Waymo ने फक्त-कॅमेरा स्वायत्ततेविरुद्ध कठोर मर्यादा आखली

पूर्ण autonomy साठी कॅमेऱ्यांपेक्षा अधिक काही हवे, असे Waymo म्हणते

फक्त vision-आधारित self-driving विरुद्ध Waymo ने अलीकडील काळातील आपला सर्वात स्पष्ट युक्तिवाद मांडला आहे. अलीकडील Y Combinator सादरीकरणातून अधोरेखित झालेल्या टिप्पण्यांमध्ये, Waymo चे सह-CEO Dmitri Dolgov यांनी सांगितले की camera-only प्रणाली driver assistance साठी किंवा मानवी कार्यक्षमतेचा अंदाज घेण्यासाठी उपयोगी ठरू शकतात; पण जर उद्दिष्ट सुरक्षिततेच्या बाबतीत मानवी चालकापेक्षा वरच्या पातळीवरील पूर्ण autonomy असेल, तर त्या खूप लवकर मर्यादेला भिडतात.

हा युक्तिवाद महत्त्वाचा आहे, कारण तो automated driving मधील सर्वात दीर्घकाळ चाललेल्या तांत्रिक आणि व्यावसायिक वादांपैकी एकाच्या मुळापर्यंत जातो: camera data वर प्रशिक्षित केलेले software शेवटी संपूर्ण काम करू शकते का, की मजबूत autonomy साठी अनेक प्रकारचे sensors एकत्र काम करणे आवश्यक आहे? Dolgov यांच्या टिप्पणी Waymo ला दुसऱ्या गटात ठामपणे बसवतात आणि हा वाद engineering च्या पसंतीचा नाही, तर उद्योग प्रत्यक्षात कोणत्या safety target पर्यंत पोहोचू पाहत आहे याचा प्रश्न म्हणून मांडतात.

उद्धृत केलेल्या टिप्पणींनुसार, Dolgov यांनी हा tradeoff थेट स्पष्ट केला. अधिक sensors performance वाढवू शकतात, पण system complexity देखील वाढवतात, असे ते म्हणाले. जर उद्दिष्ट फक्त माणसे कशी चालवतात तितपत कार्यक्षमता गाठणे किंवा एक assistance product तयार करणे असेल, तर cameras वर अवलंबून राहणे वाजवी ठरू शकते. पण जर उद्दिष्ट पूर्ण autonomous driving आणि, त्यांच्या मते, strongly superhuman performance असेल, तर कमकुवत sensing मुळे safety curve खूप लवकर सपाट होते, असे त्यांनी सांगितले.

हे शब्दप्रयोग महत्त्वाचे आहेत, कारण ते benchmark ची व्याख्या बदलतात. या युक्तिवादात human driving हा ceiling नाही. Human driving हा baseline आहे, आणि technical stack चे मूल्यमापन या आधारावर व्हायला हवे की तो edge cases आणि कठीण वातावरणात पुरेशा विश्वासाने त्या पलीकडे सुधारणा करत राहू शकतो का.

Waymo तीन sensor प्रकारांवर का भर देत आहे

मूळ साहित्याच्या सारांशानुसार, Waymo cameras, lidar आणि radar वापरते कारण प्रत्येक sensor इतरांच्या कमकुवत बाजू भरून काढतो. Cameras उच्च resolution आणि रंग माहिती देतात, ज्यामुळे system दृश्य अधिक समृद्ध पद्धतीने समजू शकते. पण cameras passive sensors आहेत, आणि अंधार तसेच glare मध्ये त्यांची कामगिरी घसरते, असे Dolgov यांनी सांगितले.

याउलट lidar वाहनाभोवतीच्या जगाची तीन-आयामी रचना थेट मोजते. Radar दुसरी ताकद देते: fog, rain, snow यांसारख्या परिस्थितींमध्ये ते चांगले काम करते, आणि Doppler effects च्या मदतीने velocity थेट मोजू शकते. Lidar आणि radar हे active sensors आहेत, म्हणजेच ते अंधारात आणि डोळे दिपवणाऱ्या sunset सारख्या दृष्टीला त्रासदायक परिस्थितींमध्येही प्रभावीपणे काम करू शकतात, यावर Dolgov यांनी भर दिला.

एकत्र पाहिले तर हेच Waymo चे मुख्य तांत्रिक तर्क आहे. मानव fallback शिवाय चालणाऱ्या self-driving system ने perception च्या एका चॅनेलवर अतिनिर्भर राहू नये, विशेषतः जेव्हा तो चॅनेल प्रत्यक्ष जगातील सामान्य अपयशांना संवेदनशील असतो. Sensor diversity ही ऐच्छिक redundancy नाही, अशी कंपनीची भूमिका आहे. एखादा sensing mode अविश्वसनीय झाल्यावर वाहनाची awareness टिकवून ठेवणारी यंत्रणा तेच आहे.

हे केवळ अनुकूल परिस्थितीत lanes, vehicles आणि pedestrians ओळखण्यापेक्षा अधिक कठोर मानक आहे. ते अशा गोंधळलेल्या जगात deployment गृहित धरते जिथे प्रकाश वेगाने बदलतो, हवामान दृश्यता बिघडवते, road users अनपेक्षित वागतात, आणि क्वचित पण गंभीर प्रसंग रोजच्या प्रसंगांइतकेच महत्त्वाचे असतात.

उद्योगातील खोल फूट product category बद्दल आहे

Dolgov यांच्या टिप्पणींमधून हेही सूचित होते की self-driving भोवतीचा काही वाद प्रत्यक्षात product category विषयीचा वाद आहे. Driver-assistance system आणि fully autonomous system बाहेरून सारखे दिसू शकतात, पण failure, responsibility आणि स्वीकारार्ह performance margins बाबत अतिशय वेगवेगळ्या गृहितकांवर ते बांधले जाऊ शकतात.

जर human driver जबाबदार आणि सतर्क राहिला, तर system uncertainty आल्यावर समस्या परत त्याच्याकडे सोपवू शकते. जर वाहनालाच संपूर्ण काम हाताळायचे असेल, तर uncertainty चे निराकरण मशीनच्या स्वतःच्या sensing आणि decision-making stack मध्ये करावे लागते. इथेच Waymo ला camera-first किंवा camera-only approach अपुरी वाटते.

या फाळणीचा व्यावसायिक पैलूही तितकाच महत्त्वाचा आहे. अधिक hardware म्हणजे साधारणतः अधिक खर्च, अधिक integration work आणि संभाव्यतः अधिक maintenance complexity. Vision-only समर्थकांनी नेहमीच असा युक्तिवाद केला आहे की सोपे hardware अधिक कार्यक्षमतेने scale होऊ शकते. दिलेल्या source text वरून Dolgov यांचे उत्तर असे की cost आणि complexity या प्रश्नांना safety target पासून वेगळे करता येत नाही. स्वस्त sensing approach आकर्षक वाटू शकतो, पण तो उद्दिष्ट autonomy level ला अजूनही आधार देत असेल तरच.

म्हणजे हा केवळ कोणता sensor elegant आहे यावरील तांत्रिक वाद नाही. उरलेली समस्या दुर्मिळ, कठीण किंवा safety critical होत गेल्यावर कमी खर्चाची perception stack तरीही सुधारत राहू शकेल का, हा धोरणात्मक प्रश्न आहे.

ही टिप्पणी self-driving race साठी काय सूचित करते

Source text मध्ये Dolgov यांच्या टिप्पणी Tesla च्या approach ला थेट आव्हान म्हणून मांडल्या आहेत, पण उपलब्ध माहितीतून काढण्याजोगा सर्वात सुरक्षित निष्कर्ष अधिक व्यापक आहे. Waymo multimodal sensing ला autonomous driving च्या पुढच्या टप्प्यासाठी अत्यावश्यक मानत आहे आणि dependable driverless performance चा मार्ग complementary perception मधून जातो, minimal hardware मधून नाही, असा त्यांचा विश्वास आहे.

हे उद्योगातील वाद मिटवत नाही, पण तो अधिक स्पष्ट करते. प्रश्न आता फक्त इतका नाही की वाहन अनेक परिस्थितींमध्ये स्वतः चालू शकते का. प्रश्न असा आहे की सोपे लाभ संपल्यानंतर आणि उरलेल्या चुका darkness, glare, weather, ambiguous motion किंवा रस्त्यावरील असामान्य geometry मधून येऊ लागल्यानंतर, कोणती architecture पुढेही सुधारत राहू शकते का.

Safety curve खूप लवकर सपाट होते या कल्पनेवर भर देऊन Waymo असा युक्तिवाद करत आहे की weak sensing ची समस्या आजच्या प्रणालींना फक्त कमकुवत बनवते असे नाही. त्यांच्या दृष्टीने खोल समस्या ही आहे की त्यामुळे उद्याच्या system improvement ला मर्यादा लागू शकते.

व्यापक transportation आणि energy ecosystem साठी हा फरक महत्त्वाचा आहे. Autonomous vehicles सहसा software breakthroughs म्हणून चर्चिले जातात, पण मोठ्या प्रमाणावर deployment हे मशीन ताणाखाली किती विश्वासार्हपणे perceive करू शकते यावरही तितकेच अवलंबून असते. Dolgov यांच्या टिप्पणी autonomy साठी hardware choices अजूनही business आणि safety case मध्ये केंद्रस्थानी असल्याचे अधोरेखित करतात.

त्या अर्थाने Waymo चा संदेश स्पष्ट आहे: उद्योगाला खरे driverless systems हवे असतील, advanced assistance नाही, तर sensing stack मानव दृष्टी आणि परिणामी camera-only perception पुरेशी नसलेल्या परिस्थितीसाठी तयार करावा लागेल.

हा लेख CleanTechnica च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.