خودروی خودران: ماشینی که بدون راننده و با کمک هوش مصنوعی راه را پیدا میکند
سطحهای پنجگانه خودکاری از رانندهیار تا کامل خودران
انجمن مهندسان خودرو (SAE)[2] پنج سطح خودکاری را تعریف کرده است. در سطح صفر، تمام وظایف بر عهده راننده است. سطح یک شامل کمکهایی مانند ترمز اضطراری است. سطح دو میتواند همزمان فرمان و سرعت را کنترل کند ولی راننده باید همواره آمادهٔ دخالت باشد. سطح سه در شرایط خاص (مانند بزرگراه) خودرو کنترل کامل را میگیرد اما در مواقع بحرانی از راننده کمک میخواهد. سطح چهار در مناطق محدود (مثلاً منطقهای نقشهبرداری شده) کاملاً خودکار است و سطح پنج به معنای خودکاری کامل در هر شرایط جوی و هر مکانی بدون نیاز به فرمان و پدال است. برای نمونه، خودروهای سطح دو امروزی مانند برخی مدلهای تسلا، میتوانند در مسیر مستقیم خطوط جاده را حفظ کنند و فاصلهٔ خود را با خودروی جلویی تنظیم نمایند، اما راننده نمیتواند بخوابد.
| سطح | نام | مسئولیت اصلی | نمونه قابلیت |
|---|---|---|---|
| 0 | بدون خودکاری | راننده | هشدار خروج از خط |
| 1 | کمک راننده | راننده با کمک یک وظیفه | کروز کنترل تطبیقی |
| 2 | خودکاری جزئی | خودرو (فرمان+سرعت) اما نظارت انسان | اتوپایلوت در بزرگراه |
| 3 | خودکاری مشروط | خودرو در شرایط خاص (درخواست دخالت) | رانندگی در ترافیک سنگین |
| 4 | خودکاری بالا | خودرو در منطقه عملیاتی ویژه | تاکسیهای خودران شهری |
| 5 | خودکاری کامل | خودرو در همه شرایط | بدون فرمان و پدال در هر جاده |
قلب خودروی خودران: ترکیب حسگرها و شبکه عصبی مصنوعی
یک خودروی خودران از سه سیستم اصلی تشکیل شده است: ادراک (درک محیط)، تصمیمگیری و عمل. برای ادراک، از حسگرهای گوناگون استفاده میشود. لیدار با پرتو لیزر و اندازهگیری زمان بازگشت، یک نقشه سهبعدی دقیق از اطراف میسازد. رادار برای تشخیص سرعت و فاصلهٔ اجسام فلزی در هوای بد بسیار مفید است. دوربینها علائم راهنمایی و رانندگی، چراغها و خطوط جاده را تشخیص میدهند. دادهٔ این حسگرها با یکدیگر تلفیق میشوند تا خطای هر حسگر کاهش یابد. سپس هوش مصنوعی (معمولاً شبکههای عصبی عمیق) اشیاء را طبقهبندی میکند: «عابر پیاده»، «دوچرخه»، «خودروی دیگر» و «تیر چراغ برق». برای نمونه، یک شبکهٔ عصبی پیچشی (CNN)[3] میتواند تصویر ورودی از دوربین را بگیرد و با دقت بیش از ۹۹٪ یک تابلوی «ایست» را شناسایی کند.
کاربرد عملی: تاکسیهای خودران و کامیونهای هوشمند
امروزه در شهر فینیکس آمریکا، سرویس «ویمو» (Waymo) با خودروهای سطح چهار، مسافران را بدون راننده جابهجا میکند. حسگرهای این خودروها هر 0/1 ثانیه یک بار محیط را اسکن میکنند. در بخش حمل بار، کامیونهای خودران میتوانند در مسیرهای بینشهری ۸۰٪ از سوخت را بهینهتر مصرف کنند زیرا شتاب و ترمز نرمتری دارند. همچنین، خودروهای خودران برای افراد نابینا یا سالمندانی که قادر به رانندگی نیستند، امکان جابهجایی مستقل فراهم میکنند. یک مثال علمی ساده: اگر خودروی خودران با سرعت $v_0$ در حال حرکت باشد و حسگر جلویی مانعی در فاصله $d$ تشخیص دهد، سیستم ترمز با استفاده از معادله حرکت با شتاب ثابت $a$ (منفی) فاصله توقف را تخمین میزند: $d_{stop} = \frac{v_0^2}{2|a|}$ و اگر $d_{stop} \lt d$ تصمیم به ترمز ملایم میگیرد در غیر این صورت ترمز شدید اعمال میکند.
چالشهای مفهومی
پاسخ: این مسئله «مسئله واگن»[4] در خودروهای خودران نام دارد. در عمل، خودروسازان سعی میکنند با قوانین اخلاقی از پیش تعریف شده (مانند به حداقل رساندن کل آسیب) عمل کنند. اما هنوز قانون جهانی برای آن وجود ندارد و بیشتر شرکتها از رویکرد «پیشگیری از برخورد» استفاده میکنند؛ یعنی خودرو همیشه اولویت را به کاهش شدت برخورد میدهد بدون اینکه آگاهانه یک انسان را بر انسان دیگر ترجیح دهد.
پاسخ: خیر، در شرایط جوی بد، لیدار و دوربینها با افت دقت مواجه میشوند. قطرات باران و برف میتوانند پرتو لیزر را بازتابش کاذب دهند. برای همین خودروهای سطح چهار معمولاً در آبوهوای مساعد یا مناطق بدون بارش سنگین کار میکنند. سطح پنج هنوز به بلوغ نرسیده است.
پاسخ: هکرها میتوانند کنترل فرمان یا ترمز را بدزدند یا حسگرها را فریب دهند (مثلاً با لیزر به لیدار حمله کنند). برای جلوگیری، از رمزنگاری ارتباطات داخلی، سیستمهای تشخیص نفوذ و حسگرهای افزونه استفاده میشود. همچنین خودروهای خودران به صورت همیشه آنلاین به روزرسانی امنیتی دریافت میکنند.
نقش هوش مصنوعی در تصمیمگیری و مسیریابی
هوش مصنوعی در خودروی خودران از دو روش اصلی استفاده میکند: روش مبتنی بر قانون (Rule-based) و روش مبتنی بر یادگیری (Learning-based). در روش اول، برنامهنویسان قوانین ثابتی مینویسند مانند «اگر چراغ قرمز است، بایست». در روش دوم، شبکه عصبی با دیدن میلیونها کیلومتر رانندگی انسان، رفتار را تقلید میکند. یک الگوریتم مهم در مسیریابی، الگوریتم «دایجسترا» (Dijkstra) برای یافتن کوتاهترین مسیر در نقشه است. همچنین خودرو به طور همزمان موقعیت خود را نسبت به نقشه با روش «محلیسازی همزمان و نقشهبرداری» (SLAM)[5] تعیین میکند. رابطهٔ بین خطای تخمین موقعیت و زمان را میتوان با $E(t) = E_0 e^{\lambda t}$ تقریب زد که نشان میدهد بدون بازبینی حسگرها، خطا به سرعت رشد میکند. به همین دلیل خودروها از نقشهٔ دقیق و بازبینی مداوم موقعیت با جیپیاس (GPS)[6] استفاده میکنند.
پاورقیها
[1] لیدار (LiDAR): سرواژهٔ عبارت «تشخیص نور و محدودهیابی» (Light Detection and Ranging) – فناوری سنجش از دور که با پرتو لیزر فاصلهٔ اجسام را اندازه میگیرد.
[2] انجمن مهندسان خودرو (SAE): سازمان حرفهای جهانی برای استانداردسازی در صنعت خودرو (Society of Automotive Engineers).
[3] شبکه عصبی پیچشی (CNN): نوعی شبکه عصبی عمیق که برای پردازش دادههای تصویری و تشخیص الگو بسیار کارآمد است (Convolutional Neural Network).
[4] مسئله واگن: یک دوراهی اخلاقی فلسفی که در آن باید انتخاب کنید آیا اجازه دهید واگن به پنج نفر برخورد کند یا با تغییر مسیر، یک نفر کشته شود (Trolley problem).
[5] محلیسازی همزمان و نقشهبرداری (SLAM): روشی که در رباتیک به کار میرود تا ربات همزمان نقشهٔ محیط را بسازد و موقعیت خود را در آن نقشه تعیین کند (Simultaneous Localization and Mapping).
[6] جیپیاس (GPS): سامانهٔ موقعیتیاب جهانی مبتنی بر ماهواره (Global Positioning System).
