Почему сделать автономные грузовики сложнее, чем роботакси
Грузоперевозки должны были стать идеальным первым применением автономного вождения. Автострады — это предсказуемые, структурированные сценарии движения. Автономному грузовику не придется разбираться со сложностями перекрестков и двусторонним движением. Он мог бы легко проехать сотни километров, не встретив ни одного пешехода.
Казалось бы, они должны были стать первым видом транспортных средств без водителя. Aurora даже перевела всю свою компанию на грузовые перевозки в 2020 году, считая, что это проще, чем городское вождение. И все же, грузовиков без водителя нет, а роботакси Waymo и Cruise проехали миллионы миль по городским улицам — большая часть в плотной городской застройке Сан-Франциско. Почему так произошло?
Проблема в том, что автономные грузовики без водителя просто сложнее, чем легковые авто. На начальном этапе проблема грузоперевозок кажется более легкой, и действительно, многие разработчики быстро достигают своих первоначальных задач, что придает им ложную уверенность. Но трудности резко усиливаются, когда они начинает работать над последними деталями. Они сталкиваются с проблемами из-за высоких скоростей на автострадах и размеров грузовиков. Теперь рассмотрим каждый аспект грузоперевозок, чтобы оценить, как они усугубляют ситуацию.
Проблемы, характерные для автономных грузовых автомобилей
Длинный тормозной путь
У грузовиков длинный тормозной путь. Чтобы вовремя остановиться в случае препятствия впереди, нужно два момента: быстрая реакция системы распознавания и рабочая дистанция сенсоров, которая будет больше тормозного пути. Сейчас оптимальный вариант сенсоров — это комбинация камеры и радара, но это не удовлетворяет требованиям с грузовиками.
А возможности датчиков следующие:
- Лидары предоставляют достоверные 3D-данные, так как проводят прямые измерения, основанные на физических принципах. Их радиус действия составляет около 200–250 м, что достаточно для городской езды, но мало для грузовика. Модели обнаружения требуют множества кадров, которые будут готовы в течение определенного времени с момента обнаружения объекта вдалеке. Но влияют мелкие предметы, таких как мусор, что еще больше снижает полезную дальность обнаружения.
- Радар видит дальше, чем лидар. Например, производитель радаров ZF заявляет об обнаружении транспортных средств на расстоянии до 350 м. Устройство отлично подходит для отслеживания движущихся транспортных средств, но с трудом различает неподвижные автомобили и другие фоновые объекты. Автопилот Tesla продемонстрировал эту проблему, затормозив на эстакаде и столкнувшись с остановившимися автомобилями.
- Камеры могут обнаруживать далекие объекты, если на них достаточно пикселей. А потому нужно выбирать камеры с высоким разрешением и узким полем зрения (телеобъектив). На автомобиле устанавливают несколько узких камер для полного охвата при поворотах. Однако они не могут напрямую измерять расстояние или скорость.
Комбинированная система из камеры и радара, использующая машинное обучение, вероятно, имеет лучшие шансы, особенно с учетом последних достижений в этой области. Но она должна работать достаточно хорошо, чтобы служить основным источником обнаружения за пределами 200 м. Обучение такой модели — более сложная задача, чем простое получение данных от лидара. Похоже, что пока у нас нет решений по обнаружению с производительностью, необходимой для грузовиков.
Более сложное управление
Пассажирские автомобили обычно моделируют как единое тело, в то время как грузовик и его прицеп могут двигаться отдельно. Планировщик и контроллер должны учитывать это при выполнении резких поворотов. Проще управлять одним объектом, чем двумя.
Удовлетворение условия минимального риска на трассах
Автономные транспортные средства должны останавливаться при обнаружении внутренней неисправности или дорожной ситуации, с которой они не могут справиться. Это называется условием минимального риска (minimal risk condition, MRC). Например, автономный пассажирский автомобиль, обнаруживший ошибку в HD-карте или отказ датчика, может быть запрограммирован на выезд на обочину или остановку на полосе движения в зависимости от серьезности проблемы.
Хотя поведение MRC раздражает других участников дорожного движения, оно не добавляет излишнего риска на улицах, учитывая низкие скорости и хаотичный характер движения в городе. Это дает разработчику больше свободы действий для развертывания системы, которая не знает, как идеально справиться с каждым сценарием вождения, но знает уже достаточно, чтобы не попасть в беду.
На трассе все иначе. Остановка в полосе становится более опасной, поскольку на высокой скорости возможно столкновение сзади. Все остановки нужно планировать заранее, в идеале — доезжать до ближайшей обочины, где достаточно места для парковки.
Если автомобиль сталкивается с неожиданной строительной зоной, местом аварии или другим нестандартным сценарием движения, недостаточно просто обнаружить и остановиться. Перестроение на дороге, хотя и приемлемый вариант для улиц, обычно не подходит для трасс, так как к тому времени, когда автомобиль сможет увидеть стройку, выполнить разворот будет сложно или незаконно.
Автострады — это скучно
Трассы более просты по таким причинам: контролируемый доступ, отсутствие перекрестков, одностороннее движение. Но также из-за этого на них редко происходят события, интересные для разработчиков автономных транспортных средств. Это обоюдоострый меч: хотя более простая среда сокращает количество программных функций, которые необходимо разработать, она также увеличивает время и стоимость итераций.
Будут ли грузовики без водителей нормой для трасс
Грузоперевозки требуют более производительных датчиков и более сложных систем управления. В то же время езда по автострадам предъявляет дополнительные требования к надежности, повышая планку качества всех компонентов программного обеспечения — от картографии до понимания сцены. Все перечисленные задачи решаемы, но мы пока далеки от решения. Хотя компании Aurora, Kodiak и Gatik пообещали внедрить беспилотные грузовики к концу года. Для массового выпуска таких моделей потребуются достижения в области сенсорики, машинного обучения и много упорной работы.
Полный текст статьи читайте на Компьютерра
