왜 아직 자율주행차가 없습니까? 이 2부작 시리즈는 남아 있는 큰 문제를 설명합니다.

사람들은 종종 "내 자율주행차는 어디 있지?"라고 묻습니다. "왜 나는 하나가 없고 언제 올까요?" 많은 사람들이 20대 후반에 차를 약속받았다고 생각하는데, 수십 년 전에 하늘을 나는 자동차가 이야기했던 것처럼 늦었고 아마도 오지 않을 것입니다.

두 개의 기사로 구성된 이 시리즈(비디오와 함께)에서 오늘날 당신이 로보카를 타지 않을 가능성이 있는 핵심 이유와 로보카가 언제 일어날 수 있는지 살펴보겠습니다. 이를 가로막는 핵심 기술, 법적, 사회적 문제는 무엇이며, 실제로 방해가 되지 않는 문제는 무엇입니까?

우리 대부분에게 이 차는 곧 도착할 수 없습니다. 그들은 매년 전 세계적으로 백만 명 이상이 사망하는 오늘날의 자동차 사고의 상당한 부분을 피할 수 있다는 약속을 가지고 있습니다. 그들은 우리의 삶을 더 쉽게 만들고 교통의 원리를 다시 쓸 것입니다. 그렇게 함으로써 그들은 우리가 사는 곳과 도시의 본질뿐만 아니라 에너지에서 소매에 이르기까지 수십 개의 다른 산업을 다시 쓸 것입니다. 매일 우리는 이러한 것들을 대량으로 도로에 내놓는 것을 미루고 있으며, 운전하지 말았어야 하는 사람들의 손에 수천 명이 사망할 것입니다. 매일 우리는 미루고 있습니다.

물론 힘들다.

분명히 '시간이 오래 걸린다'는 가장 큰 이유는 어렵다는 것입니다. 지금까지 수행된 가장 거대한 소프트웨어 연구 프로젝트 중 하나입니다. 그것은 획기적인 소프트웨어뿐만 아니라 수많은 특수 사례를 처리하고 세계와 모든 주름을 매핑하는 잡초에 대한 수많은 세부 작업이 필요했습니다. 일정에 따라 제공될 수 있다고 생각하거나 생각하는 사람은 누구나 잘못되었으며 이전에 소프트웨어에서 일한 적이 없습니다. 자동차 회사가 2020년과 같은 날짜를 연기했을 때 그것은 예측이 아니라 희망이었고 일부 기술 회사가 실제로 그것을 해냈다는 것은 놀라운 일이었습니다. 돌파구가 필요한 다년간의 프로젝트는 결코 정확하게 예측할 수 없습니다.

소프트웨어 배경이 있는 사람이라면 몇 년 전에 이루어진 이러한 대규모 프로젝트에 대한 예측이 정확하지 않은 경우 전혀 충격을 받지 않을 것입니다. 따라서 낙관적인 희망에 부응하지 못하더라도 일이 "일정보다 늦어지지" 않습니다. 이것은 또한 일이 더 작은 단계로 진행되고 있음을 의미합니다.

가장 큰 방해 요소는 실제로 수행하는 것이 아니라(즉, 안전하게 만드는 것) 사용자가 수행했다는 사실을 아는 것입니다.

당신이 정말로 그것을 안전하게 만들었다는 것을 증명하십시오

첫 번째 기술적 목표는 그것을 실현하는 것이었습니다. 스스로 안전하게 운전할 수 있는 자동차를 만들기 위해. 이는 엄청난 성과이지만 적어도 몇몇 도시에서는 이미 몇몇 회사가 이를 달성했습니다. 평균 인간보다 더 안전한 운전은 피닉스의 쉬운 거리에서 Waymo와 같은 회사에 의해 수행되었습니다. 그것은 "어려운 부분"이었습니다. 그러나 더 어려운 부분은 안전이 무엇인지 정의하고, 측정하고, 이를 수행했음을 증명하는 것입니다. 당신은 당신 자신, 당신의 이사회, 당신의 변호사, 대중, 그리고 아마도 정부에게 그것을 증명해야 합니다. 모더나 코비드 백신이 2020년 10월에 준비된 것처럼 첫 번째 잠금이 해제되기 전에 세계는 첫 번째 잠금이 해제되기까지 XNUMX개월(백신 없이 백만 명이 사망)을 기다렸습니다. 우리는 그들이 해냈다는 것을 증명하기를 기다렸습니다.

안전을 측정하는 것은 꽤 어렵습니다. 우리는 인간 운전자가 경미한 흠집에서 사망에 이르기까지 모든 유형의 충돌 사고를 얼마나 자주 발생하는지 알고 있습니다. 사망 사고는 미국에서 약 80천만 마일 또는 약 2백만 시간의 운전 시간마다 발생합니다. 모든 소프트웨어 버전을 "XNUMX억 마일을 운전하게 하고 사람이 그렇게 멀리 운전하면 사망할 XNUMX명 미만인지 확인합시다."라고 말하면서 모든 소프트웨어 버전을 테스트할 수는 없습니다. 모든 새 버전은 고사하고 실제 도로에서 한 번만 운전하는 것은 불가능한 거리입니다. 우리는 운전을 훨씬 적게 하고 땡과 경미한 충돌을 계산할 수 있습니다. 사실 이것은 최소한 가능하기 때문에 지금까지 우리가 생각해낸 것 중 최고입니다. 사람들과 합니다.

많은 사람들이 전통적인 자동차 산업 방식을 시작합니다. 그들은 차량의 각 구성 요소를 테스트하여 신뢰할 수 있고 사양에 맞는지 확인합니다. 그들은 구성 요소 시스템으로 그렇게 하려고 하지만 상황이 더 복잡해지면 그 방법론이 어려워집니다. 이를 기능적 안전이라고 합니다. 구성 요소와 시스템에 결함이 없고 알려진 잠재적인 오류를 처리합니다.

최근에는 이를 시스템 수준까지 끌어올리고 "의도한 기능의 안전성"을 테스트하려는 더 많은 노력이 있었습니다. SOTIF를 사용하여 팀은 문제와 구성 요소 오류, 예상되는 오용이 있더라도 전체 시스템이 계속 작동할 수 있도록 작업합니다. 여기에는 종종 전체 시스템 또는 그 일부의 시뮬레이션 또는 도로에서의 실시간 테스트보다 쉽고 안전한 "루프 내 하드웨어" 시뮬레이션이 포함됩니다.

시뮬레이션 테스트는 수백만 가지 시나리오에서 시스템을 테스트할 수 있는 기능을 제공합니다. 누구나 보거나 듣거나 꿈꿔본 모든 것 – 그 모든 것의 수백 가지 약간의 변형이 있습니다.

아마도 테스트하기 가장 어렵지만 가장 알고 싶은 것은 시스템이 이전에 본 적이 없는 상황에 얼마나 잘 반응하는지입니다. 차량이 예상되는 거의 모든 상황에서 잘 작동하는지 알아보기 위해 시뮬레이션 테스트를 생성할 수 있지만, 인간 정신의 위대한 마법 능력은 전에 본 적이 없는 문제를 처리하는 능력입니다. AI는 이것을 할 수 있지만 그다지 좋지는 않습니다. 결국 우리는 매일 새롭고 현실적이며 위험한 시나리오를 얻을 수 있는 방법을 희망할 것입니다. 오늘 당신의 차가 모든 사람이 생각해 본 모든 것을 처리하도록 프로그래밍되어 있다는 것은 좋은 일입니다. 하지만 진정한 표준은 매일 이전에 본 적이 없는 20가지 새로운 상황을 던져보고 대부분의 상황을 처리한다는 것을 확인하는 것일 수 있습니다. 인간조차도 모든 것을 다룰 수는 없습니다. 그것이 내가 보기를 바라는 것 중 하나입니다. 안전 풀 프로젝트, 나는 세계 경제 포럼, Deepen.AI 및 Warwick 대학과 함께 시작하는 것을 도왔습니다.

모든 시뮬레이션을 사용하더라도 도로에서 실시간으로 테스트해야 합니다. 아무도 현실 세계를 잘 다루는 것을 보여주지 않은 차를 배치하지 않을 것입니다. 비용이 많이 들지만 로보카 운영을 감독하기 위해 인간 안전 운전자를 사용하는 시스템은 실제로 뛰어난 실적을 가지고 있으며 일반 인간 운전에 비해 대중을 위험에 빠뜨리지 않습니다.

업계에서 모든 회사는 자신이 안전에 얼마나 헌신하는지 설명하기 위해 스스로 넘어집니다. 안전한 차량을 만드는 것이 그들의 일이지만 공무원과 대중을 기쁘게 하기 위해 이러한 선언을 합니다. 아이러니하게도 공익은 가장 안전한 로보카를 만드는 것이 아니라 가장 안전한 도로. 로보카는 더 안전한 도로를 가져올 수 있는 도구이며, 더 빨리 도착하면 더 빨리 더 잘 할 수 있습니다. 공무원이 전반적인 도로 안전 개선에 대한 의무를 진지하게 받아들인다면 실제로 기업이 안전에 너무 집착하지 말고 보다 안전한 기술의 가장 빠른 배포에 집중하도록 권장할 것입니다. , 더 빠르게 발생합니다. 그러나 그들은 사회가 오류와 위험에 반응하는 방식 때문에 결코 그렇게 하지 않을 것입니다.

안전의 두 번째 구성 요소는 사이버 보안입니다. 우리는 이 차가 그들을 인수하려는 시도에 대해 강건해야 합니다. 어떤 사람들은 사이버 보안에 대해 이야기하는 것을 좋아하지 않지만 자동차 산업의 과거 역사는 좋지 않습니다. 이렇게 하려면 보안 관행과 도구뿐 아니라 전문 화이트햇 해커 팀이 더 이상 찾을 수 없을 때까지 취약점을 찾기 위해 외부에서 사냥하는 "레드 팀 구성(red teaming)"이 포함됩니다. 또 다른 중요한 도구는 연결을 최소화하는 것, 즉 보안 담당자가 "공격 표면"이라고 부르는 것입니다. 업계의 많은 사람들은 그들이 상상하는 "커넥티드 카"에 집착하고 있으며, 커넥티비티를 자율주행만큼 큰 혁명으로 착각합니다. 원격이 아닙니다. 일부 연결이 필요하지만 실제 혁명이 안전하게 유지될 수 있도록 드물게 사용해야 합니다.

테스트의 가장 큰 과제 중 하나는 모든 robocar 팀에서 기계 학습을 광범위하게 사용하는 것입니다. 머신 러닝은 매우 강력한 AI 도구이며 대부분의 사람들이 이것이 필수 도구라고 생각하지만 의사 결정을 내리지만 아무도 완전히 이해하지 못하는 "블랙 박스" 도구를 생성하는 경향이 있습니다. 시스템이 어떻게 작동하는지, 왜 실패하는지 또는 올바른 작업을 수행하는지 모르는 경우 테스트 및 인증하기가 어렵습니다. 유럽에서는 모든 AI가 일정 수준에서 "설명 가능"하도록 요구하는 법률을 만들고 있지만 많은 기계 학습 네트워크는 설명하기가 매우 어렵습니다. 무섭긴 하지만 너무 강력해서 포기하지 않을 것입니다. 설명 가능한 시스템보다 테스트에서 두 배 더 안전한 블랙박스에 직면할 수 있으며 사람들이 어느 쪽을 선택해도 찬성하는 설득력 있는 주장이 있습니다.

미래 예측

로봇 카는 카메라, 레이더, LIDAR 레이저 등과 같은 센서로 덮여 있습니다. 센서는 아마도 하드웨어에서 가장 많이 논의되는 측면일 것입니다. 그러나 실제로 센서는 사용자가 알고자 하는 내용을 전혀 알려주지 않습니다. 그것은 센서가 사물이 지금 어디에 있는지 알려주지만 당신은 그것에 대해 그다지 신경 쓰지 않기 때문입니다. 당신은 일이 미래에 어디로 갈지 걱정합니다. 센서의 정보는 미래를 예측하는 실제 목표를 향한 단서일 뿐입니다. 무언가가 어디에 있고 얼마나 빨리 움직이는지 아는 것은 좋은 시작이지만 그것이 어디에 있는지 아는 것만큼이나 중요합니다. 도로 위나 근처에 있는 대부분의 물체는 탄도가 아닙니다. 사람이 책임지고 경로를 변경할 수 있습니다. 그렇기 때문에 오늘날 연구의 핵심 영역 중 하나는 도로 위의 다른 사람들, 특히 인간이 무엇을 할 것인지 예측하는 능력을 향상시키는 것입니다. 이는 운전 행동을 아는 것에서부터 모퉁이에 서 있는 보행자가 횡단보도에 진입하려고 하거나 웹서핑을 하고 있는지 파악하는 것까지 다양합니다.

여러 팀이 큰 발전을 이루었지만 사람들이 다른 사람을 예측하는 오늘날의 로봇보다 더 나은 것으로 나타났습니다. 이를 더 잘하는 것은 특히 바쁜 도시와 같은 더 복잡한 환경에서 해야 할 일 목록의 주요 문제 중 하나입니다. 미래를 예측하는 것은 또한 다른 사람들이 자신의 움직임과 예측된 다른 사람들의 움직임에 어떻게 반응할지 예측하는 것을 포함합니다. 차선 병합 또는 보호되지 않은 좌회전은 기브 앤 테이크가 있는 춤이 될 수 있으며 로보카는 지속적으로 개선하려고 노력할 것입니다.

더 빠르게 감지

센서는 실제 목표를 위한 수단일 뿐일 수 있지만 센서가 더 잘 수행될수록 그 미래를 더 잘 예측할 수 있습니다. 팀은 인식과 예측을 더 빠르게 하기 위해 센서를 더 빠르게 만드는 방법을 찾고 있습니다. 한 가지 중요한 것은 움직이는 물체의 속도를 아는 것입니다. 레이더는 이를 알려주지만 여러 프레임을 보지 않는 한 카메라와 구형 LIDAR는 그렇지 않습니다. 일부 최신 LIDAR는 속도와 거리를 알려줍니다. 여러 프레임을 보는 것은 적어도 프레임을 찍는 것만큼 시간이 걸리지만 일반적으로 더 오래 걸립니다.

문제가 될 수 있는 한 가지 상황은 더 큰 차량 뒤에 있는 고속도로에서 이동하는 것입니다. 그 차량 앞에 갓길에 멈춰선 트럭이 차선에 달라붙어 있다고 상상해 보십시오. 그것은 사고와 긴급 차량에서 많이 발생합니다. 갑자기 앞의 큰 차가 장애물을 피하기 위해 우회전하고, 처음으로 멈춰 있는 트럭을 보게 됩니다. 제동을 걸거나 방향을 틀 시간이 많지 않으며 갈 곳도 없을 수도 있습니다. 실제로 움직이지 않는지 확인하기 위해 3개 프레임의 비디오를 봐야 한다면 그것은 아마도 1/10초가 낭비되는 것이며 이것이 중요할 수 있는 상황입니다. 그래서 많은 팀이 그 우위를 점할 수 있는 방법을 찾고 있으며 대부분 LIDAR에서 "도플러"를 측정하여 레이저로 부딪히는 모든 것의 속도를 알 수 있다는 것을 발견했습니다. 레이더도 속도를 알고 있지만 세상은 레이더를 반사하는 정지된 물체로 가득 차 있고 정지된 차량과 옆에 정지된 가드레일을 구별하기 어렵습니다.

먼 길을 가다

한 유명한 팀이 Tesla인 이유를 간단히 언급하겠습니다.TSLA
– 아직 준비가 되지 않았다는 것은 그들이 의도적으로 문제를 더 어렵게 만들려는 것입니다. 모든 팀이 컴퓨터 비전을 많이 사용하지만 Tesla는 2016년부터 컴퓨터 비전과 카메라만으로 작동하도록 만들고자 합니다. 대부분의 다른 팀도 더 나은 카메라, LIDAR, 레이더 및 지도를 도구 상자에 추가합니다. Tesla는 더 저렴하게 할 수 있는 비전 혁신을 원합니다. 그들은 그 모든 추가 도구가 주의를 산만하게 한다고 말합니다. 그러나 나머지 업계는 더 많은 비용이 든다면 모든 도구를 사용하여 더 빨리 완료하기를 원하며 Tesla가 스스로를 손상시키고 있다고 생각합니다. 지금까지 제품의 품질을 기준으로 볼 때 Tesla FSD는 심각하게 뒤쳐져 있습니다. 경주는 끝나지 않았지만 다른 사람들은 옳았습니다.

XNUMX부입니다. XNUMX부에서는 도로의 훌륭한 시민이 되는 것, 로보카가 한 번에 모든 곳이 아니라 한 번에 한 마을에 배치되는 이유, 승객을 태우기 위해 차를 세우는 것과 같은 일상적인 물류를 처리하는 문제, 비즈니스 모델, 정부와 대중이 당신을 받아들이도록 하는 동시에 안전에 대해 너무 많이 걱정합니다. 또한 작업 중이지만 실제 배포를 방해하는 요소는 아닌 몇 가지 요소를 나열합니다. 앞으로 나올 XNUMX부를 찾아보세요.

일부는 2022년에 로보카가 없거나 타지 않는다는 사실이 개발이 예정보다 훨씬 늦어지고 있음을 의미한다고 생각합니다. 실제로 심각한 일정은 없었고 희망만 있었지만 사실 이 문제 목록은 낙관론을 암시합니다. 왜냐하면 이러한 나머지 문제는 일반적으로 다루기 쉬운 것처럼 보이기 때문입니다. 대부분의 문제를 처리하려면 돌파구가 아닌 노력과 돈이 필요합니다.

동영상과 텍스트 형식의 XNUMX부도 기대해 주세요.

이 페이지나 동영상 페이지에 댓글을 남길 수 있습니다.