Simulator er overlegen virkeligheten når selvkjørende biler skal trenes opp

Å få biler til å kjøre selv er bare ikke lett. Dette er noe de fleste utviklere og bilprodusenter har erkjent over tid. Men det betyr ikke at det er umulig. Et av de største problemene er at de vanskelige situasjonene som sensorer, datamaskiner og programvare i bilene skal trenes til å oppdage og reagere på, ikke forekommer veldig ofte.

Dette forklares av Danny Shapiro, som er leder for bilavdelingen hos den amerikanske teknologiprodusenten Nvidia, på telefon fra selskapets hovedkvarter i California:

– Dette kan være hendelser som vi kanskje ikke en gang selv opplever én gang i hele våre liv. Så hvordan samler vi nok data til å trene systemene i bilene for å unngå en slik situasjon, spør han retorisk.

Jobbet med førerløse biler i seks år

De fleste forbinder sannsynligvis Nvidia med grafikkort og spill. Det er med god grunn, fordi da selskapet ble stiftet i 1993, var fokuset på GPU-er og deres evne til å håndtere store datamengder i forenklede prosesser parallelt – i motsetning til tradisjonelle CPU-er. Dette er noe dataspill har hatt stor nytte av, og Nvidias grafikkort sitter i dag i millioner av vanlige datamaskiner, pluss et utall vitenskapelige modeller der data må analyseres raskt.

Men siden 2014 har all viten og tekniske evner også blitt kanalisert til et forretningsområde for førerløse biler. En helt ny plattform kalt Drive er utviklet, basert på Nvidias Orin system-on-a-chip (SoC) og den nye Ampere GPU.

Her kan utviklere kaste seg over de forskjellige fagområdene som kreves for å komme i gang med selvkjørende kjøretøy, alt fra maskinvare, sensorer og programvare til simuleringsverktøy. Verktøyene kan leveres til både private selskaper og universiteter som inngår en avtale med Nvidia. Produksjonen starter neste år, og teknologiutviklere vil kunne ha den klar til 2022.

Treningen av systemene er bøygen

Det hele høres veldig bra ut, men:

– Hvorfor har vi ikke kommet så langt med selvkjørende biler som ble sett for noen år siden?

– Det er riktig at det har vært noen veldig aggressive uttalelser om når de selvkjørende bilene skulle være klare. Men vi må erkjenne at det er vanskeligere enn tidligere antatt. På den annen side er det også viktig å si at mye har skjedd de siste årene, og at mye mer vil skje. Man må huske på at vi jobber med noe som ingen har prøvd før, og det er mange ukjente faktorer som står på spill.

– Hva er den største utfordringen?

– Det mest komplekse aspektet er selve treningen. Det handler om at systemet må se en situasjon og ta riktig beslutning. Det handler om å kunne få nok data til å trene vår AI til å håndtere situasjoner som du og jeg kanskje aldri opplever en eneste gang i våre liv som sjåfører.

Sjåførens forståelse må inn i algoritmene

Det er her Nvidia blir helt konkret når det gjelder utvikling av deres prosessorer og simuleringsverktøy. For der selskaper som Waymo og Tesla har samlet enorme datamengder ved å la biler kjøre rundt i den virkelige verden, fokuserer Nvidia på å teste biler i den virtuelle.

– I en virtuell verden kan vi skape mange forskjellige situasjoner, for eksempel med ulike vær- og lysforhold. Det kan være regn, snø eller kraftig motlys. På den måten kan vi teste om systemene våre tar de riktige beslutningene, sier han.

– Men en ting er dårlig vær, hva med myke trafikanter som fotgjengere?

– Det handler om å lage noen algoritmer som kan øke forståelsen for hvordan fotgjengere oppfører seg. Hvilket formål har de for eksempel, hvis de står ved et fotgjengerovergang? Vil de vente eller begynne å gå, selv om det er rødt? Har det en betydning i hvilken retning de ser? Alt dette er noe vi som sjåfører oppfatter når vi kjører bil, og er noe som må integreres i AI-systemene vi utvikler.

Tror utviklingen vil gå gradvis

Nvidia samarbeider med et bredt spekter av bilprodusenter, inkludert Audi, Mercedes-Benz, Toyota, Volvo og VW, pluss flere transportfirmaer, teknologiutviklere og universiteter.

– Hvor vil vi se selvkjørende biler eller andre selvkjørende kjøretøy først?

– I samfunnet generelt vil vi se en inkrementell utrulling. Det vil først komme på områder med klart definerte baner, for eksempel motorveier og områder uten utsatte trafikanter, forekomme. Et åpenbart område er tung langtransport, og i motsatt ende levering av varer i nærområdet. I lys av den pågående pandemien, tror jeg ikke at det ligger til rette for selvkjørende delebiler.

Tror på betalingsvilje for teknologi

– Kritikere peker på to områder som i dag er en barriere for selvkjørende biler: kostnadene for maskinvaren og energiforbruket for å betjene sensorer og datamaskiner. Er kundene klare til å betale ekstrakostnaden?

– Det er ingen tvil om at prisen på maskinvare og energiforbruk vil falle. Vi har allerede sett at energieffektiviteten er forbedret fire ganger siden vi startet. Og når det gjelder prisen på maskinvare, tror jeg det vil være et alternativ for nye biler som kundene er forberedt på å investere i, akkurat som de bruker 1000 ekstra dollar på et godt stereoanlegg. Samtidig har vi bygget systemet vårt slik at produsenten kan starte med å tilby det velkjente assistentsystemet, og senere via programvareoppdateringen frigi flere og flere avanserte systemer i bilen. På den måten vil det være programvareoppdateringene som vil definere bilen din over tid, sier Shapiro.

Denne artikkelen ble først publisert på Ingeniøren for deres abonnenter. Den er tilgjengelig på norsk for abonnenter av TU Ekstra gjennom vår samarbeidsavtale.