Miesiąc: czerwiec 2022

W swojej wnikliwej książce o pojazdach autonomicznych pt. Driverless: Intelligent Cars and the Road Ahead autorzy Hod Lipson i Melba Kurman zwracali uwagę, że samochody samojezdne będą najpierw używane w określonych celach i obszarach, pisząc:

“Pierwsze autonomiczne pojazdy pojawią się w specjalnych środowiskach, zanim pojawią się na głównych drogach. Kopalnie i farmy już korzystają z pojazdów autonomicznych. Przewóz ładunków będzie prawdopodobnie również początkowy. Początkowo w miastach adopcja bez kierowców będzie ostrożna, przyjmując formę promów o niskiej prędkości, które jeżdżą powoli w zamkniętych i uporządkowanych środowiskach, takich jak lotniska lub kurorty. “

Poniżej przedstawiamy kilka miejsc, które już zaczęły wdrażać technologie i testy samochodów bez kierowcy.

Finlandia i autobus kierowcy robota bez kierowcy

Testy wahadłowych pojazdów wolnobieżnych rozpoczęły się już w Finlandii, od 2016 r. Jednym z głównych powodów, dla których Finlandia jest pionierem technologii pojazdów autonomicznych, jest legalne prowadzenie pojazdów bez kierowcy sytuacje drogowe w tym kraju. Finlandia była również jednym z pierwszych krajów, które przyjęły sposób myślenia, że pojazdy samojezdne powinny najpierw służyć transportowi publicznemu, a nie pojedynczym samochodom. Przekonanie to ma sens, gdy weźmie się pod uwagę obawy związane z planowaniem miasta, bezpieczeństwem publicznym, natężeniem ruchu i korzyściami środowiskowymi oferowanymi przez tę technologię. Firma stojąca za pierwotnym projektem testowym magistrali robotów nosi nazwę Sohjoa. Harri Santamala, dyrektor projektu dla firmy, który jest również dyrektorem programu Smart Mobility na Helsinki Metropolia University of Applied Sciences, podzielił się krótkim opisem autobusu:

“Te małe autobusy roboty są zaprogramowane do jazdy określoną trasą, co różni się od tego, co rozwijają duże koncerny samochodowe , samochody samobieżne, które mogą jeździć wszędzie i z każdym, kto prowadzi je.”

We wczesnych testach prędkość tych autobusów ustawiono na 11 km . Podobne formy autobusów robotów mają wkrótce rozpocząć testy w Norwegii. Norwegowie są obecnie światowymi liderami w zakupie pojazdów elektrycznych i reprezentują jeden z największych rynków dla firm takich jak Tesla.

Singapur i San Francisco oferują przejazdy taksówkami z napędem własnym

Singapur był pierwszym krajem, w którym wprowadzono taksówki z własnym napędem w 2016 r. Taksówki te były obsługiwane przez NuTonomy, start-up technologiczny, który tworzy oprogramowanie potrzebne do prowadzenia samochodów z własnym samochodem, umożliwiając konsumentom zamawianie jazdy na jednym z taksówek aplikacja na smartfony. Dotychczasowe testy zaowocowały jednym drobnym incydentem, w którym jeden samochód zderzył się z ciężarówką, ale nie doznał żadnych obrażeń. General Motors prowadzi podobny program testowy w San Francisco, w którym pozwala niektórym pracownikom korzystać z samochodów samojezdnych na przejażdżki bez żadnych kosztów. Jest to sprytny pomysł na testowanie, ponieważ wiedza techniczna pracowników pozwala im przekazywać cenne informacje zwrotne, a status pracownika sprawia, że rzadziej niż “cywile” wspominają o jakichkolwiek wadach technicznych w mediach społecznościowych, które mogłyby negatywnie wpłynąć na opinię publiczną przed technologia jest kompletna. W przyszłości możemy spodziewać się większej liczby miast i krajów uczestniczących w programach testowych systemów transportu publicznego również dla kierowców.

Można by zapytać, czy informacja może być szkodliwa: czy rzeczywiście może mieć ujemną wartość oczekiwaną? Intuicyjnie należy się spodziewać, że będzie to niemożliwe. W końcu w najgorszym przypadku można po prostu zignorować informacje i udawać, że nigdy ich nie otrzymaliśmy. Potwierdza to następujące twierdzenie, które dotyczy dowolnego agenta decyzyjno-teoretycznego korzystającego z dowolnej sieci decyzyjnej z możliwymi obserwacjami E_j: Oczekiwana wartość informacji jest nieujemna:

Twierdzenie wynika bezpośrednio z definicji VPI, a dowód zostawiamy jako ćwiczenie. Jest to oczywiście twierdzenie o wartości oczekiwanej, a nie rzeczywistej. Dodatkowe informacje mogą łatwo doprowadzić do planu, który okaże się gorszy niż pierwotny plan, jeśli informacje te wprowadzają w błąd. Na przykład badanie lekarskie, które daje fałszywie dodatni wynik, może prowadzić do niepotrzebnej operacji; ale to nie znaczy, że test nie powinien być wykonywany. Należy pamiętać, że VPI zależy od aktualnego stanu informacji. Może się zmienić w miarę zdobywania większej ilości informacji. Dla dowolnego dowodu E_j, wartość jego pozyskania może spaść (np. jeśli inna zmienna silnie ogranicza a posteriori dla E_j) lub w górę (np. jeśli inna zmienna dostarcza wskazówki, na której opiera się E_j, umożliwiając nowe i lepsze planowany do opracowania). Zatem VPI nie jest addytywny. To znaczy,

VPI jest jednak niezależne od zamówienia. To znaczy,

gdzie notacja VPI(·|E) oznacza VPI obliczoną zgodnie z rozkładem a posteriori, gdzie E jest już obserwowane. Niezależność porządku odróżnia działania wykrywające od zwykłych działań i upraszcza problem obliczania wartości sekwencji działań czujnikowych.

Przy całym zamieszaniu wokół samochodów autonomicznych może być ciekawy, kiedy będziesz mógł je kupić samodzielnie. Trudno jest odpowiedzieć na to pytanie, ponieważ dopuszczenie tego rodzaju samochodów do użytku konsumenckiego jest ograniczone kilkoma czynnikami, w tym testami producentów samochodów w celu zapewnienia bezpieczeństwa produkowanych pojazdów. Oto najbardziej aktualne przewidywane terminy wprowadzenia samochodów samojezdnych, zgodnie z przewidywaniami różnych producentów:

•  Tesla: Tesla jest obecnie w czołówce technologii samochodów samojezdnych. Elon Musk, CEO i współzałożyciel Tesli, szacuje, że do 2019 r. jego firma będzie w stanie produkować samochody samobieżne na poziomie 4, które będą mogły działać bez udziału ludzkiego kierowcy.

•  Audi i Nvidia: firmy te uważają, że będą mogły mieć pojazdy autonomiczne na rynku do 2020 roku. . Audi szacuje również, że do 2018 r. Wprowadzi autonomiczne samochody poziomu 3, a Nvidia twierdzi, że samokierujące systemy komputerowe do samochodów będą gotowe do końca roku.

•  Ford: Nawet najstarszy producent samochodów na świecie, Ford, uczestniczy w technologiach pojazdów autonomicznych i przewiduje, że jego samodzielne pojazdy będą gotowe do 2021 roku.

•  Volvo: Firma jest przekonana, że do 2021 roku będą miały na drogach pierwsze modele pojazdów autonomicznych. Volvo prowadzi również duży projekt autonomicznej jazdy pod nazwą “Drive Me”, który został zaprojektowany w celu przetestowania pojazdów samojezdnych z udziałem ludzkich kierowców w Göteborg, Szwecja.

•  Honda: Według własnych szacunków, Honda prawdopodobnie będzie jednym z wolniejszych producentów samochodów, którzy wprowadzą pojazdy bez kierowcy na drogę. Obecnie oczekuje się, że do 2025 r. Będą dostępne samochody autonomiczne poziomu 4, ale stara się być w stanie wypuścić te samochody w dowolnym momencie przystępna cena to zaledwie 20 000 $

•  Waymo: jest to samojezdny projekt Google, który przejechał już ponad 3 miliony mil na drogach publicznych. W tej chwili nie opublikowano informacji dotyczących dokładnej daty użycia tej technologii ani tego, z którymi producentami samochodów będzie używana.

Choć może się wydawać, że Tesla i Google będą głównymi liderami w dziedzinie technologii prowadzenia pojazdów samochodowych, po prostu na podstawie ich własnych szacunków, badanie przeprowadzone przez Navigant Research ujawniło, że, co zaskakujące, obecnymi liderami są Ford i General Motors, a następnie Sojusz Renault-Nissan i Daimler. To dobra wiadomość dla tradycyjnych producentów samochodów. W tym samym badaniu projekt Google, Waymo, zajął 6. miejsce, a Tesla 12. miejsce. Kryteria zastosowane w tym badaniu obejmowały takie czynniki, jak strategie go-tomarket, kompetencje produkcyjne, technologia, utrzymanie siły, sprzedaż, marketing i dystrybucja. Tymczasem firma transportowa Lyft ogłosiła, że większość swoich przejazdów będzie oferowana w samochodach samojezdnych do 2021 roku. Lyft nawiązał strategiczne partnerstwo z General Motors i NuTonomy, firmą, która tworzy wersję oprogramowania, które służy samo prowadzenie samochodów. Główny konkurent Lyft, Uber, również zastosował nowe technologie i już zaczął testować samochody z własnym napędem w Pittsburghu i Arizonie. Najprawdopodobniej samochody samobieżne będą wprowadzane na drogi publiczne etapami, z wykorzystaniem różnych poziomów technologii w ściśle kontrolowanych warunkach w ograniczonych lokalizacjach. Jednak prawdopodobnie pojawią się wcześniej, niż się spodziewamy, wprowadzając ogromne zmiany w miastach, na rynkach pracy i usługach, o czym będziemy mówić w dalszej części tej książki. Business Insider szacuje, że do 2020 r. Na drogach pojawi się ponad 10 milionów samochodów samojezdnych, ale pełne wdrożenie technologii samojezdnych nastąpi prawdopodobnie około 2030 r.

Wyprowadzenie ogólnego wzoru matematycznego na wartość informacji jest proste. Zakładamy, że można uzyskać dokładne dowody o wartości jakiejś zmiennej losowej E_j (czyli uczymy się E_j = e_j), więc użyto wyrażenia wartość doskonałej informacji (VPI) W początkowym stanie informacyjnym agenta wartość aktualna najlepsza akcja α to, z równania,

a wartość nowego najlepszego działania (po uzyskaniu nowego dowodu E_j = e_j) będzie

Ale E_j jest zmienną losową, której wartość jest obecnie nieznana, więc aby określić wartość odkrycia E_j, musimy uśrednić wszystkie możliwe wartości ej, które możemy odkryć dla E_j, korzystając z naszych obecnych przekonań na temat jej wartości:

Aby uzyskać intuicję dla tego wzoru, rozważ prosty przypadek, w którym do wyboru są tylko dwie akcje, a₁ i a₂. Ich obecne oczekiwane media to U₁ i U₂. Informacja E_j = e_j da pewne nowe oczekiwane użyteczności U0 1 i U0 2 dla działań, ale zanim uzyskamy Ej, będziemy mieć pewne rozkłady prawdopodobieństwa nad możliwymi wartościami U’₁ i U’₂ (które zakładamy, że są niezależne). Załóżmy, że a₁ i a₂ reprezentują dwie różne trasy przez łańcuch górski zimą: a₁ to ładna, prosta autostrada przez tunel, a a₂ to kręta droga gruntowa biegnąca przez szczyt. Biorąc pod uwagę te informacje, a₁ jest wyraźnie preferowane, ponieważ jest całkiem możliwe, że a₂ jest blokowane przez śnieg, podczas gdy jest mało prawdopodobne, aby cokolwiek blokowało a₁. U₁ jest więc wyraźnie wyższy niż U₂. Możliwe jest uzyskanie raportów satelitarnych E_j o aktualnym stanie każdej drogi, które dałyby nowe oczekiwania, U’₁ i U’₂, dla obu skrzyżowań. Rozkłady tych oczekiwań przedstawiono na rysunku (a).

Oczywiście w tym przypadku nie warto ponosić kosztów pozyskiwania raportów satelitarnych, ponieważ jest mało prawdopodobne, aby informacje z nich czerpane zmieniły plan. Bez zmian informacja nie ma wartości. Załóżmy teraz, że wybieramy między dwiema różnymi krętymi drogami gruntowymi o nieco różnych długościach i przewozimy ciężko rannego pasażera. Wtedy, nawet gdy U₁ i U₂ są dość zbliżone, rozkłady U’₁ i U’₂ są bardzo szerokie. Istnieje duże prawdopodobieństwo, że druga trasa okaże się pusta, podczas gdy pierwsza będzie zablokowana, a w tym przypadku różnica w mediach będzie bardzo duża. Formuła VPI wskazuje, że warto byłoby uzyskać raporty satelitarne. Taka sytuacja jest pokazana na rysunku (b). Na koniec załóżmy, że wybieramy między dwiema drogami gruntowymi latem, kiedy zablokowanie przez śnieg jest mało prawdopodobne. W tym przypadku raporty satelitarne mogą wskazywać, że jedna trasa jest bardziej malownicza niż druga z powodu kwitnących łąk alpejskich lub być może bardziej wilgotna z powodu niedawnego deszczu. Jest zatem całkiem prawdopodobne, że gdybyśmy mieli te informacje, zmienilibyśmy nasz plan. W tym przypadku jednak różnica w wartości między tymi dwiema trasami prawdopodobnie nadal będzie bardzo mała, więc nie będziemy zawracać sobie głowy otrzymywaniem raportów. Ta sytuacja jest pokazana na rysunku (c). Podsumowując, informacja ma wartość do tego stopnia, że ​​prawdopodobnie spowoduje zmianę planu, a J do tego stopnia, że ​​nowy plan będzie znacznie lepszy niż stary.

Istnieje ogromna ilość zaawansowanej technologii, która idzie w kierunku rozwoju samochodów z własnym napędem. Proces jest niezwykle złożony, co jest jednym z powodów, dla których tworzenie go zajmuje tak długo. Prawidłowe zaprojektowanie może zająć wiele lat. Niezależnie od czasu, jaki zajmuje zbudowanie pojazdu samobieżnego, niezwykle ważne jest, aby miasta na całym świecie zaczęły przygotowywać się na ewentualność, że kiedyś będą w drodze. Oto niektóre szczegółowe informacje na temat technologii związanej z tworzeniem samochodów samobieżnych, a także tego, co czyni te pojazdy tak wyjątkowymi i zdolnymi do samodzielnej jazdy po ulicach. Według McKinsey & Company istnieje 10 elementów, które umożliwiają stworzenie samochodu samojezdnego. Obejmują one:

•  Uruchomienie: odnosi się do stworzenia elementów kierowania, hamowania i przyspieszenia.

•  Chmura: Pojazdy samojezdne będą nawigować za pomocą map, danych o ruchu i algorytmów, dlatego będą musiały być podłączone do chmury.

•  Analiza percepcji i obiektów: Ponieważ pojazdy te będą musiały być w stanie wykrywać przeszkody i manewrować wokół nich, jest to jeden z najważniejszych elementów, który należy opracować.

•  Kontrola jazdy: Aby samochód mógł się poruszać, konieczne będzie przetworzenie sygnału wyjściowego algorytmu na sygnał jazdy.

•  Podejmowanie decyzji: jest to po prostu zdolność pojazdu do zaplanowania własnej trasy i manewrów wymaganych do dotarcia do celu.

•  Lokalizacja i mapowanie: Aby bezpiecznie poruszać się po drogach, samochód prowadzący pojazd musi być w stanie zebrać dane, które obejmą informacje o środowisku, mapy i lokalizację pojazdu.

•  Analityka: pojazd samojezdny będzie mógł także wykryć problemy w swoim własnym systemie. Obejmują one wady konstrukcyjne i zalecenia dotyczące naprawy.

•  Oprogramowanie pośrednie lub system operacyjny: jest to oprogramowanie potrzebne do uruchomienia algorytmów i jest niezbędne do prawidłowego funkcjonowania pojazdu.

•  Sprzęt komputerowy: programiści pracowali nad systemem o wysokiej wydajności i niskim zużyciu energii dla tych pojazdów, który byli w stanie wyprodukować jako system na chipie (SOC).

•  Czujniki: Wykrywanie przeszkód jest kluczową funkcją samodzielnego prowadzenia pojazdu, i jako taki będzie musiał zawierać wiele czujników uwzględnionych w projekcie. Będą to lidar, sonar, radar i kamery.

Chociaż pomysł samodzielnego prowadzenia samochodu istnieje od wielu lat, przekształcenie go w rzeczywistość zajmuje bardzo dużo czasu. Wymaga zaawansowanej technologii, aby opracować wszystkie ważne elementy niezbędne do wyprodukowania praktycznego samochodu, który może bezpiecznie funkcjonować na drodze. Pomimo długiego procesu rozwoju istotne jest, aby kraje i miasta zaczynają się teraz przygotowywać na nieuchronność jazdy samochodem po drogach w najbliższej przyszłości.

Załóżmy, że firma naftowa ma nadzieję kupić jeden z n nieodróżnialnych bloków praw do wiercenia oceanów. Załóżmy dalej, że dokładnie jeden z bloków zawiera ropę, która przyniesie zysk netto w wysokości C dolarów, podczas gdy pozostałe są bezwartościowe. Cena wywoławcza każdego bloku to C/n dolarów. Jeśli firma jest neutralna pod względem ryzyka, to będzie obojętne, czy kupi blok, czy nie, ponieważ w obu przypadkach oczekiwany zysk wynosi zero. Załóżmy teraz, że sejsmolog oferuje firmie wyniki badania bloku numer 3, które ostatecznie wskazuje, czy blok zawiera olej. Ile firma powinna zapłacić za informacje? Sposobem na odpowiedź na to pytanie jest zbadanie, co zrobiłaby firma, gdyby posiadała informacje:

• Z prawdopodobieństwem 1/n ankieta wskaże ropę w bloku 3. W tym przypadku firma kupi blok 3 za C/n dolarów i osiągnie zysk w wysokości C-C/n = (n-1)C/n dolarów.
• Z prawdopodobieństwem (n-1)/n, ankieta wykaże, że blok nie zawiera ropy iw takim przypadku firma kupi inny blok. Teraz prawdopodobieństwo znalezienia ropy w jednym z pozostałych bloków zmienia się z 1/n na 1/(n-1), więc firma dokonuje oczekiwanego zysku C/(n-1)-C/n =C/n(n-1) dolarów.

Teraz możemy obliczyć oczekiwany zysk, mając dostęp do informacji z ankiety:

1/n x (n-1)C/n + n-1/n x C/n(n-1) =C/n:

Tak więc informacja jest warta C/n dolarów dla firmy, a firma powinna być skłonna zapłacić sejsmologowi znaczną część tej kwoty. Wartość informacji wynika z faktu, że dzięki niej można zmienić kierunek działania, aby dostosować się do rzeczywistej sytuacji. Można rozróżniać w zależności od sytuacji, podczas gdy bez informacji trzeba robić średnio to, co najlepsze w możliwych sytuacjach. Ogólnie rzecz biorąc, wartość danej informacji jest definiowana jako różnica wartości oczekiwanej między najlepszymi działaniami przed i po uzyskaniu informacji.

Jest jeszcze długa droga dla firm do opracowania samochodów bez kierowcy, które mogą podróżować między lokalizacjami bez udziału człowieka lub interwencji. Aby lepiej wyjaśnić ten proces, SAE International (globalne stowarzyszenie inżynierów i powiązanych ekspertów technicznych z branży lotniczej, motoryzacyjnej i pojazdów użytkowych) opracowało listę sześciu poziomów automatyzacji, które będą musiały wystąpić, aby samochody mogły być użytkowane bez ludzkiego kierowcy. Ta lista może pomóc ludziom zrozumieć proces stopniowego rozwoju niezbędny do osiągnięcia w pełni autonomicznych pojazdów. Na pierwszych trzech poziomach ludzcy kierowcy są zobowiązani do monitorowania środowiska jazdy, podczas gdy na ostatnich trzech poziomach automatyczny system prowadzenia przejmuje to zadanie. Oto poziomy określone przez SAE:

•  0 – Brak automatyzacji: na tym poziomie ludzki kierowca zachowuje 100-procentową kontrolę, wykonując wszystkie zadania, nawet po otrzymaniu ostrzeżeń z systemów samochodowych.

•  1 – Pomoc kierowcy: na poziomie 1 małe i specyficzne funkcje, takie jak kierowanie, mogą być wykonywane automatycznie przez samochód, ale wszystkie inne funkcje są pod kontrolą człowieka.

•  2 – Częściowa automatyzacja: na poziomie 2 ludzki kierowca jest nadal odpowiedzialny za podstawowe zadania, ale system wspomagania w samochodzie może pomóc w niektórych elementach wrażeń z jazdy, takich jak przyspieszenie lub spowolnienie, poprzez wykorzystanie wykrytych informacji o środowisku jazdy . Kierowca nadal musi być gotowy i móc przejąć kontrolę w dowolnym momencie. Autopilot Tesli utrzymuje się na tym poziomie od 2014 roku.

• 3 – Warunkowa automatyzacja: na poziomie 3 samochód może prowadzić w większości warunków, nawet wykonując zadania takie jak zmiana pasów, ale może również poprosić kierowcę o przejęcie kontroli w razie potrzeby. Kierowca może również zdecydować się na interwencję w dowolnym momencie, ale nie jest zobowiązany do monitorowania środowiska w taki sam sposób, jak we wcześniejszych trzech fazach.

•  4 – Wysoka automatyzacja: na poziomie 4 samochód może jeździć w prawie każdej sytuacji bez udziału człowieka. Samochody na tym poziomie można zaprogramować tak, aby nie jechały w trudnych warunkach pogodowych. Samojezdne samochody Google są testowane na tym poziomie.

•  5 – Pełna automatyzacja: na poziomie 5 pojazdy używają w pełni zautomatyzowanego systemu, który poradzi sobie nawet w najtrudniejszych warunkach bez interwencji człowieka

Producenci samochodów samobieżnych ścigają się o swoje pojazdy do poziomu 4 lub 5, ponieważ pierwsze które osiągną te poziomy mogą być w stanie zdobyć większą część rynku. Jednak sukces pojazdów każdej firmy zależeć będzie nie tylko od możliwości ich technologii, ale także od obowiązujących przepisów i gotowości miast, w których są one wdrażane, aby pomieścić samochody autonomiczne

Działania są wybierane poprzez ocenę sieci decyzyjnej dla każdego możliwego ustawienia węzła decyzyjnego. Po ustawieniu węzła decyzyjnego zachowuje się on dokładnie tak, jak węzeł szansy, który został ustawiony jako zmienna dowodowa. Algorytm oceny sieci decyzyjnych jest następujący:

1. Ustaw zmienne dowodowe dla bieżącego stanu.
2. Dla każdej możliwej wartości węzła decyzyjnego:

(a) Ustaw węzeł decyzyjny na tę wartość.

(b) Oblicz prawdopodobieństwa a posteriori dla węzłów macierzystych węzła użyteczności, używając standardowego algorytmu wnioskowania probabilistycznego.

(c) Oblicz wynikową użyteczność działania.

3. Zwróć akcję z najwyższą użytecznością.

Jest to proste podejście, które może wykorzystywać dowolny dostępny algorytm sieci bayesowskiej .

Tradycyjnie samochody odgrywały ważną rolę w projektowaniu dużych miast, w tym w szczegółach takich jak budowa dróg oraz projektowanie i rozmieszczenie parkingów. Samochody tradycyjnie również odgrywały kluczową rolę w zdolności poruszania się ludzi, ponieważ w przeszłości zdolność do poruszania się większości ludzi była zależna od ich pojazdów osobowych. Wszystko to prawdopodobnie się zmieni, gdy samochody samobieżne staną się bardziej popularne. Jak wspomniano wcześniej, te autonomiczne samochody będą oferować wiele korzyści, w tym bezpieczniejsze drogi i niższe koszty opieki zdrowotnej. Jednak posuwając się naprzód, rządy i naukowcy będą musieli stawić czoła trudnym wyzwaniom, które obejmują:

•  Bezpieczeństwo danych: samochody samojezdne będą w dużej mierze zależeć od danych, które można gromadzić i wykorzystywać do optymalizacji ich wydajności. Rodzi to wiele problemów związanych z prywatnością i bezpieczeństwem, które należy rozwiązać. Raport opracowany przez Intel i Strategy Analytics o nazwie :

“Przyspieszenie przyszłości: wpływ ekonomiczny wschodzącej gospodarki pasażerskiej” , opisuje sytuację w następujący sposób:

“Kto, co, gdzie i kiedy naszego życia zostanie schwytane i przechowywane. Punkty wejścia obejmą nasze smartfony, nasze pojazdy, nasze karty kredytowe i potencjalnie szereg czujników związanych z bezpieczeństwem osobistym i biometrią. Firmy bez rygorystycznych środków bezpieczeństwa danych i czujności szybko staną w obliczu luzu ze strony konsumentów i organów regulacyjnych. “

Rządy na szczeblu krajowym i regionalnym powinny zacząć rozważać wytyczne, które powinny być teraz obowiązujące, a technologie są wciąż stosunkowo nowe, aby zapewnić możliwość korzystania z samochodów samobieżnych w sposób chroniący prywatność konsumentów.

•  Nieoczekiwane sytuacje: zaprogramowanie samochodu samobieżnego na prawidłowe interpretowanie i reagowanie na każdy możliwy scenariusz, na przykład machanie przez pieszego lub wykrycie nieznanego obiektu na drodze, będzie skomplikowane.

•  Kwestie etyczne: mając na uwadze wyzwania etyczne, badacze z Massachusetts Institute of Technology (MIT) opracowali coś, co nazywają “maszyną moralną”, która pozwala ludziom zobaczyć, co mogą zrobić w pewnych sytuacjach, które mogą się zdarzyć w samochodzie samobieżnym, jak w przypadku śmierci pasażera lub uderzenia pieszego. Jednym z powodów, dla których to narzędzie jest tak interesujące, jest to, że pokazuje rodzaje dylematów moralnych, z jakimi możemy się spotkać podczas jazdy samochodem.

•  Dostosowanie do warunków pogodowych: samochody samojezdne będą musiały być w stanie szybko zmienić sposób działania w reakcji na zmieniające się warunki pogodowe, takie jak spadające gradobicie lub śliskie drogi z powodu ulewnego deszczu. Według Johna Leonarda, robota z MIT, śnieg jest szczególnie trudnym warunkiem do rozpoznania przez czujniki samochodowe z napędem, problem, nad którym obecnie pracuje kilku ekspertów w tej dziedzinie. To tylko niektóre z wyzwań i problemów, które firmy. To tylko niektóre z wyzwań i problemów, które firmy, osoby prywatne i rządy będą musiały wziąć pod uwagę, gdy samochody samojezdne staną się bardziej dostępne. Być może najtrudniejszym ze wszystkich będzie przekonanie opinii publicznej do zrozumienia i zaakceptowania, że samochody z własnym napędem są bezpieczniejsze niż pojazdy tradycyjne. Osobiście uważam, że politycy i światowi liderzy będą musieli zostać poinformowani o korzyściach i wyzwaniach związanych z samochodami samojezdnymi, aby mogli być lepiej przygotowani do prowadzenia działalności legislacyjnej, tworząc rozwiązania potencjalnych problemów, zanim tego rodzaju samochody wejdą na rynek na dużą skalę.

W swojej najbardziej ogólnej formie sieć decyzyjna reprezentuje informacje o aktualnym stanie agenta, jego możliwych działaniach, stanie, który wyniknie z działania agenta oraz użyteczności tego stanu. Rysunek przedstawia sieć decyzyjną dla problemu lokalizacji lotniska. Ilustruje trzy rodzaje użytych węzłów:

* Węzły losowe (owale) reprezentują zmienne losowe, tak jak w sieciach bayesowskich. Agent może być niepewny co do kosztów budowy, poziomu ruchu lotniczego i możliwości wszczęcia postępowania sądowego oraz zmiennych dotyczących bezpieczeństwa, ciszy i całkowitej oszczędności, z których każda zależy również od wybranej lokalizacji. Każdy węzeł szansy ma skojarzony z nim rozkład warunkowy, który jest indeksowany stanem węzłów nadrzędnych. W sieciach decyzyjnych węzły nadrzędne mogą obejmować węzły decyzyjne, jak również węzły losowe. Należy zauważyć, że każdy z węzłów losowych w obecnym stanie może być częścią dużej sieci bayesowskiej do oceny kosztów budowy, poziomu ruchu lotniczego lub potencjału sądowego

* Węzły decyzyjne (prostokąty) reprezentują punkty, w których decydent ma wybór działań. W takim przypadku działanie AirportSite może przyjąć inną wartość dla każdej rozważanej witryny. Wybór wpływa na bezpieczeństwo, spokój i oszczędność rozwiązania. W tym rozdziale zakładamy, że mamy do czynienia z pojedynczym węzłem decyzyjnym.

* Węzły użyteczności (diamenty) reprezentują funkcję użyteczności agenta.7 Węzeł użyteczności ma jako rodzica wszystkie zmienne opisujące wyniki, które bezpośrednio wpływają na użyteczność. Z węzłem użyteczności powiązany jest opis użyteczności agenta jako funkcja atrybutów nadrzędnych. Opis może być po prostu tabelą funkcji lub może być sparametryzowaną addytywną lub liniową funkcją wartości atrybutów. Na razie założymy, że funkcja jest deterministyczna; to znaczy, biorąc pod uwagę wartości jego zmiennych nadrzędnych, wartość węzła użyteczności jest w pełni określona.

W wielu przypadkach stosowany jest również uproszczony formularz. Notacja pozostaje identyczna, ale węzły losowe opisujące stany wynikowe są pomijane. Zamiast tego węzeł użyteczności jest połączony bezpośrednio z węzłami stanu bieżącego i węzłem decyzyjnym. W tym przypadku, zamiast reprezentować funkcję użyteczności w stanach wynikowych, węzeł użyteczności reprezentuje oczekiwaną użyteczność powiązaną z każdym działaniem, jak zdefiniowano w Równaniu; oznacza to, że węzeł jest powiązany z funkcją działania-użyteczności (znaną również jako funkcja Q w uczeniu się przez wzmacnianie). Rysunek przedstawia reprezentację problemu lokalizacji lotniska w postaci narzędzia akcji. Zauważ, że ponieważ węzły szansy Cisza, Bezpieczeństwo i Oszczędność na rysunku odnoszą się do przyszłych stanów, ich wartości nigdy nie mogą być ustawione jako zmienne dowodowe.

Tak więc uproszczona wersja, która pomija te węzły, może być używana zawsze, gdy można użyć bardziej ogólnej formy. Chociaż uproszczona forma zawiera mniej węzłów, pominięcie jednoznacznego opisu wyniku decyzji lokalizacyjnej powoduje, że jest ona mniej elastyczna w odniesieniu do zmian okoliczności. Na przykład na rysunku powyżej zmiana poziomu hałasu statku powietrznego może zostać odzwierciedlona przez zmianę w tabeli prawdopodobieństwa warunkowego powiązanej z węzłem Cisza, podczas gdy zmiana wagi przypisanej do zanieczyszczenia hałasem w funkcji użyteczności może zostać odzwierciedlona przez zmianę w tabeli użytkowej. Z drugiej strony na diagramie użyteczności akcji /wszystkie takie zmiany muszą być odzwierciedlone przez zmiany w tabeli użyteczności akcji. Zasadniczo sformułowanie użytkowe jest skompilowaną wersją oryginalnego sformułowania, uzyskaną przez zsumowanie zmiennych stanu wynikowego.