Компания «Яндекс» продолжает развивать технологии автономного транспорта, делая ставку на безопасность и надежность. Как рассказал Арслан Урташев, CTO автономного транспорта в Яндексе, основная цель — свести к минимуму количество аварий, особенно тех, что происходят по вине человеческого фактора. По его словам, большинство ДТП на дорогах связаны с ошибками водителей: от усталости до невнимательности. Искусственный интеллект (ИИ) в таких ситуациях может действовать стабильнее.
Современные беспилотники «Яндекса» оснащаются целым набором сенсоров: лидарами, радарами и камерами. Лидары создают трехмерную картину окружения с обзором 360 градусов, вне зависимости от времени суток или погодных условий. Радары помогают «видеть» даже в дождь и снег, а камеры обеспечивают распознавание разметки, сигналов светофоров и других важных дорожных объектов. Все эти данные поступают в систему, где обрабатываются алгоритмами компьютерного зрения.
Урташев отметил, что обучение искусственного интеллекта проходит в несколько этапов. На первом — реальная езда с участием профессиональных водителей, поведение которых записывается и используется как эталон. Затем модель обучают в симуляторе, где создаются сотни нестандартных дорожных ситуаций — от резких торможений до неожиданных появлений пешеходов. По словам эксперта, такие виртуальные испытания позволяют отрабатывать поведение ИИ в максимально сложных и даже опасных условиях без риска для людей.
Мы стремимся использовать уникальный подход, основанный на «эффекте бабочки»: минимальные изменения поведения автомобиля в симуляторе будут приводить к возникновению множества новых и непредсказуемых сценариев.
Арслан Урташев
CTO автономного транспорта в Яндексе
Это помогает тестировать систему в тысячах уникальных дорожных ситуаций, выявляя слабые места и повышая надежность. Тем не менее, как подчеркнул Урташев, одних симуляций недостаточно — каждая новая версия проходит испытания в реальной среде, чтобы подтвердить ее безопасность.
Особое внимание уделяется автономным грузовикам. По словам Урташева, их динамика сильно отличается от легковых машин из-за массы, размеров и поведения прицепа. Для таких транспортных средств создаются отдельные сенсорные системы и математические модели, учитывающие инерцию и изменение веса груза. Алгоритмы управления адаптируются под конкретные условия: погоду, рельеф дороги, тип груза.
Используемые ML-модели, основанные на архитектуре transformer, помогают предсказывать поведение других участников движения и принимать решения. Встроенный алгоритмический контур безопасности не позволяет нейросети выходить за допустимые рамки — например, слишком сокращать дистанцию.
Это критически важный компонент системы, который позволяет отлавливать ошибки и галлюцинации нейронной сети. Например, если нейросеть решает держать слишком маленькую дистанцию до впереди едущего автомобиля, то контур безопасности отклонит такое решение нейросети. Это дает важное свойство — предсказуемость и строгость соблюдения автономным транспортом тех требований к безопасности, которые мы в него закладываем.
Арслан Урташев
CTO автономного транспорта в Яндексе
В перспективе «Яндекс» рассчитывает улучшить сенсоры, довести реализм симуляций до уровня, неотличимого от реальности, и масштабировать использование технологии в грузовых перевозках. Урташев уверен: чем больше таких автомобилей на дорогах, тем ниже риск аварий.