Avtomatik nəqliyyat vasitələri sürməni necə öyrənir? Simulyasiyanın kölgə məktəbi

Otonom vasitələr idmanetməni real yollarda yox, əsasən simulyasiyada öyrənir: milyardlarla kilometrlik virtual dünyada milyonlarla dəfə sınaıb səhv edən süni intellekt real yol məlumatı ilə birləşəndə gündəlik trafikdə qərar verməyi öyrənir. Amma virtualda parlayan bir sürücünün asfaltda eyni performansı göstərməyəcəyini bilmək də öyrənmək qədər vacibdir. Budur o maraqlı gərginliyin bütün hekayəsi.

Otonom vasitə idmanetməni simulyasiyada necə öyrənir?

İnsanlar maşın sürməyi yolda öyrənir; süni intellekt isə əksər hallarda kompüterin içində. Otonom sürüş sistemləri qayda əsaslı deyil, məlumatdan öyrənən ehtimalli modellərlə işləyir. Yəni bir mühəndis "qovşaqda belə davran" deyə kod yazmır; sistem milyonlarla nümunəyə baxıb davranışı özü öyrənir. Bu nümunələrin əhəmiyyətli hissəsi simulyasiyadan gəlir.

Proses təxminən belə gedir:

1. Real məlumat toplanır: Test vasitələri yollarda dolaşarkən kamera, radar və lidar məlumatı qeyd edir; həmçinin saatda ~4 terabayt istehsal edən bu məlumat bir həftədən qısa müddətdə petabayt həcminə çatır.
2. Məlumat virtual dünyaya çevrilir: Neyron yenidən qurma texnikaları real çoxsensörlü sürüş qeydlərini yüksək dəqiqlikli 3D mühitlərə çevirir. Generativ dünya modelləri də hava, işıq və nadir ssenari variasiyaları əlavə edir.
3. Süni intellekt sına-səhv ilə öyrədilir: Gücləndirməli öyrənmə sayəsində sistem zolaq dəyişmə, ötmə və yol vermə kimi davranışları virtual trafikdə dəfələrlə sınayır; yaxşı nəticə alan davranışlar mükafatlandırılır.
4. Təhlükəsizlik testi aparılır: Siyasətlər real yolda istifadə edilməzdən əvvəl proqram-dövrdə (SIL), avadanlıq-dövrdə (HIL) və real vasitə ilə (VIL) kimi mərhələli testlərdən keçir.

Bəs süni intellekt əslində nə öyrənir? Obyekt tanımadan konvolyusiya neyron şəbəkələri (CNN), digər vasitələrin və piyadaların 3-5 saniyə sonrakı hərəkətini proqnozlaşdırmada Transformer-lər, qovşaq qarşılıqlı əlaqələrində isə qrafik neyron şəbəkələri önə çıxır. Bəzi sistemlər isə xam sensor məlumatından birbaşa sükan və əngi öyrənən ucdan uca memarlardan istifadə edir - amma bunlar sertifikasiya problemlərinə görə hələ də eksperimental sayılır.

11 milyard mil problemi: Simulyasiya niyə zəruridir?

Bax, işin riyaziyyatı amansızdır. İnsan səviyyəsində bir xəta dərəcəsinə çatmaq üçün otonom vasitələrin təxminən 11 milyard mil etməli olduğu hesablanır. Fiziki testlə bunu tamamlamaq yüzlərlə il çəkər - yəni heç kim gözləyə bilməz. Bu səbəbdən sektor simulyasiyaya məcburdur: təhlükəsizlik sübutunun böyük hissəsi yalnız virtual dünyada istehsal oluna bilər. Sürücü təlim simulyatoru bazarının belə 2026-ci ildə 2,2 milyard dollar dəyərində olduğu və 2033-cü ilə qədər 3,0 milyard dollara çatmasının gözlənildiyini əlavə etsək, bu, bir mod deyil, sənayenin əsas infrastrukturudur.

Virtual dünyanın super gücləri

Simulyasiyanın ən böyük üstünlüyü, real dünyada mümkün olmayan şeyləri dəfələrlə sınamaq imkanıdır. Yola qəfil çıxan bir piyada, qəfil yolan kəsən bir avtomobil, gecə qaranlığında sönmüş faralar, sıx duman, günəş parıltısı... Bunların hamısı virtual mühitdə təhlükəsiz şəkildə və eyni şəraitlərdə təkrarlana bilən formada sınaqdan keçirilir. Sensor sıradan çıxmaları belə simulyasiya oluna bilir: ön kameranın korlandığı bir ssenarini real yolda qurmaq həm təhlükəli, həm də bahadır; virtualda bir neçə klik.

McCity-nin işi buradaki ağıllı bir gedişi göstərir: Simulyasiya edilmiş pis sürücülərlə yaradılan virtual test mühiti, təcili qərar vermə bacarığını inkişaf etdirmək üçün "nadirlik lənətini" qırır. Real həyatda ildə bir dəfə rastlaşacağın bir ssenarini virtual dünyada gündə min dəfə yaşaya bilərsən. Əlavə olaraq bəzi istifadə sahələrində təhlükəsizlik təsdiqi yalnız simulyasiya ilə aparıla bilir - yəni rəsmi sertifikasiya prosesi belə artıq virtual dünyadan asılıdır.

Tesla və Waymo: İki fərqli məktəb, eyni dərsdəmi?

Sektorun iki öncüsü sürməni iki fərqli şəkildə öyrədir. Fərqi bir cədvəldə ümumiləşdirək:

Tesla-nın strategiyası cəsarətlidir: lidarı və xəritə infrastrukturunu sıradan çıxarıb hər şeyi kamera məlumatı ilə öyrənən tək bir memarlığa həvalə edir. Bunun üstünlüyü miqyasdır - yoldakı hər Tesla bir müəllimdir. Waymo isə daha zəngin sensor məlumatı ilə işləyir və özünün də nə qədər simulyasiya və ya test sürücüsü olursa olsun bunun tək başına kifayət etmədiyini vurğulayır. Maraqlı olan budur: iki yanaşmanın düşünüldüyündən daha bənzər olduğu fikri də güclüdür. Çünki Waymo da hər obyekti təmsil etməyin ən yaxşı yolunu məlumat əsaslı təlimlə öyrənir. Fərq, qavrayışa daxil olan məlumatın zənginliyindədir.

Waymo-nun dünya modeli addımı

Fevral 2026-da Waymo, avtonom sürüş simulyasiyası üçün yeni bir dünya modeli elan etdi. Şirkətin təxminən 200 milyon tam avtonom mili və milyardlarla virtual mil artıq daha realistik virtual dünyalar yaratmaq üçün xammal kimi istifadə olunur. Xronologiya da təsir edicidir: 2016-cı ildə 2,5 milyard simulyasiya edilmiş mil var idi, 2018-ci ildə 6 milyardı keçildi, 2020-ci ildə 15 milyardı aşdı və bu gün 20 milyarddan yuxarıdayıq. Sadəcə bir yanıp sönen sarı işıq belə minlərlə saatlıq virtual təcrübəyə çevrilə bilər.

Sim-to-real uçurumu: Virtualda parıldayan sürücü yolda niyə döyünür?

İşte məqalənin ürəyi buradadır. Simulyasiyada mükəmməl işləyən bir davranış real dünyada niyə eyni nəticəni verməyə bilər? Bu fərqin adı sim-to-real gap - simulyasiya-real uçurumu. Səbəblər dört başlıqda toplanır:

• Vizual sahə fərqi: Virtual qrafiklər real işığı, toxumanı və yaz istisindəki asfalt parıltısını bir-birini əvəz edəcək dərəcədə təqlid edə bilmir.
• Fizika yaxınlaşdırma xətası: Simulyatorun fizika mühərriki real dünyanın mürəkkəb dinamikasını təxmini hesablayır.
• Sensor küyünün uyğunsuzluğu: Real lidar və radar veriləsi çirkli, gecikməli və proqnozlaşdırılması çətin olan bir küy daşıyır.
• Uzun quyruqlu ssenari çatışmazlığı: Real dünyadaki qəribəliklərin hamısı virtual kitabxanaya işlənə bilmir.

Robotika dünyasından gələn aktual tədqiqatlar məhz bunu araşdırır: modelləşdirilməmiş təsirlər, sensor gecikmələri və yanlış parametrlər laboratoriya ulduzunu sahədə uğursuzluğa uğrada bilir. Həll olaraq önə çıxan iki texnika var: domain randomization (virtual dünyada işığı, rəngi, fizikası təsadüfi dəyişdirərək sistem qarşılaşdığı hər variasiyaya davamlı hala gətirilir) və system identification (simulyatorun parametrlərini real dünyadan ölçülən məlumatla kalibrləmək). Trafikdə bunun acı nümunələri yaşandı: 2023-cü ilin avqustunda Kaliforniyada pullu robotaksi icazəsi alan Cruise qısa müddətdə iki ciddi qəza etdi və parkı yarıya endirildi. Simulyasiyada təhlükəsiz görünən bir sistem real dünyada imtahandan elə dərhal qaldı.

Məlumat balanssızlığı və süni intellektin həddindən artıq özünəinamı

İkinci böyük risk daha az görünürdür: təlim məlumatının balanssızlığı. Otonom sürüş qarşısındakı maneələr arasında sayılan bu problem sadə bir məntiqə əsaslanır - məlumat hovuzunda az təmsil olunan hallar, sistemdə az öyrənilmiş hallar deməkdir. Georgia Tech-in tədqiqatı bunun qərəzə çevrilə biləcəyini göstərdi: alqoritmik qərəz səbəbindən otonom avtomobillərin müəyyən qrupları, məsələn tünd dərili piyadaları təhlükəyə ata biləcəyi irəli sürüldü. Bu, texniki bir detal deyil, etik bir həyəcandır.

Üçüncü risk isə süni intellektin xarakteri ilə bağlıdır: Süni intellekt sistemləri yanlış cavablara yüksək etibar balı təyin edə bilir. İnsan kimi "əmin deyiləm" deyə bilmir; özünə inamı təlim məlumatları, model fərziyyələri və geri bildirim dövrləri vasitəsilə insan idrak qərəzlərini belə miras alır. Kənar halların aşkarlanmasında müsbət yanlışlar lazımsız müdaxilələrə, mənfi yanlışlar isə kritik hadisələrin qaçırılmasına səbəb olur. Üstəlik avtomatik yaradılan sintetik etiketlər təhlükəsizlik-kritik təlim üçün hər zaman kifayət qədər etibarlı olmaya bilər. Bir mütəxəssisə görə, etibarlı avtonom avtomobillərə daha 10 il var - və kənar halı səhv idarə edən avtomobildə səhv margini faktiki olaraq sıfırdır.

Simulyasiyaya həddindən artıq güvənməyin bahası nədir?

Bu nöqtədə iki düşərgə üzbəüz dayanır. Tərəfdarlar haqlıdır: 11 milyard mil maneəsi üzündən simulyasiya olmadan təhlükəsizlik sübutu faktiki olaraq mümkünsüzdür. Şübhəçilər də haqlıdır: simulyasiya əsaslı test real dünyadakı bütün ssenariləri həqiqətən əhatə edir mi? Bu sual illərdir açıq qalır. Waymo-nun öz təsdiqi belə simulyasiya həcminin tək başına kifayət etmədiyini nəzərdə tutur. Və sahənin tanınmış simalarından Steve Wozniak qeyri-adi hallarda sükanın ən axmaq insanın belə əlinə keçməli olduğunu müdafiə edir - lağcınc, amca düşünməyə vadar edən bir məqamdır.

Mövcud sürüş simulyasiya metodlarının hədəflənmiş kənar ssenariləri miqyasla writable şəkildə yarada bilməməsi də başqa bir tənqiddir. Yəni "ayrıedici o təhlükəli anı" tapmaq hələ də qismən insan işidir. OpenReview-də paylaşılan tədqiqatlar bu miqyaslama probleminə həll axtarır, amma hələlik tamamlandığını demək çətindir.

Avtonom avtomobillər tamamilə simulyasiyada öyrənib yola çıxa bilərmi?

Qısa cavab: tək başına xeyr. Simulyasiya paha biçilməz bir məşq meydanıdır; amma real yol məlumatları ilə qidalanmadan və mərhələli real dünya testindən keçmədən heç bir sistem yola çıxmır. Bugünkü ən bacarıqlı sistem belə tam avtonom deyil - Tesla-nın FSD-si adının əvvəlindəki "Supervised" yəni "nəzarət altında" ifadəsi ilə sürücünün növbəsini gözləyir. Simulyasiya kölgə məktəbidir; diploma isə real yolda verilir. Ən yaxşı sürücü süni intellekti virtual məşqi real yol təcrübəsi ilə birləşdirən olacaq - və iki dünyanın fərqini heç vaxt unutmayan.

Mənbələr

• Avtomatik Nəqliyyat Vasitəsi Simulyasiyası və Validasiyası
• Avtomatik Nəqliyyat Vasitəsi Simulyasiya Proqramından İstifadənin 6 Səbəbi
• Avtomatik Nəqliyyat Vasitələrində Maşın Öyrənməsi: Tam İzahat
• Waymo World Modeli
• Etibarlı Səfər üçün Sürücüsüz Avtomobil Texnologiyası
• Sim-to-Real Boşluğu Nədir?
• Simulyasiya Edilən Pis Sürücülər ANV Testinin Vaxtını və Maya Dəyərini Azaldır
• Tesla vs Waymo - 5-ci Səviyyə Avtonomluğa Kim Daha Yaxındır?
• Waymo və Tesla-nın Sürücüsüz Sistemləri Düşündüyünüzdən Daha Bənzəyir
• Avtomatik Sürüşdə Kənar Hallar: Aşkarlanma və İdarəetmə
• Araşdırma Alqoritmik Qərəzin Ölümle Nəticələnə Biləcək Nəticələrini Aşkarlayır
• Tam Avtonom Sürüş (Nəzarət Altında)