Tesla یا Waymo – کدامیک برنده رقابت خودرو های خودران است؟

6 نوامبر, 2021 فناوری یک نظر

کمپانی Tesla را که همه می شناسیم. تولید کننده بزرگ خودرو های الکتریکی که در یک دهه اخیر تحولی عظیم در صنعت خودرو سازی جهان ایجاد کرده است. این کمپانی با نوآوری های شگفت انگیزی که ارائه کرده است، در سال های اخیر در صدر اخبار تکنولوژی جهان جای داشته است.

با پیشرفت علم هوش مصنوعی و پردازش تصویر، توسعه خودرو های خودران هدف اصلی بیشتر تولید کنندگان خودرو و شرکت های دیگر حوزه فناوری قرار گرفته است. این توسعه چنین خودرو هایی چالش عظیمی است که هم از نظر تولید خودرو و هم از نظر قوانین راهنمایی و رانندگی، ذهن کشور های پیشرو در حوزه تکنولوژی را درگیر خود کرده است.

در این زمینه، کمپانی Tesla به عنوان یکی از شرکت های پیشرو در زمینه خودرو های هوشمند، چند سالی است که خودرو های خودران را در مرحله تست قرار داده و در سال های اخیر، چند نمونه از خودرو های خودران با سطح کنترل خودکار متوسط را وارد بازار کرده است. برای آشنایی بیشتر با این موضوع، ویدیو بررسی سطوح مختلف خودرو های هوشمند را مشاهده کنید.

گرچه در ایران و اکثر کشور های دنیا کمپانی Tesla بیشتر از همه شرکت های فعال در زمینه خودرو های خودران شناخته شده است، اما کمپانی Waymo به عنوان زیرمجموعه گوگل از اواخر سال ۲۰۱۶ کار خود را در زمینه خودرو های خودران شروع کرده و از طریق توسعه خودرو های مسافربری خودران دستاورد های حیرت انگیزی ارائه کرده است.

خودرو های Waymo ، مانند اکثر تاکسی های اینترنتی از طریق اپلیکیشن فراخوانی شده و مسافران را پس از سوار کردن در مبدا، در مقصد مورد نظر پیاده می کند. نکته ای که این خودرو ها را از دیگر تاکسی های اینترنتی متمایز می کند این است که تمام این فرایند به طور خودکار و بدون راننده انجام می شود!

حالا با گسترش رقابت و افزایش پذیرش این خودرو ها توسط مردم و دولت ها، باید ببینیم کدام یک از این دو کمپانی بزرگ، برنده این رقابت خواهند بود و با وجود سابقه بیشتر Waymo در این رقابت، کمپانی Tesla چه برگ برنده ای می تواند داشته باشد.

داده های آموزشی یکی از معیار های اصلی در تعیین کیفیت اجرای شبکه های عصبی عمیق است ( دو مورد دیگر آن معماری شبکه و بهینه سازی الگوریتم هاست). به عنوان یک اصل کلی، داده های آموزشی بیشتر منجر به اجرای بهتر شبکه می شوند. به این علت که Tesla نسبت به شرکت های دیگر مانند Waymo در رابطه با خودروهای خودران برنامه های امیدوارکننده تری دارد.

Tesla مدعی است که حدود ۵۰۰ هزار خودرو مجهز به سخت افزار رانندگی خودران در جاده های سراسر جهان وجود دارند. ناوگان حمل و نقل Tesla ، در روز می تواند مسیری در حدود ۱۵ میلیون مایل را طی مسافت کند که این میزان برابر با مجموع مسافت طی شده ناوگان Waymo است. ۱۵ میلیون مایل در روز به ۵۴ میلیارد مایل در سال می رسد که ۲۰۰ برابر بیشتر از میزان مورد انتظار در مورد ناوگان حمل و نقل Waymo در سال است و در طول یک هفته تقریبا ۵۰۰۰ خودرو Tesla به خطوط تولیدی این ناوگان افزوده می شود.

سه حوزه کلیدی وجود دارد که داده ها در آن ها تفاوت ایجاد می کنند. این حوزه ها عبارتند از :

بینایی رایانه
پیش بینی
برنامه ریزی مسیر/ قوانین رانندگی

بینایی رایانه

یکی از کاره ای مهم فناوری بینایی رایانه ، تشخیص اشیاست. به طور مثال ، به ندرت پیش می آید چیز هایی مانند اسب در جاده ها ظاهر شوند. موقعی که Tesla با چیزی که شبکه عصبی فکر می کند که ممکن است آن شی یک اسب باشد ( یا شاید فقط شی شناسایی نشده ای باشد که مسیر جاده را بند آورده است) مواجه می شود،دوربین ها یک عکس از شی مورد نظر می گیرند. سپس آن عکس توسط WiFi آپلود می شود و با سرور مرکزی تسلا که داده های میلیارد ها کیلومتر مسیر را در خود دارد بررسی می شود. منطقی است که با گذشت زمان، عملکرد Tesla در تشخیص اشیا کمیاب بهتر از ناوگان وسایل نقلیه Waymo خواهد شد.

در مورد اشیا رایج و شناخته شده، یکی از محدودیت های ناوگان Tesla و Waymo این است که به مردم پول داده می شود تا تصاویر را به صورت دستی برچسب گذاری کنند. ضبط و ذخیره تصاویر مرحله به نسبت آسان تری در مقابل برچسب زنی دستی آن ها است. اما در مورد اشیا کمیاب ، گلوگاه Waymo در وهله اول جمع آوری تصاویر است. در حالی که گلوگاه Tesla ، به احتمال زیاد برچسب گذاری اشیا و توسعه نرم افزاری است که در زمان مناسب عکس ها را ثبت کند. از این نظر جایگاه Tesla نسبت به Waymo بهتر است.

پیش بینی

پیش بینی، همان قابلیت پیشگویی حرکات و طرز عمل ماشین ها ، عابران پیاده و دوچرخه سواران چند ثانیه جلوتر از زمان آن ها است. آنتونی لواندوسکی، کسی که سال هاست به عنوان مهندس درجه یک در ناوگان Waymo ، مشغول به فعالیت است، اخیرا در مقاله ای نوشته است ” دلیل اینکه چرا هنوز کسی به فناوری خودرو های تمام اتوماتیک دست نیافته این است که نرم افزار های امروزی به اندازه کافی قادر به پیش بینی آینده نیستند. لواندوسکی همچنین مدعی است که مهم ترین علت شکست در ایجاد فناوری وسایل نقلیه خودران ، پیش بینی غیرصحیح رفتار ماشین ها و عابران پیاده در مجاورت وسایل نقلیه خودران است.

ناوگان Tesla با داشتن ۵۰۰ هزار وسیله نقلیه خودران ، منبعی فوق العاده را در اختیار دارد. هر زمانی که Tesla ، پیشگویی نادرستی از رفتار ماشین ها و عابران پیاده مجاور داشته باشد. تصویری از صحنه ی پیش آمده ذخیره کرده و به سرور مرکزی میفرستد و به مجموعه آموزشی اش اضافه می کند. Tesla همچنین می تواند نمایی انتزاعی از صحنه را آپلود کند (که در آن اشیا به صورت اشکال مکعبی شکل کد رنگی تجسم می شوند و اطلاعات سطحی پیکسل ها دور ریخته می شوند ). این امر، پهنای باند و فضای مورد نیاز برای ذخیره داده ها را به شدت کاهش می دهد.

گرچه تصاویر استفاده شده برای تشخیص اشیا ، مستلزم برچسب گذاری توسط انسان هاست، یک شبکه عصبی می تواند با پیش بینی ارتباط بین گذشته و آینده تنها از طریق توالی زمانی رویدادها، داده های جدید را بیاموزد. در این روش ، دیگر نیازی به وجود فیزیکی انسان ها در برچسب گذاری داده ها نیست. از این طریق Tesla می تواند شبکه های عصبی خود را با داده های مفیدتری که قادر به جمع آوری آن ها است، آموزش دهد. این بدین معناست که اندازه مجموعه داده های آموزشی آن، با مسافت کلی پیموده شده ارتباط مستقیم دارد. برتری Tesla نسبت به Waymo نه تنها تشخیص اشیا و جمع آوری داده های بیشتر است، بلکه توانایی در جمع آوری داده های نادر تر از شرایط خاص است تا بتواند این شرایط را نیز مدیریت کند.

برنامه ریزی مسیر/ قوانین رانندگی

برنامه ریزی مسیر و قوانین رانندگی ، اشاره به تصمیماتی دارد که خودرو می گیرد. مثلا این که خودرو در محدوه سرعتی لاین خود حرکت کند ، تغییر لاین دهد ، ار خودرو هایی که آهسته حرکت می کنند سبقت بگیرد، وقتی چراغ سبز است عبور کند، کنار یک خودرو پارک شده توقف کند و… . به نظر می رسد که دادن یک سری فرمان اختصاصی برای هر حرکت به خودرو بسیار دشوار باشد و بسته به شرایط محیطی ممکن است که نیاز به تغییر فرمان ها باشد.

یک راه حل برای حل این مشکل می تواند این باشد که شبکه عصبی از آن چه انسان ها انجام می دهند کپی برداری کند که این کار با عنوان “یادگیری تقلیدی” شناخته می شود ( همچنین گاهی اوقات با عنوان “یادگیری آموزشی” نیز شناخته می شود). این پروسه یادگیری شبیه به نحوه یادگیری شبکه عصبی برای پیش بینی رفتار افراد در جاده با استفاده از قابلیت ایجاد هماهنگی میان گذشته و آینده است. در “یادگیری تقلیدی”، یک شبکه عصبی یاد می گیرد که چگونه رفتار و حرکات رانندگان را ( به وسیله بینایی رایانه ای و شبکه عصبی ) بر اساس آن چه می بیند هماهنگ کند.

“یادگیری تقلیدی ” اخیرا بزرگترین موفقیت خود یعنی Alphastar را ارائه کرده است. شرکت DeepMind از داده های ثبت شده از بازی کردن افراد مختلف در بازی StarCraft برای توسعه شبکه عصبی که بتواند مانند انسان بازی کند استفاده کرده است. این شبکه یاد می گیرد که بین موقعیت بازی و عملکرد انسان های بازیکن همبستگی وجود دارد و با استفاده از این تکنیک یاد گرفتن ، نحوه عکس العمل انسان ها را هنگامی که در آن موقعیت قرار می گیرند را پیش بینی کند و تنها با استفاده از این آموزش ، Alphastar به سطحی از توانایی می رسد که Deepmind تخمین می زند Alphastar می تواند در رتبه بندی میانه Starcraft قرار گیرد. پس از این Alphastar با استفاده از یادگیری تقویتی توانست به سطح حرفه ای برسد. البته در مورد خودرو های خودران ممکن است این روش قابل انجام باشد یا نباشد که این موضوع بحث دیگری است.

Tesla نیز مدل یادگیری تقلیدی را بر روی رفتار ماشین های خود اعمال می کند؛ مانند نحوه مدیریت پیچ های تند موجود در تقاطع های بزرگراه یا نحوه پیچیدن به سمت چپ در یک چهار راه. به نظر می رسد که برنامه Tesla این است که به مرور زمان، “یادگیری تقلیدی” را برای آموزش بیشتر شبکه های عصبی توسعه داده و کامل تر کند . مثلا به شبکه های عصبی بیاموزد که چه زمانی در بزرگراه باید لاین عوض کر. همان طور که در مورد پیش بینی ممکن است به جای بارگذاری فیلم، بارگذاری یک تصویر انتزاعی از صحنه اطراف خودرو کافی باشد. این به معنی نیاز به پهنای باند و فضای ذخیره سازی بسیار کم تری است.

همچنین مانند پیش بینی هنگام بارگذاری داده ها ، نیازی به برچسب زدن انسان ها نیست چون شبکه عصبی می تواند پیش بینی کند که یک فرد راننده هنگامی که در یک موقعیت مشابه قرار می گیرد چه کاری انجام می دهد. تنها چیزی که نیاز دارد آموزش دیدن در مورد موقعیت های شمابه و عملکرد های رانندگان در آن موقعیت هاست. یادگیری تقلیدی در اصل بیشتر پیش بینی رفتار خود رانندگان خودرو های Tesla است و در این مدل یادگیری چندان به رفتار خودرو های اطراف Tesla توجه نمی شود. مانند Alphastar که در آن ها تنها اطلاعات مورد نیاز، ویدیو های بازی های ضبط شده است.

بر اساس نظریات آندره کارپاتی درمورد پیش بینی زمان سبقت گرفتن از ماشین ها، Tesla می تواند در مواردی که نمی تواند به درستی حرکت ماشین را پیش بینی کند که آیا خودرو سبقت میگیرد یا نه ، بازپخش تصاویر را ذخیره کند. همچنین ، Tesla ممکن است وقتی شبکه عصبی دخیل در برنامه ریزی مسیر یا تعیین خط قوانین رانندگی نتواند به درستی اقدامات راننده Tesla را پیش بینی کند، بازپخش آن را ضبط کند. ایلان ماسک نیز در گذشته به چنین قابلیتی اشاره کرده است ( یا چیزی شبیه به این )، اگرچه روشن نیست که چنین چیزی در حال حاضر در خودرو های Tesla استفاده می شود یا نه.

برعکس آن زمانی است که Tesla در حالت خلبان خودکار یا حالت نیمه خودران قرار دارد در شرایط حساس، از حالت خودکار خارج شده و راننده کار را بر عهده می گیرد. در این حالت سیستم می تواند اشتباهات تصمیم گیری خود را متوجه شده و از راننده شیوه صحیح کنترل خودرو را یاد بگیرد.

راه های دیگری که برای ثبت داده های مهم و جالب وجود دارد عبارت اند از هنگام وقوع ترمز ناگهانی یا انحراف، ترمز اضطراری خودکار، تصادف یا هشدار تصادف و سایر تکنیک های پیچیده در یادگیری ماشین که به عناوین ” تشخیص ناهنجاری ” و “تشخیص در موارد بدیع ” شناخته می شود ( همین شرایط می تواند برای ضبط تصاویر به منظور پیش بینی یا تشخیص اشیا استفاده شود ) اگر Tesla از قبل بداند که می خواهد چه چیزی را ضبط کند، به عنوان مثال، پیچیدن به سمت چپ در تقاطع ها، می تواند در زمانی که شبکه عصبی بینایی خودرو ، چراغ راهنمایی رانندگی را می بیند و چراغ راهنمای سمت چپ فعال می شود، شروع به ضبط کند.

نتیجه گیری

Tesla تقریبا با داشتن ۵۰۰۰۰۰ ناوگان حمل و نقل در سه زمینه کلیدی، نسبت به Waymo و سایر رقبایش برتری دارد. این سه زمینه عبارتند از:

بینایی رایانه ای
پیش بینی
برنامه ریزی مسیر/ قوانین رانندگی

نگرانی در مورد جمع آوری داده های مناسب، پرداخت هزینه افراد برای برچسب گذاری، پهنای باند و ذخیره سازی داده ها، این مزایا را از بین نمی برد. این نگرانی ها با طراحی محرک های خوب و استفاده از داده هایی که نیاز به برجسب زدن انسانی ندارند و استفاده از نمایش های انتزاعی ( بازپخش ها ) به جای فیلم خام برطرف می شود.

به نظر می رسد که نظر اکثریت تحلیگران تجاری، روزنامه نگاران و عموم مردم این است که Waymo در فناوری خودرو های خودران بسیار پیشتاز است و tesla هنوز فاصله زیادی تا رسیدن به این مرحله دارد. اما وقتی به اصول اولیه شبکه های عصبی می نگرید، این دیدگاه منطقی نیست.

علاوه بر این، Alphastar مصداق مفهوم یادگیری تقلیدی در مقیاس بزرگ، برای انجام کارهای پیچیده است. اگر به درستی رویکرد Tesla یا برنامه ریزی مسیر/ قوانین رانندگی آن شک دارید، این مشکل به مرور زمان قابل حل است و با مقایسه آن با سیستم اجرا شده برای بازی StarCraft به صحت این امر پی می بریم.

پیش بینی می شود که با توقف گسترش رادیکالی Waymo برای افزایش حجم ناوگان خود در یک تا سه سال آینده، این دیدگاه که Waymo بسیار پیشتاز است و Tesla بسیار عقب است، کنار گذاشته شود. مردم بیش از حد بر روی ظواهر کار تمرکز کرده ان که ما را در مورد استحکام سیستم، معیارهای تفکیک بسیار محدود و دسترسی Google/Waymo به مهندسان و محققان برتر یادگیری ماشین آگاه نمی کند. آن ها تمرکز بسیار کمی بر روی داده های آموزشی دارند. به خصوص در مورد اشیا و شرایط نادر و در مورد رفتار هایی که Waymo به اندازه کافی در مورد آن ها اطلاعات ندارد تا یادگیری ماشین بتواند به خوبی پیاده سازی شود.

همچنین شبیه سازی و تقلید برای Waymo به عنوان یک مزیت مطرح نمی شود. چون Tesla ( مانند سایر خودرو سازان خودرو های خودران ) نیز از شبیه سازی استفاده می کند. آن چه بیشتر اهمیت دارد این است که شبیه سازی نمی تواند اشیا کم یاب و رفتار های نادری را ایجاد کند که شبیه ساز ها نمی توانند آن را پیش بینی کنند یا نمی دانند چگونه به طور دقیق مدل سازی کنند.

یادگیری تقویتی محض ، در مورد Alphastar کارا نیست. زیرا فضای عکس العمل Alphastar برای کاوش های تصادفی به منظور کشف استراتژی های مفید بسیار وسیع است. بنابراین Deepmind مجبور شد یادگیری تقلیدی را به کار گیرد. این امر وجود ضعف در این فرض را نشان می دهد که مانند Alphagozero با داشتن تجربه در زمینه شبیه سازی محض ، بسیاری از مسائل را حل می کند. به ویژه هنگامی که صحبت از مساله ای مانند رانندگی می شود که پیش بینی رفتار انسان ها، جزء اصلی آن است. پیش بینی رفتار انسان ها نیاز به اطلاعات تجربی در مورد جهان واقعی دارد.

ناظران وسایل نقلیه خودران ممکن است توانایی Tesla در جذب استعداد های برتر یادگیری ماشین را دست کم بگیرند. یک نظرسنجی از کارکنان حوزه فناوری نشان داد که Tesla دومین شرکت جستجو شده در حوزه سانفرانسیسکو است و بعد از گوگل ، در رتبه دوم قرار دارد و همچنین نشان داده شده که این کمپانی چهارمین شرکت جستجو شده در جهان است و با دو رتبه پایین تر از گوگل که در جایگاه دوم قرار دارد ( Shopify در جایگاه سوم جهان و Spacex در جایگاه اول ). همچنین لازم به ذکر است که پیشرفت های مهم در زمینه یادگیری ماشین ،اغلب توسط دانشگاه ها، کمپانی OpenAi و آزمایشگاه های شرکتی، به صورت علنی در فیسبوک ، گوگل و Deepmind به اشتراک گذاشته می شود. تفاوت بین آن چه Tesla انجام می دهد و آنچه Waymo می تواند انجام دهد، خیلی زیاد نیست.

تفاوت بزرگ این دو کمپانی در میزان داده است. ناوگان حمل و نقل Tesla در زمینه تولید ماشین های خودران ، به رشد چهار میلیونی رسیده است و مسافت پیموده شده ماهانه در ناوگان Tesla ، هزاران برابر بیشتر از میزان مسافت طی شده ناوگان Waymo در یک ماه است. این تفاوت هزاران برابری دلالت بر آن دارد که ناوگان Tesla در تشخیص اشیا کم یاب و پیش بینی در مورد رفتارهای نادر و برنامه ریزی مسیر / قوانین در موقعیت های نادر، نسبت به Waymo ، از برتری بیشتری برخوردار است.

چالش اصلی ماشین های خودران ، اکثرا در ۰٫۰۰۱ % مایل هایی است که شامل موارد نادر می شود نه آن %۹۹٫۹۹۹ مایل هایی که قابل توجه نیستند. بنابراین، منطقی است که شرکتی که بتواند تعداد زیادی نمونه آموزشی از این ۰٫۰۰۱ مایل جمع آوری کند، بهتر از آن شرکت هایی است که نمی تواند این کار را انجام دهد.