🏎️ За пределами алгоритмов: как автономное вождение учится физическому интеллекту 0:05
В недавнем семинаре Stanford Robotics Seminar исследователь из Университета Вирджинии (UVA) представил глубокий анализ проблем современной автономной робототехники, утверждая, что для перехода от «лабораторных» успехов к безопасности в реальном мире необходим «физический интеллект». По мнению спикера, нынешние подходы, хотя и демонстрируют выдающиеся результаты в задачах типа ChatGPT, часто не справляются с динамикой реального мира — контактами, причинно-следственными связями и непредсказуемостью «открытых систем», которыми является дорожное движение.
🚧 Проблема «открытых систем» и барьеры безопасности 4:05
Разница между шахматами и вождением заключается в структуре среды. Шахматы — это «закрытая система» с конечным набором правил и предсказуемыми исходами, что позволило ИИ решить их десятилетия назад. Вождение же является «открытой системой», где «всё что угодно может произойти на дороге».
Основные препятствия для ИИ в этой сфере:
- Сложность покрытия (Coverage Complexity): Существует гипермерное пространство всех возможных объектов и сред (погодные условия, геометрия дорог, культурные особенности вождения), которое практически невозможно описать и протестировать полностью.
- Динамические взаимодействия: Проблема усложняется тем, что объекты взаимодействуют друг с другом и средой с течением времени.
- Отсутствие метрик безопасности: По мнению автора, в индустрии до сих пор нет консенсуса о том, что именно делает автомобиль «безопасным».
Исследовательская группа в UVA пытается подойти к вопросу через сравнение, задаваясь вопросом «является ли система А безопаснее системы Б», используя автоматизированную добычу данных из сценариев для сравнения производительности.
🏁 Автономные гонки как полигон для ИИ 23:01
Для демонстрации возможностей новой технологии спикер предложил использовать автоспорт, проводя параллель с тем, как более века назад гонки помогали публике довериться первым автомобилям.
- Прототипирование (F1/10): Лаборатория начала с создания 1/10-масштабных моделей автомобилей. Это позволило исследователям со всего мира тестировать алгоритмы, не имея доступа к полноразмерным машинам.
- Симуляция и Bézier-кривые: Чтобы улучшить управление, группа отказалась от предсказания сотен путевых точек в пользу Bézier-кривых, которые задаются минимальным количеством контрольных точек.
- Вероятностное мышление: Вместо одного идеального пути система обучается «семейству» кривых (Gaussian distributions), что позволяет на лету выбирать наиболее оптимальную траекторию.
🏆 Indy Autonomous Challenge: от идеи к мировому рекорду 37:00
Вершиной работы стало участие в Indy Autonomous Challenge, где команда Cavalier Autonomous Racing (UVA) создала полностью автономный болид на базе шасси Dallara.
- Реальные испытания: В 2021 году команда стала самой быстрой американской командой, а к 2024 году они установили мировой рекорд скорости для автономных авто на треке — 184 мили в час.
- Преодоление условий: Во время финального заезда в 2024 году, после дождя и аварии лидера гонки, алгоритмы автомобиля, работающие «на грани» физических возможностей (на 100% газа даже на влажной трассе), позволили команде выиграть.
- Обучение: Спикер подчеркивает, что такие моменты показывают эффективность их «физического интеллекта», но признает: для достижения мастерства уровня профессиональных гонщиков, таких как Кими Райкконен, предстоит еще долгий путь.
По мнению гостя, именно такие «грандмастеры» среди автономных систем — способные не просто ехать по правилам, а принимать решения в критических ситуациях в реальном времени — станут ключом к созданию по-настоящему надежного ИИ в физическом мире.
