicle-to-Infrastructure)<\/b> \u2013 bendravimas su kelio infrastrukt\u016bra. \u0160viesoforai gali prane\u0161ti, kada pasikeis signalas, kelio \u017eenklai gali si\u0173sti skaitmenin\u0119 informacij\u0105, o kelio tarnybos gali \u012fsp\u0117ti apie pavojingas s\u0105lygas.<\/p>\n
Tiesa, visa tai dar tik vystoma ir n\u0117ra pla\u010diai paplit\u0119. Bet ateityje, kai dauguma ma\u0161in\u0173 bus autonomin\u0117s ir visos bendrausian\u010dios, eismas gali tapti daug sklandesnis ir saugesnis. \u012esivaizduokite \u2013 joki\u0173 sp\u016bs\u010di\u0173, nes visos ma\u0161inos koordinuotai juda optimaliausiais mar\u0161rutais.<\/p>\n
Kas nutinka, jei ka\u017ekas sugenda? Autonomin\u0117se ma\u0161inose saugumas yra pats svarbiausias dalykas, tod\u0117l viskas dubliuojama ir trigubojama.<\/p>\n
Jei sugenda vienas jutiklis, dirba kiti. Jei neveikia pagrindinis kompiuteris, \u012fsijungia atsarginis. Jei sistema nebejau\u010diasi saugi \u2013 pavyzd\u017eiui, prastos oro s\u0105lygos ar per daug neai\u0161ki\u0173 situacij\u0173 \u2013 ji pra\u0161o \u017emogaus perimti vairavim\u0105. Jei \u017emogus nereaguoja (galb\u016bt u\u017emigo), ma\u0161ina saugiai sustoja kelio pakra\u0161tyje ir \u012fjungia avarin\u0119 signalizacij\u0105.<\/p>\n
Visos kritin\u0117s sistemos turi tai, kas vadinama “fail-safe” re\u017eimu \u2013 jei kas nors nepavyksta, sistema pereina \u012f saugiausi\u0105 b\u016bsen\u0105. Geriau sustoti ir pav\u0117luoti, nei rizikuoti.<\/p>\n
Be to, visos autonomin\u0117s ma\u0161inos nuolat registruoja visk\u0105, kas vyksta \u2013 tarsi juodosios d\u0117\u017e\u0117s l\u0117ktuvuose. Jei \u012fvyksta incidentas, galima tiksliai atkurti, kas nutiko ir kod\u0117l sistema pri\u0117m\u0117 tokius sprendimus.<\/p>\n
Nors technologija jau \u012fsp\u016bdinga, dar yra daug nei\u0161spr\u0119st\u0173 problem\u0173. Autonomin\u0117s ma\u0161inos puikiai veikia idealiomis s\u0105lygomis \u2013 sausais keliais, geru oru, ai\u0161kia kelio \u017eym\u0117jimu. Bet kas nutinka, kai sninga ir viskas balta? Kai kelio linijos i\u0161blukusios ar j\u0173 visai n\u0117ra? Kai vyksta keli\u0173 remonto darbai su laikinais \u017eenklais ir keistais mar\u0161rutais?<\/p>\n
\u017dmon\u0117s tokiose situacijose naudoja sveika prot\u0105 ir patirt\u012f. Mes galime suprasti, kai kelininkas rankomis rodo, kur va\u017eiuoti. Galime nusp\u0117ti, kad tas neai\u0161kus objektas kelyje grei\u010diausiai yra popierius, o ne akmuo. Autonomin\u0117ms sistemoms tokius dalykus i\u0161mokyti yra labai sunku.<\/p>\n
Dar viena problema \u2013 etika ir atsakomyb\u0117. Jei autonomin\u0117 ma\u0161ina sukelia avarij\u0105, kas kaltas? Gamintojas? Programuotojas? Savininkas, kuris s\u0117d\u0117jo viduje, bet nevairavo? Teis\u0117s sistema dar tik mokosi su tuo tvarkytis.<\/p>\n
Ir \u017einoma, yra kibernetinio saugumo klausimas. Jei ma\u0161ina valdoma programin\u0117s \u012frangos ir prijungta prie interneto, ar n\u0117ra pavojaus, kad ka\u017ekas j\u0105 nulau\u017et\u0173? Gamintojai deda daug pastang\u0173, kad sistemos b\u016bt\u0173 saugios, bet niekas n\u0117ra 100% ne\u012fveikiama.<\/p>\n
Nepaisant vis\u0173 \u0161i\u0173 i\u0161\u0161\u016bki\u0173, technologija spar\u010diai tobul\u0117ja. Kas m\u0117nes\u012f pasirodo nauji algoritmai, geresni jutikliai, galingesni kompiuteriai. Kai kuriose pasaulio vietose autonominiai taksi jau ve\u017ea keleivius kasdien. Galb\u016bt po de\u0161imtme\u010dio ar dviej\u0173 \u017ei\u016br\u0117sime atgal ir steb\u0117sim\u0117s, kaip mes patys vairavome tas pavojingas ma\u0161inas.<\/p>\n
Autonomini\u0173 transporto priemoni\u0173 navigacija \u2013 tai ne viena stebukling\u0117 technologija, o daugyb\u0117s mokslo sri\u010di\u0173 sintez\u0117: robotika, dirbtinis intelektas, sensorika, telekomunikacijos, programin\u0117 \u012franga. Tai \u012frodymas, kaip toli \u017emonija nu\u0117jo technologij\u0173 srityje. Ir nors kelias iki visi\u0161ko autonomi\u0161kumo dar ilgas, kryptis ai\u0161ki \u2013 ateitis, kurioje ma\u0161inos ve\u0161 mus saugiau, efektyviau ir patogiau nei mes patys kada nors gal\u0117jome.<\/p>","protected":false},"excerpt":{"rendered":"