Warum haben Sie noch kein selbstfahrendes Auto? Diese zweiteilige Serie erklärt die großen verbleibenden Probleme

Die Leute fragen oft: „Wo ist mein selbstfahrendes Auto?“ „Warum habe ich keins und wann kommt es?“ Viele Leute haben das Gefühl, dass ihnen von den späten 20-Jährigen ein Auto versprochen wurde und es spät ist und vielleicht nicht kommt, wie die fliegenden Autos, über die vor Jahrzehnten gesprochen wurde.

Sehen wir uns in dieser aus zwei Artikeln bestehenden Serie (mit begleitenden Videos) die wichtigsten Gründe an, warum Sie heute wahrscheinlich nicht in einem Robocar fahren, und wann dies passieren könnte. Welche zentralen technologischen, rechtlichen und gesellschaftlichen Probleme stehen im Weg und welche Probleme sind eigentlich keine Blockaden?

Für die meisten von uns können diese Autos nicht früh genug hierher kommen. Sie haben das Versprechen, einen beträchtlichen Teil der heutigen Autounfälle zu vermeiden, bei denen jedes Jahr weltweit über eine Million Menschen ums Leben kommen. Sie werden unser Leben einfacher machen und die Prinzipien des Transports neu schreiben. Dabei werden sie unseren Wohnort und die Natur der Stadt sowie Dutzende anderer Branchen von Energie bis Einzelhandel neu schreiben. Jeden Tag, an dem wir es verzögern, diese Dinger in großen Mengen auf die Straße zu bringen, werden Tausende durch die Hände von Menschen sterben, die nicht hätten fahren sollen. Jeden Tag verzögern wir.

Natürlich ist es schwer

Um es klar zu sagen, der Hauptgrund dafür, dass „es so lange dauert“, ist, dass es schwer ist. Eines der großartigsten Software-Forschungsprojekte, die jemals durchgeführt wurden. Es erforderte nicht nur bahnbrechende Software, sondern auch jede Menge Detailarbeit im Unkraut, die sich mit einer Vielzahl von Sonderfällen befasste und die Welt mit all ihren Falten kartografierte. Jeder, der dachte oder glaubt, dass es nach einem Zeitplan geliefert werden kann, liegt falsch und hat noch nie zuvor mit Software gearbeitet. Als Autokonzerne Daten wie 2020 herausgaben, waren das Hoffnungen, keine Vorhersagen, und dass einige Technologieunternehmen das tatsächlich geschafft haben, war erstaunlich. Mehrjährige Projekte, die Durchbrüche erfordern, werden nie genau vorhergesagt.

Niemand mit einem Software-Hintergrund wäre überhaupt schockiert, wenn Vorhersagen für ein so großes Projekt, die vor vielen Jahren gemacht wurden, nicht korrekt sind. Die Dinge sind also nicht „hinter dem Zeitplan“, auch wenn sie die optimistischen Hoffnungen nicht erfüllt haben. Das bedeutet auch, dass in kleineren Schritten vorgegangen wird.

Der größte Blocker ist jedoch, es nicht wirklich zu tun (dh es sicher zu machen), sondern zu wissen, dass Sie es getan haben.

Beweisen, dass Sie es wirklich sicher gemacht haben

Das erste technologische Ziel war es, es einfach möglich zu machen. Ein Auto zu bauen, das sicher selbst fahren kann. Das ist eine gewaltige Leistung, aber zumindest in einigen Städten haben einige Unternehmen das bereits geschafft. Sicherer als der durchschnittliche Mensch zu fahren, wurde von Unternehmen wie Waymo auf den einfachen Straßen von Phoenix erreicht. Das war „der schwierige Teil“ – aber ein noch schwierigerer Teil besteht darin, zu definieren, was Sicherheit ist, sie zu messen und zu beweisen, dass Sie es getan haben. Sie müssen es sich selbst, Ihrem Vorstand, Ihren Anwälten, der Öffentlichkeit und vielleicht sogar der Regierung beweisen. Gerade als der Covid-Impfstoff von Moderna im Februar 2020 fertig war, wartete die Welt vor dem ersten Lockdown 10 Monate – während eine Million Menschen ohne ihn starben – bevor sie den ersten Menschen eine Impfung ermöglichte. Wir haben darauf gewartet, dass sie beweisen, dass sie es getan haben.

Sicherheit zu messen ist ziemlich schwierig. Wir wissen, wie oft menschliche Fahrer Unfälle aller Art haben, von kleinen Dellen bis hin zu Todesfällen. Todesfälle ereignen sich in den USA etwa alle 80 Millionen Meilen oder etwa 2 Millionen Fahrstunden. Wir können nicht jede Softwareversion testen, indem wir sagen: „Lasst sie eine Milliarde Kilometer fahren und sehen, ob sie weniger als das Dutzend Menschen tötet, die sterben würden, wenn Menschen so weit fahren würden.“ Es ist eine unmögliche Distanz, auch nur einmal auf echten Straßen zu fahren, geschweige denn mit jeder neuen Version. Wir fahren vielleicht viel weniger und zählen Dellen und kleinere Unfälle – tatsächlich ist dies das Beste, was wir bisher gefunden haben, weil es zumindest möglich ist – aber wir sind uns nicht sicher, ob dies auch mit Verletzungen durch Roboter zusammenhängt macht mit Menschen.

Viele beginnen den traditionellen Weg der Autoindustrie. Sie testen jede Komponente ihrer Fahrzeuge, um sicherzustellen, dass sie zuverlässig ist und den Spezifikationen entspricht. Sie versuchen dies mit Systemen aus Komponenten, aber diese Methodik wird schwierig, wenn die Dinge komplexer werden. Das nennt man funktionale Sicherheit – sind die Komponenten und Systeme fehlerfrei und meistern sie bekannte potenzielle Ausfälle?

In jüngerer Zeit wurden weitere Anstrengungen unternommen, dies auf eine Systemebene zu bringen und zu versuchen, die „Sicherheit der beabsichtigten Funktionalität“ zu testen. Mit SOTIF arbeiten Teams daran, sicherzustellen, dass ganze Systeme weiterhin funktionieren, sowohl bei Problemen und Komponentenausfällen als auch bei erwartetem Missbrauch. Dies beinhaltet oft die Simulation des gesamten Systems oder von Teilen davon oder eine „Hardware-in-the-Loop“-Simulation, die einfacher und sicherer ist als Live-Tests auf der Straße.

Simulationstests bieten die Möglichkeit, ein System in Millionen verschiedener Szenarien zu testen. Alles, was irgendjemand jemals gesehen oder gehört oder wovon geträumt hat – mit Hunderten von leichten Variationen all dieser Dinge.

Das ist vielleicht am schwierigsten zu testen, aber was Sie am meisten wissen wollen, ist, wie gut ein System auf nie zuvor gesehene Situationen reagiert. Während Sie Simulationstests erstellen können, um zu wissen, dass das Fahrzeug in fast allen erwarteten Situationen gut abschneidet, ist eine große magische Fähigkeit des menschlichen Geistes die Fähigkeit, nie zuvor gesehene Probleme zu bewältigen. KIs können das, aber sie sind nicht ganz so gut. Letztendlich würden wir auf einen Weg hoffen, jeden Tag neue, realistische, gefährliche Szenarien zu erhalten. Es ist gut, dass Ihr Auto heute so programmiert ist, dass es mit allem fertig wird, woran jemals jemand gedacht hat, aber der wahre Goldstandard besteht möglicherweise darin, jeden Tag 20 neue Situationen zu werfen, die es noch nie zuvor gesehen hat, und herauszufinden, dass es die meisten davon bewältigt. Nicht einmal der Mensch kommt mit allen zurecht. Das ist eine Sache, von der ich hoffe, dass sie durch die passiert Sicherheitspool-Projekt, die ich zusammen mit dem World Economic Forum, Deepen.AI und der University of Warwick initiiert habe.

Trotz aller Simulation muss man auch live auf der Straße testen. Niemand wird ein Auto einsetzen, das nicht gezeigt hat, dass es in der realen Welt sehr gut zurechtkommt. Obwohl es teuer ist, hat das System des Einsatzes menschlicher Sicherheitsfahrer zur Überwachung des Robocar-Betriebs tatsächlich eine hervorragende Erfolgsbilanz und gefährdet die Öffentlichkeit im Vergleich zum normalen menschlichen Fahren nicht.

In der Branche überbietet sich jedes Unternehmen, wenn es darum geht, zu beschreiben, wie sehr es sich der Sicherheit verschrieben hat. Es ist ihre Aufgabe, ein sicheres Fahrzeug zu bauen, aber sie geben diese Erklärungen ab, um Beamten und der Öffentlichkeit zu gefallen. Ironischerweise besteht das öffentliche Interesse nicht darin, die sichersten Robocars zu bauen, sondern vielmehr die sichersten Straßen. Robocars sind ein Werkzeug, das sicherere Straßen bringen kann, und je früher sie hier sind, desto früher und besser werden sie das tun. Wenn Beamte ihre Pflicht zur Verbesserung der allgemeinen Straßenverkehrssicherheit ernst nehmen würden, würden sie Unternehmen tatsächlich ermutigen, bei der Sicherheit nicht zu weit zu gehen und sich stattdessen auf den schnellsten Einsatz sicherer Technologien zu konzentrieren – selbst wenn sie weniger tun, um zu beweisen, dass sie sicher sind, wenn der Einsatz gering ist , macht es schneller passieren. Aber das werden sie nie, weil die Gesellschaft auf Fehler und Risiken reagiert.

Eine zweite Komponente der Sicherheit ist die Cybersicherheit. Wir brauchen diese Autos, um gegen Übernahmeversuche robust zu sein. Manche Leute sprechen nicht gerne über Cybersicherheit, aber die Vergangenheit der Autoindustrie war nicht großartig. Dazu gehören nicht nur sichere Praktiken und Tools, sondern auch das sogenannte „Red Teaming“, bei dem ein Team erfahrener White-Hat-Hacker von außen nach Schwachstellen sucht, bis sie keine mehr finden. Ein weiteres wichtiges Werkzeug ist die Minimierung der Konnektivität oder das, was Sicherheitsexperten „Angriffsflächen“ nennen. Viele in der Branche sind besessen von dem, was sie sich unter dem „vernetzten Auto“ vorstellen, und halten die Konnektivität für eine ebenso große Revolution wie das autonome Fahren. Es ist nicht, nicht aus der Ferne. Eine gewisse Konnektivität ist erforderlich, sollte jedoch sparsam eingesetzt werden, damit die echte Revolution sicher bleiben kann.

Eine der größten Herausforderungen beim Testen ist der breite Einsatz von maschinellem Lernen durch alle Robocar-Teams. Maschinelles Lernen ist ein enorm leistungsfähiges KI-Tool, und die meisten halten es für ein wesentliches, aber es neigt dazu, „Black Box“-Tools zu produzieren, die Entscheidungen treffen, die aber niemand vollständig versteht. Wenn Sie nicht wissen, wie ein System funktioniert oder warum es versagt oder das Richtige tut, ist es schwierig, es zu testen und zu zertifizieren. In Europa haben sie Gesetze erlassen, die fordern, dass alle KI auf einer bestimmten Ebene „erklärbar“ sein müssen, aber viele maschinelle Lernnetzwerke sind sehr schwer zu erklären. Das ist beängstigend, aber sie sind so mächtig, dass wir sie nicht aufgeben werden. Möglicherweise stehen wir vor einer Blackbox, die beim Testen doppelt so sicher ist wie ein erklärbares System, und es gibt überzeugende Argumente, die für beide Möglichkeiten sprechen.

Die Zukunft voraussagen

Ein Robocar ist mit Sensoren wie Kameras, Radar, LIDAR-Lasern und mehr bedeckt. Sensoren sind wahrscheinlich der am meisten diskutierte Aspekt der Hardware, aber tatsächlich sagen Ihnen Sensoren überhaupt nicht, was Sie wissen wollen. Das liegt daran, dass Sensoren Ihnen sagen, wo sich die Dinge gerade befinden, aber das interessiert Sie nicht so sehr. Sie kümmern sich darum, wo die Dinge in Zukunft sein werden. Die Informationen der Sensoren sind nur ein Hinweis auf das eigentliche Ziel, die Zukunft vorherzusagen. Zu wissen, wo sich etwas befindet und wie schnell es sich bewegt, ist ein guter Anfang, aber zu wissen, was es ist, ist genauso wichtig, um zu wissen, wo es sein wird. Die meisten Objekte auf oder in der Nähe der Straße sind nicht ballistisch – ein Mensch hat das Sagen und kann den Kurs ändern. Deshalb ist es heute einer der Schlüsselbereiche der Forschung, immer besser vorherzusagen, was die anderen Verkehrsteilnehmer, insbesondere die Menschen, tun werden. Dies kann von der Kenntnis des Fahrverhaltens bis hin zur Feststellung reichen, ob ein Fußgänger, der an der Ecke steht, gerade den Zebrastreifen betritt oder im Internet surft.

Während mehrere Teams große Fortschritte gemacht haben, stellt sich heraus, dass Menschen besser als die heutigen Roboter darin sind, andere Menschen vorherzusagen. Darin besser zu werden, ist eines der Hauptprobleme auf der Todo-Liste, insbesondere in komplexeren Umgebungen wie geschäftigen Städten. Die Vorhersage der Zukunft beinhaltet auch die Vorhersage, wie andere auf Ihre eigenen Bewegungen und die vorhergesagten Bewegungen anderer reagieren werden. Eine Spurverschmelzung oder eine ungeschützte Linkskurve kann ein Tanz mit Geben und Nehmen sein, und Robocars werden ständig versuchen, ihre Leistung zu verbessern.

Schneller erkennen

Sensoren sind vielleicht nur ein Mittel zum eigentlichen Ziel, aber je besser sie sind, desto besser können Sie diese Zukunft vorhersagen. Die Teams versuchen immer noch, Sensoren schneller zu machen, um die Wahrnehmung und Vorhersage zu beschleunigen. Eine Sache, die wichtig ist, ist die Kenntnis der Geschwindigkeit sich bewegender Objekte. Radar sagt Ihnen das, Kameras und ältere LIDARs jedoch nicht, es sei denn, Sie betrachten mehrere Frames. Einige neuere LIDARs können Ihnen sowohl die Geschwindigkeit als auch die Entfernung anzeigen. Das Betrachten mehrerer Frames dauert mindestens so lange wie das Aufnehmen der Frames, normalerweise jedoch länger.

Eine Situation, die ein Problem darstellen kann, ist das Fahren auf der Autobahn hinter einem größeren Fahrzeug. Stellen Sie sich vor, dass vor diesem Fahrzeug ein Lastwagen auf dem Seitenstreifen stehen bleibt und in die Fahrspur eindringt. Das passiert bei Unfällen und Einsatzfahrzeugen sehr oft. Plötzlich biegt das große Fahrzeug vor Ihnen nach rechts ab, um dem Hindernis auszuweichen, und Sie sehen zum ersten Mal diesen stehengebliebenen Lastwagen. Sie haben wirklich nicht viel Zeit, um zu bremsen oder abzubiegen, und Sie haben vielleicht nicht einmal einen Ort, wo Sie hingehen könnten. Wenn Sie sich 3 Frames des Videos ansehen müssen, um zu sehen, dass es sich tatsächlich nicht bewegt, ist das wahrscheinlich 1/10 Sekunde verschwendet, und dies ist eine Situation, in der es wichtig sein kann. Viele Teams suchen also nach Wegen, um diesen Vorteil zu erzielen, und sie haben ihn hauptsächlich in LIDARs gefunden, die „Doppler“ messen können, um die Geschwindigkeit von allem zu ermitteln, auf das sie mit dem Laser treffen. Radargeräte kennen auch Geschwindigkeit, aber die Welt ist voll von angehaltenen Objekten, die Radar reflektieren, und es ist schwer, das angehaltene Fahrzeug von der angehaltenen Leitplanke daneben zu unterscheiden.

Den langen Weg nehmen

Ich werde kurz erwähnen, dass ein Grund ein berühmtes Team ist – TeslaTSLA
– noch nicht so weit ist, dass sie versuchen, das Problem absichtlich zu erschweren. Während jedes Team stark von Computer Vision Gebrauch macht, möchte Tesla, dass es ab 2016 nur noch mit Computer Vision und nur Kameras funktioniert. Die meisten anderen Teams fügen ihrer Toolbox auch bessere Kameras, LIDAR, Radar und Karten hinzu. Tesla will einen Vision-Durchbruch, der es billiger machen kann. Sie sagen, dass all diese zusätzlichen Tools Ablenkungen sind. Aber der Rest der Branche will alle Werkzeuge nutzen, um es früher zu erledigen, wenn auch zu höheren Kosten, und denkt, dass Tesla sich selbst lähmt. Bis jetzt, basierend auf der Qualität des Produkts – Tesla FSD liegt ernsthaft weit zurück – haben die anderen Recht, obwohl das Rennen noch nicht beendet ist.

Das ist Teil eins. Teil zwei befasst sich mit Dingen wie ein guter Bürger der Straße zu sein, warum Robocars in einer Stadt nach der anderen eingesetzt werden, anstatt überall gleichzeitig, und den Problemen bei der Bewältigung alltäglicherer Logistik wie Anhalten zum Abholen von Mitfahrern, Geschäftsmodellen, Apps und sich zu viele Gedanken über die Sicherheit machen, während Regierungen und die Öffentlichkeit Sie dazu bringen, Sie zu akzeptieren. Ich werde auch einige Faktoren auflisten, an denen gearbeitet wird, die aber keine wirklichen Hindernisse für den Einsatz darstellen. Suchen Sie in den kommenden Tagen nach Teil zwei.

Einige glauben, dass die Tatsache, dass sie im Jahr 2022 kein Robocar haben oder darin fahren, bedeutet, dass die Entwicklung weit hinter dem Zeitplan zurückbleibt. In Wirklichkeit gab es nie einen ernsthaften Zeitplan, nur Hoffnungen, aber tatsächlich verheißt diese Liste von Problemen Optimismus, denn diese verbleibenden Probleme scheinen im Allgemeinen beherrschbar zu sein. Harte Arbeit und Geld, nicht Durchbrüche sind erforderlich, um mit den meisten von ihnen fertig zu werden.

Seien Sie gespannt auf Teil zwei, in Video- und Textform

Sie können Kommentare auf dieser Seite oder auf der Videoseite hinterlassen.