Авария автомобиля Tesla - ошибка "сырого" автопилота?

Не так давно (7 мая 2016), произошла авария автомобиля Tesla под управлением автопилота - первая авария со смертельным исходом по "вине" автоматической системы управления.

Автомобиль Tesla Model S двигался по шоссе в режиме автопилота, когда на нерегулируемый перекресток выехал грузовик с полуприцепом и перегородил дорогу электрокару. Ни автопилот, ни водитель Tesla не заметили белый прицеп на фоне светлого неба, поэтому тормозная система не активировалась. В результате электромобиль въехал в полуприцеп, ударившись лобовым стеклом о нижнюю часть трейлера.

Видимая причина аварии – несовершенная система ориентации в пространстве автопилота Tesla.

Tesla Motors торопилась вывести продукт на рынок, при этом стараясь сделать систему автоматизации максимально доступной. В результате они «выкатили в бой» сырой продукт. Конечно, компания подстраховала себя, объявив, что функция Autopilot – лишь бета-версия и находится на стадии тестирования.

К чему это?

В последнее время, в качестве хобби выходного дня, я занимаюсь разработкой программно-аппаратного комплекса для ориентации различной робототехники в пространстве: обнаружение препятствий, определение расстояний до объектов, своевременный обход этих препятствий.
Решение базируется на обработке видеопотока с двух камер (стереопары) в реальном времени (30fps). При реализации различных подходов я столкнулся с рядом трудностей.
Вероятно, с похожими проблемами должны были столкнуться и инженеры, разрабатывающие автопилот для Tesla Model S.

В чем же недоработки автопилота Tesla Model S?

Низкое расположение камер.

Видеокамеры, используемые в Tesla Model S, размещены в бампере автомобиля, т.е. у них нет полного восприятия дороги, что ведет к худшему обзору дорожной обстановки. Об этом говорят и другие небольшие аварии, произошедшие с автомобилями Tesla по вине автопилота.

Простые камеры.

Камеры Tesla Model S имеют невысокое разрешение и блеклую картинку, что препятствует в различении всех деталей получаемого изображения. Недорогие камеры позволяют упростить и удешевить продукт за счет использования более дешевых компонентов. Для реализации большей скорости передачи и обработки данных для работы автопилота на более простом «железе» используется только Ч/Б составляющая изображения.

Сложности расчёта расстояния до объектов.

Обработка видеопотока сводится к поиску одинаковых областей, и нахождению их взаимного расхождения (disparity map) для каждой из стереопар. Но для равномерных областей, таких как сплошные заливки и плавные градиенты, невозможно определить разницу пикселей. Т.е. простым алгоритмам сложно, если вообще возможно, определить расстояние до объекта, если объект - большая равномерная стена, небо или грузовик с однотонным прицепом.
Использование черно-белых камер усугубляет проблему, т.к. два разных цвета одного тона, могут отображаться серым оттенком одной яркости. Т.е. черно-белая камера не передаст разницы между такими цветами, соответственно алгоритм не сможет определить расстояние в этой области. Умышленное использование в системах автопилота ч/б камер – это большое упущение. Такая система по сравнению с цветными камерами будет значительно хуже справляться даже с простыми ситуациями.

Решение проблем автопилота должно быть комплексным:

Передовые камеры.

Имея современные и доступные средства для фиксации изображений, предпочтительнее использовать все возможности цифрового зрения – камеры, которые могут различать не только три основных цвета (Red, Green, Blue), но и ближний (а то и дальний) УФ и ИК диапазоны. Их использование если и удорожит продукт, то незначительно, зато позволит различать больше возможных границ, что сделает результат работы алгоритмов значительно точнее.

Технические "помощники".

Для помощи алгоритмам необходимо использовать дополнительные технические средства, например, подсветку неоднозначных участков неравномерной засветкой в ИК-диапазоне, различаемую камерами (по аналогии с Kinect и аналогичными сенсорами).

Алгоритмы, реализованные сразу в "железе".

Необходимо использование алгоритмов определения границ и расстояний однотонных объектов по аналогии с человеческим зрением. Т.е таких алгоритмов, которые позволяют анализировать изображения в несколько проходов, проводить сегментацию объектов, анализировать объекты в соответствии с сохраненными шаблонами, выявлять расстояния границ, с последующим сопоставлением найденных границ, расстояний, объектов и т.д. Подобные алгоритмы уже давно разработаны, но требуют больших вычислительных мощностей, чтобы работать в режиме реального времени. Ускорить обработку изображений поможет реализация алгоритмов сразу в «кристалле», например, использование специализированных процессоров и ПЛИС.

Реализация этих решений при массовом производстве не значительно повысит стоимость конечного продукта. При этом обеспечат высокое качество полученного результата.

А как же лидары?

В системах автопилота от Google и прототипов других автопроизводителей для ориентации автомобилей в пространстве используются лазерные радары - лидары. Лидары обеспечивают высокую скорость и точность, однако стоимость лидаров, так же высока. Например, лидары, используемые в автомобилях Google стоят 85 тысяч долларов каждый (сенсор HDL-64E). В последнее время на рынке были представлены и более "доступные" лидары, например HDL-32E (30-40 тысяч долларов) или совсем простой Velodyne Puck (8000 долларов). Понятно, что использование лидаров, как минимум, удваивает стоимость автомобиля.

Соответственно, именно решения на базе обработки изображений стереопар являются наиболее доступными и оптимальными и, скорее-всего, именно такие системы мы увидим в автопилотах ближайшего будущего.

Ажбеков Е.