Isesõitvate sõidukite otsustusprotsessid liiklus- ja ohuolukordades ning sellega seotud eetilised aspektid.

Sissejuhatus

  täitja: Lennart

Tehnoloogia: Isesõitvate sõidukite autonoomsuse tasemed

  täitja: Lennart

Tehnoloogia: Isesõitvate sõidukite tehnoloogia areng

  täitja: Andre

Isesõitvate sõidukite sotsiaal-majanduslikud aspektid

Liiklusohutus

  täitja: Andre

Keskkonnasäästlikkus

  täitja: Tanel

Mobility as a Service (MaaS)

  täitja: Tanel

Riskid ja ohud isesõitvate sõidukite kasutusele võtmisel

  täitja: Andreas

Isesõitvate sõidukite/nende omanike õigused ja kohustused ning vastutus

  täitja : Aleksandra

Isesõitvate sõidukite otsustusprotsessid liiklus- ja ohuolukordades

  täitja: Andreas

Et sõita inimesest paremini on isesõitvad masinad varustatud erinevate kaamera, GPS, ultraheli, radari ja kallimate lidari sensoritega, mis annavad parema taju sellest, mis liikluses toimub, kui inimesel seda endal on. Enamus autodest juba kasutavad erinevaid kaameraid ja radareid juhi- ja parkimisabi näol ning tagavad isegi madalamad autonoomsuse tasemed. Täisautonoomsuse tarbeks on aga lidarid, mis kiirete nähtamatute laserisignaalide abil moodustavad punktipilved ümbruskonda jäljendavas kolmemõõtmelises ruumis. Kõikide nende sensorite sisendandmed saadetakse tehisintellekti keskprotessorile kombineerimiseks ja töötlemiseks, millega saadakse 360-kraadine ülevaade, mis sõiduki ümber toimub. Selles ülevaates tehakse kindlaks näiteks erinevad tehis- ja inimobjektid, nende distants ja kaugus. Nende andmete põhjal tagatakse ka rajavahetuse otsuse ohutus sarnaselt nagu pimenurga hoiatusandur tavalistes sõiduautodes.

Tehisintellekti abil suudavad isesõitvad sõidukid tuvastada ja reageerida keskkonnale reaalajas. Selline intellekt kasutab sügavnärvivõrgustiku (DNN - Deep Neural Network) mudeleid, mis lihtsamas tähenduses koosnevad matemaatiliste algoritmide jadadest. DNN inspiratsiooniks on inimaju, mis on võimeline ise õppima. Seega õpetatakse mudelile objektide samastamist ja eristamist selle asemel, et iga objekti kõikvõimalikud iseärasused arvutiprogrammis ära defineerida. Aga nagu iga inimene on erinev ja spetsialiseerub mingitele kindlatele eesmärkidele elus, siis on ka mudelid oma kindla ülesandega ning turvalisuse mõttes ka kohati kattuvad. Et kui üks närvivõrgustiku mudel ei tuvasta mingit konkreetset objekti, siis on ikkagi võimalus, et teine tuvastab. Otstarbe järgi võiks välja tuua rajaleidjaid ja objektituvastajaid. Rajaleidjateks on võrgustikud, mis tuvastavad kogu tee ruumi, teekattemärgistust sõiduteel, sõidukist eespoolset sõidetavat rada jms. Objektituvastajateks aga võrgustikud, mis tuvastavad teisi sõidukeid, jalakäijaid, valgusfoore ning liiklusmärke, eraldi valgusfooride värve ja liiklusmärkide tüüpe, ning veel ristmikke ja peatumisolukordi.

Peale tuvastusalgoritmide on vaja probleemide lahendamiseks ka võimsaid otsustusalgoritme põhieesmärgiga jõuda efektiivselt punktist A punkti B vältides liiklusõnnetusi. Õnnetused ja ohuolukorrad tekivad aga kahel peamisel põhjusel - viletsad otsused või sensorid ei tuvasta. Kuna isesõitvad sõidukid on endiselt arenev valdkond, siis tarkvaras esineb tihti palju puudujääke, kui tuleb arvestada inimkaasliikleja võimaliku käitumisega. Näiteks uue arvestamata ohu korral vähendatakse sõiduki kiirust kuni peatumiseni ja lihtsalt oodatakse ohu möödumist, kuigi tegelikult tuleks edasi jälgida ka seismisest tulenevaid ohte. 2017. aasta novembris oli Las Vegases olukord, kus uhiuus isesõitev buss sattus liiklusõnnetusse esimese kahe tunni jooksul. Buss tuvastas ees tagurdava veoki ja otsustas seisma jääda, kuid veokijuht tagurdas üha lähemale ning ei näinud paigale tarretunud bussi. See õnnetus oleks ilmselt ära jäänud, kui buss oleks osanud ka tagurdada või vähemasti signaali anda. Palju kurvem inimeluga lõppenud õnnetus oli aga 2016. aastal Floridas, kus Tesla mudel S sõitis sisse maanteele keeravale veoki haagisele. Õnnetuse hetkel sõitis sõiduk kiirusega 119km/h ning Tesla sõnul nii juht kui sõiduk ei märganud teele keeravat veokit. Nimelt toodi põhjuseks, et sõiduki sensorid ei suutnud vahet teha eredal taeval ja valgel haagisel. Tesla on rõhutanud, et tegu ei ole täisautonoomse lisaga, vaid pigem juhiabiga ning et enne õnnetust oli sõiduk korduvalt juhti hoiatanud, et too hoiaks käed roolil.

Sensorid koguvad toored andmed, närvivõrgustikud loovad nende põhjal ettekujutuse keskkonnaruumist, tuvastatud sündmused edastatakse otsustusprotsessi, mis valib kõikvõimalikest manöövritest teostatava ja sobivaima. Teostatav on manööver, mis on ohutu ja liiklusreeglitega kooskõlas. Sobivaim on aga üks teostavatest manöövritest, mille valimisel lähtutakse selle efektiivsusest, ökonoomsusest, mugavusest jm. Kuna igat manöövrit on võimalik sooritada lõpmatul erineval viisil, näiteks erineva trajektooriga, siis tehakse manöövri välja selgitamisel hulganisti simulatsioone arvestades ka võimalike juhuslike sündmustega. Kuna trajektoore läbitakse ajas, siis tehakse ka ennustavaid kalkulatsioone, näiteks arvutatakse välja erinevate sündmuste tõenäosus järgneva 6-10 sekundi jooksul. Kuigi täpsemad otsustusprotsessi meetodid on tootjate puhul varieeruvad ja on pigem ärisaladus, on siiski tehtud mitmeid erinevaid teaduslikke uurimistöid, mis võivad sisaldada lõplikke olekumasinaid (finite state machine), Markovi otsustusprotsessi (Markov decision process), mänguteooriat (game theory), stiimulõpet (reinforcement learning) jm.

Olenemata kasutatud otsustamismeetoditest või viimasel tasemel riistvarast, jääb keeruliseks probleemiks siiski inimliikleja mõistmine, näiteks jalakäijate ja ratturite käežestide interpreteerimine. Samuti ohuolukorras eetiliste otsuste langetamine nagu õnnetuse vältimiseks liiklusreeglite rikkumine või väljapääsmatus olukorras ühe elu teise üle kaalumisel. Inimliikleja mõistmiseks teadlased Massachusettsi Tehnoloogiainstituudi (MIT) arvutiteaduste ja intelligentsi laboris (CSAIL) arendavad tehisintellektisüsteemi, mis liigitaks liiklejad nende sotsiaalse isiksuse järgi, et parendada isesõitva auto otsustamisvõimekust keerulistes oludes. Need isiksuseliigid on isetu, isekas ja koostöövalmilik. Selle projekti üks näidiseesmärkidest on anda autole võimekus rada vahetada tihedas linnaliikluses või lasta seda teisel liiklejal teha. Tuvastades missugune liikleja on egoistlik saaks varakult planeerida võimalikke ohte vältivaid otsuseid. Lisaks liiklejate liigitamisele arendavad mõned tootjad nagu BMW ja Audi sõidukitevahelist kommunikatsiooni intelligentsemaks liiklemiseks. Sellise suhtluse abil saavad autod kiiremini võimaluse sõidurada vahetada või vältida tagant sissesõitu kui eesmine auto on planeerinud äkkpidurduse sooritada.

Kasutatud materjalid

  /igaüks lisab juurde kasutatud allikad ja viited nendele/

Vt veel:
1. http://moralmachine.mit.edu/
2. https://www.nature.com/articles/d41586-018-07135-0
3. https://www.theverge.com/2018/10/24/18013392/self-driving-car-ethics-dilemma-mit-study-moral-machine-results
4. https://www.roboticsbusinessreview.com/unmanned/unmanned-ground/infographic-can-self-driving-cars-make-moral-decisions/
5. https://phys.org/news/2019-01-self-driving-cars-moral.html
6. https://www.newyorker.com/science/elements/a-study-on-driverless-car-ethics-offers-a-troubling-look-into-our-values
7. https://www.nvidia.com/en-us/self-driving-cars/drive-labs/
8. https://www.sciencedirect.com/science/article/pii/S0968090X15003447
9. http://news.mit.edu/2019/predicting-driving-personalities-1118
10. http://theconversation.com/redefining-safety-for-self-driving-cars-87419
11. https://www.latimes.com/business/autos/la-fi-hy-tesla-crash-20170620-story.html
12. Allikaid tuleks juurde hankida, sh teaduslikke allikaid