Allt färre tekniska hinder för självkörande fordon 

De senaste åren har det blivit alltmer tydligt att data är guld. Och ur det perspektivet är Uber ett av världens mest missförstådda företag. Det menar Anders Kullenberg, senior utvecklare på HiQ, som arbetar inom området självkörande fordon. Hans specialområde är perception –att med hjälp av sensorer tolka omvärlden utifrån insamlad data. 

– Uber har så mycket mer än bara taxiverksamheten. De har en rad funktioner runt om tjänsten, till exempel betallösningar och inte minst verkliga data från snart sagt varenda stad i hela världen. Det gör att de står väl rustade när självkörande fordon blir en realitet inom en inte alltför avlägsen framtid, säger han. 

Allmänhetens acceptans avgörande

För utvecklingen går utan tvekan åt det hållet, även om just Uber än så länge håller fast vid sina förare. Förarlösa fordon används inom logistikområdet, som i gruvor, hamnar och till viss del på väl kända rutter för hub-to-hub-transporter. Och det används i interaktion med människor. I Phoenix i den amerikanska delstaten Arizona rullar exempelvis redan Waymos helt förarlösa taxibilar inom ett begränsat område av staden. I holländska Rotterdam finns ParkShuttle, en tjänst som beskrivs som en horisontell hiss där små förarlösa transportfordon kör på särskilda vägar men som korsar allmänna vägar, cykelbanor och trottoarer.  

Tjänsterna används dagligen och innebär att den lokala allmänheten har fått en acceptans för den här typen av system. Just att få allmänheten att acceptera förarlösa fordon är en av de kanske största utmaningarna för att självkörande fordon ska bli verklighet.  

– Vi som utvecklare måste kunna visa att tekniken fungerar och att det är minst lika säkert att möta en lastbil utan förare på vägen som det är att möta en med förare.  

Sensorfusion ger oss egenskaperna för att tolka omvärlden 

Enorma insatser läggs just nu på att säkerställa lösningar för perception som ersätter den mänskliga hjärnan, som blixtsnabbt tolkar sensorinformation och fattar beslut. De till buds stående teknikerna är radar, lidar och kameror som samlar in omvärldsinformation som sedan tolkas med hjälp av neurala nätverk och artificiell intelligens.  

Teknikerna har olika egenskaper och är alla viktiga för att visualisera omvärlden.  

Enkelt uttryckt står radar för systemets robusthet. Radar läser av omgivningen, även vid dålig eller obefintlig sikt, men har en lägre precision och genererar mindre datamängder. Lidar å andra sidan har en högre precision i avståndsmätningen till objekt – som är synliga för blotta ögat. Fenomen som dimma och snörök är därför utmanande. Lidar genererar mer data än radar, men långt ifrån lika mycket som en kamera som kan innehålla flera miljoner mätpunkter. Däremot kan kameran bara visa en bild i ett plan och du behöver flera kameror i olika vinklar för att få ett djup i bilden och bedöma var ett objekt finns i förhållande till ett annat. Målet är att med hjälp av en kombination av data från de olika teknikerna minska osäkerheten kring vad systemet ser, så kallad sensorfusion.  

Kombination av verklig och syntetisk data ökar precisionen 

Att samla in information från verkligheten, bygga en digital modell och träna den genom simulering låter sig idag göras ganska enkelt, även om det kan vara kostsamt. Det är när den insamlade informationen ska tolkas som utmaningar upptäcks. 

– När vi testar och tränar en modell på att känna igen objekt och situationer kan vi stöta på en situation där vi saknar data. Det är exempelvis sällan personer står framför ett fordon när data samlas in i verkliga situationer. De befinner sig oftast bredvid. Då lär sig inte modellen att känna igen att det kan ske, säger Anders Kullenberg och fortsätter:  

– Här tar vi hjälp av kolleger inom HiQ som kan generera syntetisk data, som kompletterar modellen för exempelvis olyckssituationer. 

– AI och neurala nätverk handlar om statistik och sannolikheter. Om vi matar ett system med data som säger att det aldrig händer en olycka vid en högersväng kommer inte systemet lära sig att det kan uppstå en situation där. Matar vi å andra sidan modellen med för mycket data kring olyckstillbud är risken stor att systemet alltid uppträder som om det är på väg att uppstå en olycka vid den givna situationen, och det är inte heller bra. Det gäller att hitta en balans och där är syntetiska data till stor hjälp.  

Delad kunskap driver på utvecklingen 

Inom HiQ finns ett arbetssätt som uppmuntrar till kunskapsutbyte mellan konsulter på olika uppdrag. 

– Vi diskuterar problem på en låg abstraktionsnivå, utan att gå in på detaljer om uppdraget. Många gånger har någon annan grupp en lösning att erbjuda.  

Anders Kullenberg nämner en intressant utveckling där spelindustrin och fordonsindustrin har mycket att vinna på ett samarbete.  

– Spelindustrin har spelmotorer som exempelvis är bra på att skapa syntetisk data, medan fordonsindustrin kan bidra med data från den verkliga världen för att öka realismen i spelet liksom kravställning på robusthet i mjukvaran. I det gränslandet möts vi konsulter, säger Anders Kullenberg.  

Spelindustrin bidrar med lösningar för beräkningskapacitet  

Det finns alltså goda förutsättningar att skapa modeller, men att få plats med komplexa modeller på ett fordon är inte givet. Än så länge är nämligen beräkningskapaciteten i hårdvaran begränsad.  

– Här har spelindustrin bidragit enormt, bland annat genom att vara pådrivande i utvecklingen av grafikprocessorer som har en arkitektur som visar sig lämplig även för neurala nätverk, säger Anders Kullenberg. 

Grafikprocessorer, eller GPU:er, utvecklades för att snabbt kunna visualisera grafik på skärmar och de bygger på mer eller mindre parallella matrisberäkningar. Exakt samma typer av beräkningar sker i neurala nätverk och andra AI-system. Alltså en perfekt plattform att köra komplexa modeller på.  

– Värt att nämna är också Moores lag, som säger att antalet transistorer som får plats på ett chip fördubblas vartannat år och som länge har varit drivande i teknikutvecklingen. I dag går utvecklingen ännu snabbare, säger Anders Kullenberg. Fram till omkring 2012 följde AI-relaterade beräkningar kurvan enligt Moores lag, men effektiviteten hos algoritmerna dubbleras nu istället ungefär var tredje månad och den tekniska utvecklingen styrs istället av komplexiteten hos neurala nätverk.  

Mjukvaruutveckling bygger förutsättningarna för framtidens transportlösningar  

Den extremt snabba utvecklingen mot effektivare beräkningar, i kombination med att det har blivit enklare att samla in stora datamängder som kan användas för att träna AI-system, gör att det ser det ljust ut för självkörande fordon på vägarna.  

– Det är oundvikligen dit vi är på väg. Transporter är vitalt för samhället. Oavsett om trenden går mer mot transport som en tjänst, alltså att vi betalar per transportkilometer genom bilpooler och tjänstemodeller som Uber, eller om vi fortsatt kommer äga vår egna bil krävs framtidssäkrade lösningar, säger Anders Kullenberg och avslutar:  

– Vårt jobb som mjukvaruutvecklare är att med hjälp av effektiva datamodeller och av att dra fördel av det allra senaste inom AI och neurala nätverk sätta förutsättningarna för att komma dit.