Autonomiczne roboty/samochody – dlaczego jeszcze tam nie dotarliśmy?

Autonomiczne samochody są najbardziej znanym przykładem autonomii robotów, a wiele dużych firm (Waymo, Nuro, Motional czy TESLA) wciąż przesuwa granice tej technologii. Kapitalizacja rynku autonomii została wyceniona na 76,13 miliarda dolarów w 2020 roku i przewiduje się, że osiągnie 2 161,79 miliarda dolarów do 2030 roku. Jednak pomimo wszystkich wysiłków i obietnic składanych od lat, autonomiczne roboty działają tylko w ograniczonych obszarach lub przy ograniczonej odpowiedzialności. Przyjrzyjmy się, co nadal nas blokuje i co możemy zrobić, aby uczynić to rzeczywistością.

Wysoce wyspecjalizowane czy ogólne roboty

W codziennym życiu otaczają nas liczne wyspecjalizowane maszyny, które pomagają nam np. zrobić kawę czy przewożą nas kilka pięter w górę lub w dół, ale nadal nie obserwujemy rozwoju robotów, jaki przewidywało wiele powieści science fiction. Większość robotów, które obecnie wykorzystujemy, jest wysoce wyspecjalizowana, co oznacza, że są przeznaczone do konkretnych, zazwyczaj powtarzalnych zadań, takich jak podnoszenie i odkładanie przedmiotów na liniach produkcyjnych.

Chcielibyśmy zobaczyć roboty, które mogą swobodnie poruszać się po świecie, pomagając nam w uciążliwych, ale różnorodnych czynnościach, których ludzie nie chcą już wykonywać. Kto nie chciałby mieć robota domowego (takiego jak nasz Maddie Robot), który pomagałby w codziennych obowiązkach, takich jak sprzątanie, pranie czy ogólna pomoc w codziennym życiu? Autonomia jest zatem kluczowym składnikiem, który mógłby ułatwić nasze życie i pozwolić robotom stać się częścią naszego społeczeństwa.

Autonomia robotów jest już wśród nas

Rozważając wyzwania związane z autonomią, powinniśmy spojrzeć na podobne zastosowania, w których roboty są już wykorzystywane na znacznie większą skalę. Roboty sprzątające są przykładem autonomicznych robotów, które poczyniły ogromne postępy. Jeszcze kilka lat temu takie roboty zatrzymywały się na niemal każdej przeszkodzie, a powrót do bazy był raczej pobożnym życzeniem niż rzeczywistością. Dziś te roboty są zaskakująco niezawodne, na bieżąco aktualizują mapę mieszkania, potrafią się relokalizować i znaleźć trasę omijając większość przeszkód. Mimo że nasze domy to środowiska statyczne, z niewielką liczbą zaskakujących zmian, roboty wciąż potrafią się zaklinować i zajęło im lata, aby osiągnąć obecny poziom autonomii. W końcu, jeśli coś pójdzie nie tak, robot po prostu się zatrzyma, nie powodując większych szkód dla mienia czy mieszkańców.

Droga do autonomicznych samochodów

Skali działania autonomicznych samochodów nie da się porównać z robotami sprzątającymi — ich działanie jest bardziej skomplikowane na wielu poziomach, zaczynając od złożoności samego pojazdu, a kończąc na złożoności otoczenia. To właśnie ta ostatnia jest jednym z powodów, dla których wciąż nie widzimy powszechnie autonomicznych samochodów. Samochody autonomiczne potrafią radzić sobie z większością typowych przypadków, ale zawsze pojawiają się nowe sytuacje, które zaskakują nawet ludzkich kierowców. Trudno sobie wyobrazić, jakie rzadkie przypadki mogą wystąpić na drogach, a jeszcze trudniej odpowiedzieć, czy możliwe jest stworzenie zestawu danych, który obejmie pełne spektrum takich sytuacji. Następnie te źle obsłużone przypadki są analizowane, aby rozwiązać tzw. „długi ogon autonomii”, co zajmuje dużo czasu.

Patrząc na te same przypadki, ludzie wciąż radzą sobie znacznie lepiej w nietypowych sytuacjach niż roboty, a jednocześnie nie oczekuje się od nich perfekcji. Kierowcy powodują wiele niebezpiecznych sytuacji na drogach, a nawet kolizji… ale już się do tego przyzwyczailiśmy i nie oczekujemy niczego innego, podczas gdy od autonomicznych samochodów oczekuje się perfekcji. To powszechne przekonanie tworzy rozbieżność między tym, co technologia może zaoferować, a tym, co zostało obiecane, co nie pomaga wprowadzać tej technologii na rynek.

Prawda jest taka, że autonomiczne samochody wciąż mają średnio więcej wypadków niż kierowcy-ludzie (9,1 wypadków samochodów autonomicznych na milion przejechanych mil w porównaniu do 4,1 wypadków na milion mil przejechanych przez ludzi). Jak się okazuje, sposób, w jaki roboty radzą sobie z różnymi sytuacjami na drodze, ma ogromne znaczenie, ponieważ jazda w innym stylu niż ludzki sprawia, że robot staje się mniej przewidywalny, co wpływa na ogólne bezpieczeństwo na drogach i skutkuje tym, że większość kolizji to uderzenia w tył pojazdu. Jednak sprawienie, by roboty poruszały się bardziej jak ludzie, wiąże się z tym, że zaczynają łamać drobne przepisy, jak np. niepełne zatrzymanie się na znaku STOP (co ludzie robią nagminnie). Biorąc pod uwagę, że kultura jazdy różni się między krajami, może autonomiczne samochody powinny mieć AI potrafiące np. trąbić, żeby poruszać się po Indiach?

Nowe badania przynoszące nowe możliwości dla jazdy autonomicznej

Nie ma wątpliwości, że liczba wyzwań związanych z autonomią przekroczyła zbyt optymistyczne oczekiwania z początku badań nad tą technologią. Jednocześnie wciąż obserwujemy pojawianie się nowych problemów, które wymagają rozwiązania.

Zagłębmy się więc, jakie techniki pojawiają się obecnie, które mogą pomóc nam skalować nasze rozwiązania, pamiętając, że większość firm dysponuje ogromną ilością danych, ale nie mogą skalować się w nieskończoność pod względem liczby inżynierów autonomii. Pierwszym narzędziem, które przychodzi na myśl, jest symulacja, która pozwala weryfikować cały stos decyzyjny autonomii w przygotowanych scenariuszach. Jednak luka między symulacją a rzeczywistością była (i nadal jest?) czynnikiem ograniczającym, które części stosu autonomii można zweryfikować. Całkiem niedawno społeczność zajmująca się komputerowym widzeniem pokazała świetny kierunek dzięki NeRF, który już wygląda na przełom w tej dziedzinie. NeRF może wykorzystać zestaw zdjęć i stworzyć fotorealistyczną rekonstrukcję 3D, która może być podstawą do prawdziwej symulacji. Środowisko zajmujące się autonomią nie pominęło tej innowacji — Waymo zaprezentowało rekonstrukcję obszaru San Francisco stworzoną z 2,8 miliona zdjęć. NeRF to tylko przykład pokazujący, że firmy pracujące nad autonomią już teraz przesuwają granice tego, co jest znane, i mogą korzystać z najnowszych osiągnięć nauki.

To tylko jeden z przykładów, kiedy klasyczne, głównie oparte na geometrii podejścia, takie jak SfM, są powoli zastępowane metodami trenowanymi. Niektóre obszary wciąż opierają się rewolucji sieci neuronowych, jak rozwiązania SLAM oparte na obrazach. Jednak niektóre aspekty SLAM, takie jak detekcja cech, ich opisywanie, a nawet dopasowywanie, są już zdominowane przez metody trenowane, takie jak SuperGlue, które ma już dwa lata, ale wydaje się, jakby istniało od zawsze.

Podczas gdy początkowo optymistyczne podejścia do sieci end-to-end nie sprawdziły się, widzimy nowy, ekscytujący trend, w którym klasyczna struktura komponentów SLAM staje się podstawą do tworzenia ich odpowiedników w sieciach neuronowych. DROID-SLAM jest świetnym przykładem pokazującym, że klasyczne know-how może wzmocnić komponenty oparte na sieciach neuronowych, osiągając wyniki na poziomie state-of-the-art, przebijając nawet ORB-SLAM3 na zbiorze danych EuRoC MAV. Komponenty oparte na sieciach neuronowych (lub przynajmniej trenowane) są przyszłością, ponieważ ograniczają potrzebę ręcznego dostrajania parametrów, które było czasochłonne, ale kluczowe dla działania pierwszych systemów SLAM. Co więcej, podejścia oparte na uczeniu maszynowym dobrze skalują się wraz z danymi, które firmy już zebrały. W ostatnim czasie coraz częściej słyszymy głosy, że powinniśmy mieć więcej trenowanych komponentów, takich jak planery, lub że nasze klasyczne techniki nie są jeszcze na odpowiednim poziomie, aby rozwiązać problem. Można wręcz powiedzieć, że obecnie wszystko, co nowe, musi być różniczkowalne, aby można było to trenować.

Autonomia robotów to przyszłość!

Niezależnie od tego, czy skłaniasz się ku klasycznym, czy trenowanym technikom, wszyscy zgadzają się, że zebrane dane do autonomii są kluczowym czynnikiem umożliwiającym w ogóle myślenie o uczynieniu robotów autonomicznymi — i inwestorzy to doceniają. Wyścig wciąż trwa, a liczba możliwych zastosowań autonomicznych robotów jest praktycznie nieograniczona. Co ciekawe, techniki oparte na danych, takie jak sieci neuronowe, powinny pozwolić nawet mniejszym firmom skutecznie konkurować z dużymi korporacjami, przesuwając granice tego, co możliwe do osiągnięcia. Daj nam znać, czy zgadzasz się z naszą oceną obecnego stanu autonomii robotów! Chętnie zobaczymy, kto miał rację za 5–10 lat, ale co do jednego jesteśmy pewni — autonomiczne roboty wkrótce staną się częścią naszego życia.