Их изобрели в 1970-е годы, а первой моделью машины массового производства, на которую их установили, стала Toyota Prius 2003 года. Такие датчики работают на расстоянии всего метров 10, но при этом они отличаются низкой стоимостью и оказываются крайне полезны при маневрировании на низкой скорости или в плотном потоке.

Камеры с высоким разрешением – важный элемент оснащения беспилотного автомобиля. Они используются для распознавания светофоров, дорожной разметки, уличных знаков и других объектов, которые содержат зрительные ориентиры, но не более того. Камеры, в отличие от лидаров, различают цвета, а также разницу в текстуре. Если установить несколько камер, получится определить расстояние до предметов. Но чем дальше объект, тем менее точен расчет, поэтому для вождения на высокой скорости это не подходит. Стоимость камеры относительно невелика – 150 фунтов стерлингов на автомобиль, но стоит учитывать, что ее работа зависит от условий освещения и видимости. Инфракрасное излучение способно в какой-то степени решить эту проблему.

Можно подумать, что для передвижения крайне важно наличие GPS. Но эта система работает точно лишь на расстоянии нескольких метров и не всегда исправно: сигнал прерывается рядом с высокими зданиями и в тоннелях. Именно поэтому использование GPS в автономных автомобилях носит ограниченный характер. Однако в сочетании с другими датчиками она может быть полезной. В МТИ, к примеру, сконструировали беспилотный Prius, который неплохо ориентируется на дороге с помощью лишь GPS, лидара и акселерометров.

Конечно, все описанные датчики оказались бы бесполезны, не будь устройства, которое анализировало бы поступающую информацию. Для обработки огромного количества данных (причем быстрой) требуется очень мощный компьютер, по характеристикам заметно превосходящий тот, что стоит у вас дома. Даже современные автомобили вроде Waymo каждые полминуты генерируют информацию объемом до 150 гигабайт. Этого достаточно, чтобы заполнить жесткий диск большинства ноутбуков. В час производится 19 терабайт информации. Автомобили должны хранить эти огромные объемы данных на случай последующих рассмотрений из-за аварий или споров. Все это влияет на потребление энергии: прототип расходует 5000 ватт (примерно столько же требуется 40 обычным ПК). Такой уровень потребления заметно сокращает количество топлива или время работы батареи. Представьте, что для экономии заряда придется отключить автопилот и взять управление в свои руки, иначе до места назначения вы не доедете. Не очень-то похоже на прогресс.

Сейчас на разработку процессоров, которые соответствовали бы потребностям автономных машин, направлено много сил. В Google создали тензорные процессоры (Tensor Processing Units), которые предназначены специально для задач автопилота. В процессоре задействуется только та часть чипа, которая необходима для выполнения конкретной задачи. За счет этого увеличивается количество операций в секунду и уменьшается расход энергии. Тензорные процессоры подходят для машинного обучения разного рода, потому что могут одновременно выполнять множество задач по обработке, которым не требуется большая мощность.

Компания Nvidia, которая известна в первую очередь как производитель видеокарт для компьютеров, выпустила чип Xavier. Он способен выполнять 30 триллионов операций в секунду, что в 500 раз больше хорошего ноутбука, потребляя при этом всего 30 ватт. Эта разработка – удивительно мощное и эффективное устройство, которое представляет собой самую сложную систему на кристалле из когда-либо созданных. Она состоит из центрального процессора (8 ядер), графического процессора (512 ядер), ускорителей глубокого обучения и компьютерного зрения, а также процессора для обработки видео в разрешении 8K. «Мы перенесли суперкомпьютер из центра разработки данных в автомобиль», – заявил Дэнни Шапиро, который отвечает за развитие сегмента автомобильных систем в Nvidia. Но пройдет еще немало времени, прежде чем системы станут энергетически (и экономически) эффективными и выйдут в массовое производство. Кроме того, можно установить самый мощный компьютер в мире, но без правильного программного обеспечения он останется всего лишь дорогим черным ящиком.

Устройство приборов может показаться сложным, но программное обеспечение, которое сделает беспилотные автомобили привычным явлением, в сотни раз сложнее. Вероятно, на сегодня это самое серьезное испытание для искусственного интеллекта.

Идея заключается в том, что автомобиль получает крупицы информации со всех датчиков и объединяет их, чтобы определить, где он находится, что его окружает и как обстановка может измениться. На основе этого машина вырабатывает способ перемещения в пространстве. Все эти действия нужно выполнить за миллисекунды и не допустить ни единой ошибки.

В автомобилях используется глубокое обучение. Я чрезмерно упрощаю, но принцип действия технологии такой: бортовой компьютер превращает информацию с датчиков в огромную матрицу, которая содержит миллиарды битов данных в цифровой форме. Затем он ищет знакомые шаблоны в этой базе, чтобы выбрать правильный вариант поведения. Иногда это называют нейронной сетью. Когда шаблоны и необходимые варианты поведения определены, они переводятся в физическую форму: в действие приходят ускоритель, тормоза, руль или другие системы вроде фар и даже звукового сигнала.

В автомобилях будущего будет решена проблема со звуком: в каждое кресло встроят устройства подавления шума и усиления голоса, что позволит спокойно общаться с попутчиками. Более того, салон машины станет просторнее и его можно будет изменять по своему вкусу, настраивая экраны, приборную панель и графику. Экраны дополненной реальности будут выводить подсказки GPS-навигатора и полезные указания прямо на лобовое стекло.

Если в двух словах, то автомобиль находит шаблон в базе данных и реагирует на него. Такую же технологию используют для прогнозирования многих ситуаций – от землетрясений до сердечных заболеваний. Со временем стало возможным анализировать результаты исследований на наличие раковых клеток, распознавать болезни глаз и повреждение мышц. Компьютер справляется с задачей быстрее и точнее врача. Эта же технология оказалась полезной при распознавании лиц (от этого в какой-то степени даже некомфортно). Были случаи, когда записывали биометрическую информацию посетителей концерта, решивших сделать фото в будке, или когда людей по ошибке задерживали за магазинное воровство просто из-за того, что их черты лица схожи с чертами преступников. Из-за этого распознавание лиц приобрело дурную славу. Эти ситуации показали, насколько глубокое обучение может не оправдать ожидания.