Utrata przyczepności podczas jazdy z dużą prędkością to zazwyczaj bardzo zła wiadomość. Naukowcy z Instytutu Badawczego Toyoty i Uniwersytetu Stanforda opracowali dwa samochody autonomiczne, które wykorzystują sztuczną inteligencję do kontrolowanego działania – sztuczki lepiej znanej jako „dryfowanie” – aby przesuwać granice autonomicznej jazdy.
W maju te dwa autonomiczne pojazdy wykonały śmiały wyczyn dryfującego tandemu wokół toru Thunderhill Raceway Park w Willows w Kalifornii. W film promocyjnyoba samochody jadą z rykiem po torze kilka stóp od siebie, po tym jak kierowcy tracą kontrolę.
Chrisa Gerdesa, profesor na Uniwersytecie Stanforda, który kierował projektem, mówi WIRED, że techniki opracowane na potrzeby tego wyczynu mogą ostatecznie pomóc w przyszłych systemach wspomagania kierowcy. „Jedną z rzeczy, nad którą się zastanawiamy, jest to, czy potrafimy dorównać najlepszym kierowcom” – mówi Gerdes.
Przyszłe systemy wspomagania kierowcy będą mogły wykorzystywać algorytmy przetestowane na torze w Kalifornii, aby interweniować, gdy kierowca straci kontrolę, i wyprowadzić pojazd z kłopotów niczym kaskader. „To, co tutaj zrobiliśmy, można rozszerzyć, aby rozwiązać większe problemy, takie jak zautomatyzowana jazda w miastach” – mówi Gerdes.
Projekt stanowi zgrabną demonstrację autonomii przy dużych prędkościach, chociaż pojazdy autonomiczne wciąż są dalekie od doskonałości. Po dekadzie obietnic i szumu taksówki działają teraz bez kierowcy w niektórych ograniczonych sytuacjach. Jednak pojazdy nadal mają skłonność do utknięcia i mogą wymagać zdalnej pomocy.
Badacze z Toyoty i Uniwersytetu Stanforda zmodyfikowali dwa samochody sportowe GR Supra za pomocą komputerów i czujników śledzących drogę i inne pojazdy, a także zawieszenie i inne właściwości samochodów. Opracowali także algorytmy łączące zaawansowane modele matematyczne właściwości opon i toru z uczeniem maszynowym, które pomaga samochodom uczyć się sztuki driftu.
Minga Lin, profesor na Uniwersytecie Maryland, który bada jazdę autonomiczną, twierdzi, że ta praca stanowi ekscytujący postęp w pomaganiu samochodom autonomicznym w ekstremalnych warunkach. „Jednym z największych wyzwań dla pojazdów autonomicznych jest bezpieczne działanie w deszczowe, śnieżne lub mgliste dni, a także przy słabym oświetleniu w nocy” – mówi.
Lin dodaje, że projekt Toyota–Stanford pokazuje, jak ważne jest łączenie uczenia maszynowego z modelami fizycznymi dostępnymi na całym świecie. „Chociaż to dopiero wczesna demonstracja, wyraźnie zmierza ona we właściwym kierunku” – mówi.
Toyota i Stanford po raz pierwszy zademonstrowały algorytmy, które umożliwiły autonomicznym samochodom dryfowanie w 2022 r. Posiadanie dwóch pojazdów wykonujących tę sztuczkę w tandemie wymaga jeszcze lepszej kontroli i wymaga wzajemnej komunikacji pojazdów. Samochody zasilane były danymi z okrążeń przejechanych przez zawodowych kierowców. Ich komputery obliczały problem optymalizacji aż do 50 razy na sekundę, aby zdecydować, w jaki sposób zrównoważyć układ kierowniczy, przepustnicę i hamulec.
„Tak naprawdę przyglądamy się temu, jak kontrolować samochód w ekstremalnych warunkach, kiedy opony się ślizgają, w takim stanie, w jakim [encounter] podczas jazdy po śniegu lub lodzie” – mówi Avinash Balachandran, wiceprezes działu Human Interactive Driving w TRI. „Jeśli chodzi o bezpieczeństwo, bycie przeciętnym kierowcą po prostu nie wystarczy, dlatego naprawdę chcemy uczyć się od najlepszych ekspertów”.
Świat widział ostatnio niezwykłe postępy w sztucznej inteligencji dzięki dużym modelom językowym, które obsługują programy takie jak ChatGPT. Jak jednak podkreśla demo dual drifting, opanowanie bałaganu, nieprzewidywalnego świata fizycznego pozostaje zupełnie inną propozycją.
„W LLM halucynacja może nie być końcem świata” – mówi Balachandran, odnosząc się do sposobu, w jaki duże modele językowe błędnie interpretują fakty. „W przypadku samochodu mogłoby to oczywiście wyglądać zupełnie inaczej”.
