Od početaka i tempomata koji regulira brzinu vozila, tehnologija autonomne vožnje razvija se do automobila koji uz pomoć sustava umjetne inteligencije mogu samostalno doći s jednoga mjesta na drugo.

Tako je, uz obradu prirodnog jezika, jedno od najpropulzivnijih područja razvoja sustava umjetne inteligencije danas računalni vid. Računalni sustav programira se kako bi prepoznao što se nalazi na slikama koje obrađuje, a da bi mogao reagirati na odgovarajući način – u slučaju autonomne vožnje, sustav mora moći pratiti stanje u prometu, prometne znakove, pješake…

Tehnologija je brzo napredovala, pa tako na nekim od ulica svjetskih gradova, poput San Francisca ili kineskog Wuhana, već voze eksperimentalni robotaksiji, automobili bez vozača, koji putnika poput klasičnog taksista prevezu gdje je potrebno.

Više o ovoj tematici upitali smo dr. sc. Sinišu Šegvića, redovitog profesora na Zavodu za elektroniku, mikroelektroniku, računalne i inteligentne sustave zagrebačkog FER-a. O razvoju tehnologije autonomne vožnje, svojoj suradnji s Rimac Automobilima i drugim tvrtkama te budućnosti vožnje, govori nam profesor Šegvić.

Krizne situacije

Razvojem računalnog vida bavite se osam godina. Metoda vašeg istraživačkog tima Ladder DenseNet kojom računalni sustav prepoznaje slike, a onda i okolinu, požela je odličan uspjeh?

– Metode računalnog vida za razumijevanje scene svakom djeliću slike pridružuju odgovarajuće značenje, na primjer, automobil, cesta, nebo i slično. Danas taj problem rješavamo dubokim statističkim modelima koji mogu »učiti« na označenim primjerima.

Moja istraživačka grupa počela je proučavati taj problem 2015. godine. Dvije godine kasnije objavili smo prvu inačicu metode Ladder DenseNet na kojoj je doktorirao Ivan Krešo. U to doba, točnost naše metode bila je usporediva sa stanjem tehnike, međutim nudila je za red veličine manju računsku složenost.

Zbog toga smo među prvima mogli ponuditi ugradnju u robotičke sustave s baterijskim napajanjem. Nastavke tog istraživanja objavili smo na najprestižnijim konferencijama u području računalnog vida kao što su CVPR i ECCV.

Ostvarili smo uspjehe na nekoliko međunarodnih natjecanja u području semantičke segmentacije kao što su drugo mjesto na natjecanju Robust Vision Challenge 2018, prvo mjesto na natjecanju Robust Vision Challenge 2020. te prvo mjesto na natjecanju Vision for All Seasons 2022. Neke od tih rezultata transferirali smo u tvrtku Romb Technologies.

Na čemu trenutno radite?

– Naš trenutni rad u okvirima znanstvenog centra izvrsnosti Datacross i istraživačkog projekta Adept Hrvatske zaklade za znanost razmatra otpornost na anomalije te učenje na nepotpuno, odnosno nekompatibilno označenim slikama.

Naš budući rad proučavat će statističke modele koji vizualne i jezične koncepte prevode u objedinjeni semantički prostor. Očekujemo da će ti pristupi dovesti do još uzbudljivijih razina kompetencije u različitim zadacima računalnog vida.

Pored toga, upravo je započeo projekt EICACS koji se financira iz Europskog obrambenog fonda, na kojem zajedno s grupom profesora Lončarića istražujemo otpornost dubokih modela na kibernetičke napade.

Koliko je zahtjevno isprogramirati sustav umjetne inteligencije da prepoznaje okolinu?

– Tamo negdje 2017. godine algoritmi računalnog vida pokazali su jasan potencijal za podržavanje autonomne vožnje pod pretpostavkom dovoljno velikog skupa označenih podataka za učenje. Međutim, pokazalo se da je prikupljanje podataka vrlo skupo i organizacijski zahtjevno.

Posebno su nezgodni rubni slučajevi koji se odnose na manje od 1 posto realnih scenarija, a na koje otpada nesrazmjerno velik dio ukupnog razvojnog napora. Tim problemima pokušavamo doskočiti učenjem iz neoznačenih slika, procjenom neizvjesnosti predikcija te učenjem na umjetnim slikama.

Na koji se način računalni sustav uči kako bi se mogao nositi sa složenim situacijama u prometu?

– Autonomna vožnja sastoji se od strojne percepcije i inteligentnog upravljanja. Inteligentno upravljanje zaduženo je za provođenje manevara kao što su pregovaranje s drugim vozilima tijekom prestrojavanja ili pješacima koji prelaze cestu na neoznačenim prijelazima.

Inteligentni obrasci ponašanja u prometu mogu se strojno naučiti u simulacijskim eksperimentima, bez eksplicitnog zadavanja prometnih pravila. Ovdje se mogu koristiti slične tehnike kao i za učenje modela za igranje šaha ili igre go, a znamo da u tim igrama naučeni modeli već i danas uvelike nadmašuju ljude.

Što je s predviđanjem ponašanja drugih sudionika u prometu? Kako u tom pogledu stoje autonomna vozila?

– Autonomni automobili mogu reagirati brže od ljudi, ali i dalje se moraju pokoriti zakonima fizike koji propisuju da je zaustavni put proporcionalan kvadratu brzine. Zbog toga autonomni automobili moraju uzeti u obzir percepciju trenutnog stanja scene, kao i moguće buduće razvoje događaja. Vozilo mora prilagoditi brzinu tako da procijenjeni rizik ostane u prihvatljivim granicama.

Razine automatizacije

Kako se programira sustav da odluči u situacijama u kojima mora birati između sigurnosti vozača te ljudi izvan automobila?

– U većini kriznih situacija putnici autonomnih automobila imaju puno bolje izglede od pješaka i biciklista. No, autonomni automobili morat će posebno paziti na sigurnost ranjivih sudionika u prometu jer će javnost i zakonodavci prema njima biti stroži nego prema ljudskim vozačima.

Ipak, ne treba očekivati ni da bi autonomni automobil ugrozio svoje putnike zbog tuđih grešaka. U svakom slučaju, treba uzeti u obzir da autonomni automobili mogu ponuditi bržu i bolju kriznu reakciju od nas ljudi.

Kako bi sustav umjetne inteligencije u automobilu reagirao da se dogodi nešto za što ga programeri nisu pripremili?

– Ovisno o procijenjenoj ozbiljnosti situacije, automobil bi usporio ili pokrenuo proceduru kočenja u slučaju nužde. Proizvođač automobila dobio bi automatsku dojavu o incidentu te bi imao priliku popraviti problem u budućim verzijama navigacijskog programa.

Zakonodavac bi trebao tražiti uvid u geolokacije svih autonomnih automobila u stvarnom vremenu te na temelju tih podataka donositi informirane zaključke o razini kompetencije raspoređenih autonomnih vozila.

Društvo automobilskih inženjera, SAE International, navodi pet razina automatizacije vozila. Možete li nam reći više o njima i do koje je razine stigao najveći broj tvrtki/proizvođača?

– Prve tri razine automatizacije SAE 1 do SAE 3 možemo opisati kao oblike asistiranja vozača. Vozila razine 3 mogu sama voziti, ali vozač u svakom trenutku mora biti spreman preuzeti upravljanje. Ako se dogodi nesreća – odgovoran je vozač.

Mercedes je u siječnju certificirao prvo serijsko vozilo razine SAE 3 na američkom tržištu. Nije jasno koliko je taj uspjeh značajan jer većina ostalih proizvođača planira s razine 2 izravno ići prema razini 4.

Predstavnike razina SAE 4 i SAE 5 možemo opisati kao autonomne automobile. Ta vozila mogu sudjelovati u vožnji bez da itko sjedi u vozačevom sjedalu. Ako se dogodi nesreća – odgovoran je proizvođač. Automobili razine 4 ne moraju moći navigirati po svim cestama i svim atmosferskim uvjetima. Automobili razine 5 moraju moći voziti svuda gdje to mogu i ljudi.

Patentne prijave

U nekim gradovima svijeta robotaksiji su već na cestama.

– Eksperimentalna usluga prijevoza u bespilotnim taksijima razine četiri dostupna je u San Franciscu, Austinu, Phoenixu i nekim kineskim gradovima. Radi se o vozilima koja se mogu kretati samo unutar detaljno kartiranih područja te čija se percepcija temelji na većem broju skupih laserskih senzora. Iskustva pokazuju da su ta vozila nešto manje agilna od ljudi, ali razlika se smanjuje.

Surađujete s Rimac Automobilima. Koliko nam možete reći o toj suradnji?

– Rimac automobili financirali su istraživanje u području semantičkog prognoziranja u cestovnim scenama od 2018. do 2022. Zadatak je bio pogoditi kako će izgledati sadržaj buduće scene analizom slika iz prošlosti.

Istraživanje je pokazalo ohrabrujuću izvedbu prognoziranja do malo manje od 1 sekunde unaprijed. Ukupna vrijednost projekta bila je sto tisuća eura, a omogućila je financiranje jednog doktoranda, nabavu opreme te predstavljanje rezultata na konferencijama.

Rezultati projekta objavljeni su na vrhunskoj konferenciji CVPR te časopisu IEEE Transactions on Neural Networks and Learning Systems. Osim toga, podnesene su patentne prijave u četiri države.

Koliko će umjetna inteligencija promijeniti budućnost vožnje?

– Dugoročne prognoze su neprecizne, pogotovo kada razvoj cestovnog prometa prognozira inženjer računarstva. Ipak, mogu vam prikazati moju viziju budućnosti. Za nekoliko godina, na našim ulicama počet ćemo sretati automobile bez vozača.

Ispočetka će ih biti malo, kretat će se sporo i nećemo ih baš voljeti jer će stvarati gužve. Međutim, ubrzo će autonomni automobili početi voziti jednako dobro kao i ljudi, a usto će pružati bolju sigurnost.

»Nepametni« automobili još dugo će ostati na cestama, posebno u zemljama gdje vlakovi voze sporije od bicikla, ali njihov broj znatno će se smanjiti. Bit će manje gužvi i više mjesta na parkiralištima.

Pojava autonomije razine 4 korjenito će promijeniti poslovni model automobilske industrije jer će privatni automobili obavljati prijevozničke usluge kad ih vlasnici ne budu trebali. Umjesto da trunu na parkiralištu, automobili budućnosti svojim će vlasnicima stvarati profit. Konačno, dobit ćemo više mobilnosti i više sigurnosti za manje energije.

Značajan i inovativan projekt u Hrvatskoj

Radna skupina Ministarstva prometa radi na izmjenama Zakona o prijevozu u cestovnom prometu kojima bi se zakonski omogućilo uvođenje autonomnih taksi-vozila u svakodnevnu upotrebu. Hoćemo li vidjeti robotaksije u Zagrebu tijekom 2024.?

– Dobro je da postoji progresivan pristup i da se na vrijeme promišljaju okviri koji bi uredili uvođenje autonomnih usluga koje čine budućnost mobilnosti. Domaća tvrtka Project 3 Mobility radi na razvoju jednog takvog rješenja.

Ako se materijalizira potpora EU fondova, na dijelu tog projekta surađivao bi i Fakultet elektrotehnike i računarstva Sveučilišta u Zagrebu. Nezahvalno bi bilo prognozirati kada će se pojaviti prvi prototip i koliko će biti uspješan.

Kad bi to bilo lako izvesti – današnji operatori robotičkih taksija ne bi bili eksperimentalni i ne bi poslovali s ogromnim gubitkom. No, drago mi je da se tako značajan i inovativan projekt događa u Hrvatskoj!

Velik izazov autonomnim vozilima je i percepcija javnosti

– Pored poteškoća vezanih uz prikupljanje primjera za učenje, veliki izazov autonomnim vozilima predstavlja i percepcija javnosti. Zbog toga proizvođači eksperimentiraju s manjim brojem probnih vozila koja su isprogramirana da izbjegavaju rizik i tako ponekad smetaju u prometu.

Iako su braća Wright poletjela još 1903. godine, prvi komercijalni let dogodio se tek 11 godina kasnije. Avioni su vrlo složeni sustavi koje nije lako optimalno ugoditi. Isto vrijedi i za autonomne automobile, ističe prof. dr. sc. Siniša Šegvić.