Zvíře. Čtyři nohy, drápky a nevyzpytatelná nálada. Vrní, přede, tulí se a občas vás absolutně ignoruje. Prostě kočka. Každý víme, jak vypadá a jak se chová, už od jeslí. Přece normálka. No jo, ale normálka pro nás, lidi. Takové auto nemá ani ponětí, co se mu to motá pod koly, ale vědět to musí, aby ji náhodou omylem nepřejelo. A naučit ho poznat, co to ta kočka vlastně je, je docela věda.
Ještě před pár lety by asi běžný člověk namítl, co na tom vůbec záleží, že auto nechápe komplexní biologii savců, dnes je ale situace úplně jiná. Po silnicích se pohybují vozidla se stále sofistikovanějšími autonomními systémy, které kdyby nefungovaly dostatečně precizně, mohou způsobit velké problémy, a to nejenom pro babiččinu Micku. Stejné systémy, které musejí rozumět tomu, co je kočka, totiž musí hlavně naprosto bezpečně poznat člověka, a to v jakékoli podobě, poloze, počasí a denní době.
„My jako lidé používáme při tom, jak se na svět díváme, spoustu kontextu a našich předchozích zkušeností. Víme, jak funguje gravitace, víme, že existuje vítr nebo fakt, že čím jsou objekty dál, tím se jeví menší. Stroj tenhle kontext nezná, a přesto si bez předchozí zkušenosti musí poradit s jakoukoli situací, před kterou je postaven. Což je zejména důležité na silnici,“ vysvětluje David Hurych, vědec z výzkumného centra umělé inteligence pro automobilové aplikace společnosti Valeo. Ta vyvíjí, testuje a vyrábí celou řadu chytrých softwarů a funkcí pro moderní automobily tak, aby byly bezpečné, spolehlivé a řidiči v lecčem ulehčily práci.
Jak se auto učí
Představte si kočku. Je černá, má kolem krku růžový obojek a na něm rolničku. Třeba. A představte si, kde byste takovou kočku asi viděli. Třeba na příjezdové cestě k babiččinu domečku. Sedí a olizuje si packy. Jako člověk v tomhle pomyslném obrázku kočku okamžitě rozpoznáte, tedy klasifikujete ji. Toto je kočka. Když vám pak někdo ukáže sérii kočičích pohlednic, v kterých je jedna bílá na seně, druhá mourovatá pod autem a třetí šedivá uprostřed Václaváku, na obrázku ji vždycky bezpečně najdete, tedy detekujete ji, protože víte, co kočka je a jak vypadá. A pokud uvidíte, jak se k vám řítí, zastavíte, abyste o ni nezakopli. Protože víte, jak se pohybuje.
„To, co je pro nás lidi běžné a automatické, se auto musí naučit. A to nejde běžným softwarem, který by programátor napsal kompletně ručně, protože ten nikdy nemůže vymyslet takovou sérii parametrů a rozhodovacích pravidel, aby bylo řešení, se kterým software přijde, stoprocentní. Protože nejsou všechny kočky černé a nepotkáte se se všemi jenom ve dne,“ říká David. „Takže se k tomu přistupuje statisticky prostřednictvím tzv. machine learningu, neboli strojového učení.“
Fáze 1: Rozpoznávání
Aby auto poznalo, co je a co není kočka, potřebuje strašnou spoustu cvičných obrázků. „Kočky všech barev a tvarů a všech možných poloh, kočky ve dne, v noci, v dešti a ve sněhu, kočky se třema nohama, v oblečku, pod autem, na stromě, prostě kdekoli a jakkoli se s jakoukoli kočkou můžeme setkat,“ vyjmenovává vědec z Valeo.ai, které má oficiální sídlo v Paříži, ale protože jde o globální tým, David sedí v Praze. „A k tomu proporčně potřebujeme ještě daleko víc obrázků všeho možného, co kočka není, protože na světě je daleko víc věcí, co kočka nejsou než ty, co jsou.“
Zpracováváním těchto obrázků si software postupně utvoří představu o tom, co dělá z kočky kočku, a to pomocí jejích jednotlivých specifických vlastností, tzv. příznaků (rozuměj: čtyři nohy, srst, ouška, fousky, barva, textura, atd.). Ty, vyjádřené matematicky – protože pořád mluvíme o stroji – si pak hodí jako body v mnohadimenzionálním prostoru, kde příznaky tvoří jednotlivé osy.
Druhou množinu bodů v tomto prostoru tvoří obrázky všeho jiného než koček. Na základě analýzy všech kočičích a nekočičích příznaků pak vytvoří funkci oddělující tyto dvě množiny bodů, jejímž cílem bude posoudit, co kočka je a co není zcela automaticky v reálném světě.
Fáze 2: Detekce
V téhle fázi už software v autě dokáže rozeznat, co je kočka a co není. Tedy teoreticky a ve většině běžných situací. Další výzvou proto je ji zákonitě poznat, kdykoliv se v dopravní situaci vyskytne kolem něj. A to je další oříšek. „Tady totiž přichází důležitá otázka ohledně toho, co všechno detekovat. Zajímají nás jen kočky vpředu našeho zorného úhlu, nebo detekujeme i ty na stromě, za oknem, na lavičce?“ přemýšlí David Hurych nahlas. „Logicky by nás měly zajímat jen ty, u kterých bezprostředně hrozí, že vběhnou do provozu. Jenomže jak víme, které to jsou, a třeba jak rychlé jsou, tedy jestli máme čas zatočit nebo zastavit předtím, než nám vběhnou pod nápravu. To je další funkční vrstva, která odhaduje směr pohybu a záměry aktérů, což se softwary pro automobily učí nejčastěji z videí.“
A že jim to vědci ze společnosti Valeo nijak neulehčují. Nejen kočky, ale i chodce, stromy a jiné hypotetické překážky jim ukazují ve dne, v noci, v dešti, sněhu, nebo třeba ve vichřici. Prostě jakákoli situace by se mohla na silnici vyskytnout, takovou se snaží „podchytit“ tím, že nasimulují její podmínky a neuronové síti tím dodají další porci, tentokrát hlavně augmentovaných (uměle vylepšených) informací. Na ty může reagovat jak rozpoznáním toho, zda před autem stojí kočka nebo nekočka, tak nějakou specifickou akcí, například zastavením nebo zatočením.
Nic není stoprocentní
Všichni dělají chyby. My, lidé i stroje. A stejně jako my se z nich i stroje dovedou poučit. Pokud např. psa označí za kočku, anebo kočku vidí v keři, kde prokazatelně není, vyhodnotí to nad systémem dohlížející vědci jako chybu, příslušně ji zaznamenají a neuronová síť to pak zařadí do své „databáze“ jako falešný poplach a přiučí se tuto situaci příště zvládnout.
„Chyby jsou poměrně běžné. Nezapomínejme totiž, že stroj nemá stejný vhled do problematiky jako člověk. Může, když to řeknu hodně zjednodušeně, napočítat na kočce moc chlupů a najednou ji uvidí jako psa. Anebo je v přenosu dat šum, který náhle z kočky udělá kachnu,“ říká David. „Otázka, kterou bychom si ale měli klást, je: Opravdu je pro auto důležité rozpoznat kočku od psa nebo kachny? Protože možná ne. Možná stačí jen rozpoznat statické a dynamické překážky, aby nenarazilo do ničeho.“
Chytré softwary v moderních automobilech většinou na silnicích relativně bezpečně poznají auta, lidi, cyklisty, motocyklisty, značení a „zbytek“ toho, co není ani jedno ze jmenovaných. A poznávají to daleko rychleji a daleko lépe než lidi, což je rozhodně velké a významné plus automatických systémů. Žádný objem dat o tom, co kočka je a není, ale nemůže obsáhnout realitu a všechny její situace, všechny podoby, polohy a alternativy. To prostě není lidsky ani strojově proveditelné.
„Samozřejmě, pokud bychom mohli stroj nejprve naučit, jako člověka, principům gravitace a fyzikálních sil, instruovali bychom ho, co jsou živly, jak funguje biologie a spoustu dalších věcí, které my lidé bereme za vlastní, možná by pak opravdu mohl kočku 100% poznat kdykoli a kdekoli. Ale protože to aktuálně možné není, vždycky budou existovat situace, kdy neuronová síť prostě vědět nebude, stejně jako ne vždy ví člověk,“ vysvětluje David s tím, že se vědci konstantně snaží strojům dodávat co nejvíce relevantních dat, protože čím víc dat, tím přesnější budou jejich reakce.
Stačí to ale na to, abychom jim svěřili život? „Aktuálně bych automatice asi svěřil parkování a obecně manévry třeba do 50 km/hod. Tam totiž vím, že i kdyby udělala chybu, nic moc by se nestalo. Když vám ale lidi budou tvrdit, že za dva nebo tři roky budou na silnicích plně autonomní auta, tak to opravdu nebudou. Možná budou skvělá na dálnici a při parkování a v mnoha běžných situacích, ale postavíte to na lesní cestu v noci, a pravděpodobně nevyjede,“ říká David Hurych z Valea.
„Systémy se samozřejmě budou radikálně zlepšovat a zvládneme je lépe učit. Věřím tak, že plně autonomní auta budou brzy dobře fungovat v omezených a předem definovaných prostorech (například jednoho konkrétního města). Tam jsme schopni nashromáždit dostatek dat a zajistit velkou spolehlivost. Autonomie pro celý svět ale bude ještě chvíli trvat. Takže automatické systémy pro parkování, udržení jízdy v pruzích, udržování vzdálenosti na dálnici či systémy pohotovostního brždění ano, ty jsou praktické, často daleko přesnější než člověk a mohou vám i zachránit život. Ale je třeba myslet na to, že plně autonomní režimy zatím opravdu nejsou, je tedy nutné stále dávat pozor, a kdykoli je to potřeba, řízení převzít.“
Foto: pixabay.com, unsplash.com, Valeo official