Потребители на Tesla Robotaxi съобщават за аномални маршрути и забавяния при разрастването в Хюстън
Източник: Business Insider / Smith Collection / Gado / Getty Images
С напредването на мащабната търговска програма за автономни превози на Tesla в Хюстън, Тексас, първите реални клиенти на услугата за роботаксита Cybercab започнаха да съобщават за необичайни софтуерни аномалии и дълги обиколни маршрути при кратки градски курсове [1]. Докладите разкриват техническите компромиси, които невронните мрежи на Full Self-Driving правят в стремежа си да избегнат рискови маневри в сложен трафик.
Феноменът „избягване на леви завои“ и консервативни маршрути
Потребители публикуваха телеметрични данни в социалните мрежи, показващи как за 3-километрово пътуване в централната част на Хюстън автомобилът избира 8-километрова обиколка през тихи жилищни квартали. Причината се корени в предпазливите настройки на невронните модели, които категорично избягват нерегулирани леви завои през многолентови булеварди с бързо движещ се трафик – маневра, която все още крие най-висок статистически риск от инциденти.
Разликата в потребителското търпение: Човешки шофьор срещу автономен алгоритъм
Макар консервативното маршрутизиране да гарантира безупречна безопасност и липса на пътни инциденти, то влиза в директен конфликт с очакванията на пътниците за бързина. Когато едно пътуване отнема 28 минути вместо стандартните 12 минути с Uber, пазарната привлекателност на услугата започва да намалява, дори ако цената на километър е значително по-ниска.
Преходът от чиста безопасност към социална оптимизация на движението
Докладите от Хюстън илюстрират класическото предизвикателство на втория етап от развитието на автономната мобилност: след като базовото оцеляване и избягването на сблъсъци са решени, алгоритмите трябва да се научат да шофират като уверени и предвидими човешки водачи. Ако автономният софтуер спира твърде рано или заобикаля всяка по-натоварена артерия, той създава изкуствени тапи и натоварва страничните улици. За Tesla решаването на този казус изисква фина настройка на моделите за планиране на траекториите (trajectory planners) с подсилващо обучение от човешка обратна връзка (RLHF), за да може бъдещият масов парк от Cybercab да бъде не просто безопасен, но и ефективен участник в градския ритъм.
Структурно изследване на левите завои, удълженото време за пътуване и баланса между предпазливост и бързина.