Dwa samochody wyścigowe wchodzą w zakręt jednocześnie. Tylne koła obu aut tracą przyczepność w tej samej chwili — kontrolowany ślizg, elegancki i precyzyjny, jak choreografia na asfalcie. Dzieli je niecałe dwadzieścia pięć centymetrów. Za kierownicami? Nie ma nikogo. Żadnych spoconych dłoni, żadnej adrenaliny. Tylko algorytmy, czujniki i sieć neuronowa, która przez lata uczyła się na własnych błędach.
Brzmi jak scena z filmu science fiction? To wydarzyło się naprawdę — w lipcu 2024 roku, na torze wyścigowym Thunderhill Raceway Park w Willows w Kalifornii.
Przez dekady uczono auta NIE driftować
Zanim zrozumiemy, dlaczego ktokolwiek wpadł na pomysł, żeby uczyć AI kontrolowanego poślizgu, cofnijmy się o kilka dekad. Od lat 70. ubiegłego wieku inżynierowie motoryzacyjni mieli jedno nadrzędne zadanie: sprawić, by samochód nigdy nie stracił przyczepności. ABS w 1978 roku zapobiegał blokowaniu kół. ESP w 1995 roku automatycznie hamował pojedyncze koła, gdy czuł, że auto zaczyna „wypadać” z zamierzonego toru jazdy. AEB, czyli autonomiczne hamowanie awaryjne, potrafiło zatrzymać pojazd bez udziału kierowcy. Każdy z tych systemów był zaprojektowany z tą samą filozofią: przyczepność jest święta, a jej utrata — katastrofą, której należy za wszelką cenę unikać.
Tymczasem inżynierowie ze Stanforda i Toyota Research Institute (TRI) zadali przewrotne pytanie: a co, gdybyśmy nauczyli AI wchodzić w poślizg celowo — i z tego poślizgu wychodzić?
Drift to nie show. To fizyka oblodzonej drogi
Większość z nas kojarzy drifting ze sportami motorowymi albo filmami akcji — auta w kontrolowanym bocznym poślizgu, z kłębami dymu z opon. Efektownie, ale po co?
Odpowiedź kryje się w fizyce. Moment, w którym tylne koła samochodu tracą przyczepność i pojazd zaczyna „chodzić bokiem”, jest fizycznie niemal identyczny z tym, co dzieje się, gdy zwykłe auto wpada w poślizg na oblodzonej autostradzie, mokrej nawierzchni albo podczas gwałtownej próby uniknięcia przeszkody.
— Fizyka driftu jest w rzeczywistości podobna do tego, czego doświadcza samochód na śniegu lub lodzie — powiedział Chris Gerdes, profesor mechaniki na Stanfordzie i współdyrektor Center for Automotive Research. — To, czego nauczyliśmy się przy tym projekcie, zaowocowało już nowymi technikami kontrolowania pojazdów autonomicznych na oblodzonych nawierzchniach.
Tor wyścigowy okazał się więc doskonałym laboratorium bezpieczeństwa. Intensywny, powtarzalny, mierzalny.
Szkoła twardych lekcji — uczenie przez wzmacnianie
Jak właściwie uczy się AI prowadzenia samochodu na granicy fizycznych możliwości? Tu wkracza jedna z najciekawszych gałęzi uczenia maszynowego: uczenie przez wzmacnianie (ang. Reinforcement Learning, w skrócie RL).
Wyobraź sobie szczeniaka, który uczy się aportować. Kiedy przynosi piłkę — dostaje smakołyk. Kiedy biegnie w złą stronę — nic. Stopniowo uczy się, jakie zachowania są nagradzane, a jakich lepiej unikać. Żadnych długich wykładów, żadnych instrukcji obsługi — tylko próby, błędy i informacja zwrotna.
AI w samochodzie działa podobnie, tyle że zamiast smakołyków mamy punkty w funkcji nagrody, a zamiast trawnika — kilometry asfaltu i niezliczone wirtualne (a potem realne) wyjazdy na tor.
Wypadnięcie poza granicę toru? Kara. Optymalny czas przejazdu przy zachowaniu kontrolowanego poślizgu? Nagroda. Zderzenie z drugim autem podczas driftu tandemowego? Poważna kara. Precyzyjne naśladowanie trajektorii auta prowadzącego, z minimalnym dystansem i bez kolizji? Nagroda maksymalna.
System nie uczy się z podręcznika dynamiki pojazdu — uczy się z doświadczenia. Każdy wyjazd na tor to nowe dane. Sieć neuronowa modelująca zachowanie opon poprawia się z każdą przejechaną rundą. Profesor Gerdes mówi wprost: — Warunki na torze mogą się dramatycznie zmienić w ciągu kilku minut, na przykład gdy zajdzie słońce lub zacznie padać deszcz. AI, z którą pracujemy, uczy się stopniowo, jak radzić sobie z tą zmiennością.
Co kluczowe — system nie oblicza jednej odpowiedzi i nie dokonuje jakiegoś planowania trasy. Rozwiązuje zadania optymalizacyjne 50 razy na sekundę, za każdym razem przeliczając, jakie polecenia dla gazu, hamulca i kierownicy najlepiej pasują do aktualnej sytuacji.
Lipiec 2024: historyczny tandem na Thunderhill
Przez prawie siedem lat Stanford i TRI pracowały wspólnie nad kolejnymi wersjami projektu. Kulminacją było ogłoszone w lipcu 2024 roku osiągnięcie, które nie miało precedensu w historii motoryzacji: pierwszy w historii w pełni autonomiczny tandemowy drift dwóch samochodów bez kierowców.
Dwa zmodyfikowane Toyota GR Supra — przygotowane do standardowych zawodów Formula Drift — wjeżdżały na tor bez człowieka za kółkiem. Auto prowadzące (algorytmy TRI) planowało i wykonywało własną linię jazdy. Auto podążające (algorytmy Stanforda) musiało dynamicznie dostosowywać swoją trajektorię — zwalniać, gdy prowadzący zmieniał kierunek, i błyskawicznie nadrabiać dystans chwilę później. Jedyna komunikacja między autami: GPS i Wi-Fi. Dystans między nimi w czasie driftu: miejscami mniej niż 25 centymetrów.
— Zrobienie takiego czegoś, czego nigdy wcześniej nie zrobiono, naprawdę pokazuje, co jest możliwe — skomentował Gerdes. — Jeśli potrafimy to zrobić na torze, wyobraź sobie, co możemy zrobić, żeby samochody były bezpieczniejsze.
Kolejny kamień milowy — nie rewolucja, ale ewolucja
Pisaliśmy już na Cyborg.guide o tym, że pełna autonomia samochodowa to wciąż odległa perspektywa (piszemy o tym w artykule AI zaplanuje lot na Marsa – ale nie złoży twojej koszulki) . Ale historia motoryzacyjnego bezpieczeństwa uczy czegoś innego: nie trzeba czekać na pełną autonomię, żeby ograniczyć liczbę tragicznych w skutkach wypadków drogowych. Każdy kamień milowy — od ABS przez ESP po AEB — trafiał do seryjnych samochodów i zmieniał statystyki wypadków, zanim ktokolwiek zbudował prawdziwie autonomiczny pojazd.
Driftujące AI to nie fanaberia. To laboratorium, w którym szkoli się algorytmy AI — aby pewnego dnia, w ułamku sekundy, szybciej niż ludzki refleks, wyratować zwykły samochód z poślizgu na oblodzonej drodze. Nie zamiast kierowcy. Razem z nim.
Wyobraź sobie zupełnie nowy ESP, które zamiast tylko dohamowywać koła, aktywnie przeprowadzi auto przez krytyczną sytuację, jak doświadczony rajdowiec. To właśnie jest kierunek, w którym zmierza ta technologia. I sądząc po tym, co wydarzyło się na Thunderhill w lipcu 2024 — jesteśmy bliżej, niż myślimy. Czekamy na pierwszy news z biur projektowych kolejnych generacji aut. Coraz bezpieczniejszych.
