web Autonomne.cz

odkaz na homepage

Michal Čáp

Jakkoli se může Česká republika zdát malou zemí, dějí se tu velké věci. Obzvláště to platí v oblasti robotiky, kde patříme k velmocem, v ústraní nezůstává ani vývoj autonomního řízení. O své mimořádně zasvěcené vhledy do problematiky vývoje autonomních vozidel se s námi tentokrát podělil vedoucí vývoje autonomie americké firmy ISEE, pan Michal Čáp.

Michal Čáp
Michal Čáp (foto: archiv Michal Čáp)

Dobrý den, velmi si vážím, že jste přijal pozvání k rozhovoru. Můžete se, prosím, na začátek představit a přiblížit nám svoji profesní dráhu?
Jmenuji se Michal Čáp, moje profesní dráha je klikatá. Bakaláře jsem dělal v Brně, pak jsem odjel na Erasmus do Anglie, načež magistra jsem dodělával v Nizozemsku na univerzitě v Utrechtu v oboru agentní technologie. V podstatě to byla klasická umělá inteligence, ještě před rozmachem hlubokých neuronových sítí. Když jsem posléze řešil, kam dál, už se mi stýskalo po Čechách. Objevil jsem tak skupinu Michala Pěchoučka, která v té době byla ještě relativně mladá, jmenovala se Centrum agentních technologií, což přesně odpovídalo mému studijnímu zaměření z Utrechtu. Připojil jsem se k nim a následně jsem tam nastoupil na doktorát.
Během doktorátu jsem se zabýval problémem koordinace trajektorií v multirobotických týmech. Představte si systém s velkým množstvím pohybujících se agentů, kde je potřeba zajistit, aby se vzájemně nesráželi. A pokud už nějakou kolizi zdetekují, aby jí byli schopni vyřešit. Původní motivací byl projekt, který jsme řešili pro americké řízení letového provozu (FAA). V rámci tohoto projektu jsme pracovali na algoritmech, které měly v budoucnu nahradit řídící letového provozu. Myšlenka byla taková, že letadla budou mít na palubě krabičku, která bude vysílat jejich budoucí letový plán, a vždy, když dvě letadla zdetekují kolizi v letovém plánu, vyjednají si, jak kolizi vyřeší. Vymýšlel jsem algoritmy pro toto vyjednávání a snažil se o nich dokázat, že všechny konflikty opravdu vyřeší. Protože nechcete, aby vám během letu algoritmus řekl, že nedokáže najít řešení. Později se ukázalo, že podobné situace nastávají i ve spoustě přízemnějších aplikací, typicky v různých průmyslových multirobotických systémech.
V té době jsem byl na konferenci ve Spojených státech a po jejím skončení jsem se stavil na návštěvu za profesorem Emiliem Frazzolim, který je významným profesorem na MIT působícím ve stejném oboru. Navázali jsme spolupráci, která postupem času vedla k tomu, že mě v roce 2015 pozval do Singapuru do jedné z jeho laboratoří, kde pracovali na golfových autonomních vozítkách. Tam jsem dostal příležitost vzít svůj algoritmus, který jsem měl vymyšlený na papíře a otestovaný v simulaci, a nasadit ho na jejich robotický systém. To jim dodalo schopnost řešit konflikty mezi jednotlivými vozidly. Například, když se dvě taková vozítka potkala na křižovatce, dokázala se pak samostatně zkoordinovat. Zajímavé je, že výzkumná skupina, se kterou jsem pracoval, se stala zárodkem firmy, která se původně jmenovala nuTonomy a dnes se jmenuje Motional. Profesor Frazzoli byl jejím spoluzakladatelem a prvním technickým ředitelem (CTO). Motional je v současnosti jeden z největších hráčů na poli robotaxi.
Následně jsem získal Fulbrightovo stipendium, což mi umožnilo strávit rok u něj v laboratoři na MIT. Tam jsem se mimo jiné začal zabýval výzkumem algoritmů pro analýzu a řízení obrovských flotil autonomních vozidel. Motivace vycházela z toho, že obchodním modelem firmy nuTonomy bylo provozovat flotilu autonomních taxi vozů. Předpokládejme, že máme k dispozici spolehlivou technologii autonomního řízení. Zajímalo nás, jak můžeme tuto technologii co nejlépe využít k zefektivnění městské mobility. Modelovali jsme, kolik bychom potřebovali autonomních taxi vozů k obsloužení veškeré dopravní poptávky po osobní dopravě v různých městech. Měřili jsme to na příkladech různých hypotetických scénářů nasazení, jako například na Manhattanu, v Singapuru nebo v Praze. V Praze to vycházelo tak, že milion jízd autem po Praze denně, dnes obsluhovaných zhruba 300 tisíci osobními nesdílenými vozy, by bylo možné obsloužit zhruba 60 tisíci sdílenými taxi vozy. Důsledkem by bylo dramatické snížení poptávky po parkování ve městě. Dnes má každý člověk svoje auto, které v průměru využívá na 2 až 3 jízdy denně, zbytek času stojí na parkovacím místě. Ve sdíleném režimu je mnohem méně aut, která navíc jsou většinu času v pohybu, což by řádově snížilo počet potřebných parkovacích míst ve městě. Cenou, kterou za tuto úsporu platíme, je ale to, že sdílená auta musí občas přejíždět prázdná od jednoho zákazníka k dalšímu, což by v typickém městě vygenerovalo zhruba 20-40 % najetých kilometrů navíc. Těchto prázdných kilometrů navíc se nelze zbavit, je to fundamentální vlastnost sdílených dopravních systémů vycházející z nerovnoměrnosti dopravní poptávky ve městech. To je ale zásadní problém, protože v současné době jsou silnice ve městech na hranici kapacity, často za její hranicí.
Nejjednodušším způsobem, jak snížit množství najetých kilometrů v takovém systému, je pomocí sdílení jízd. Tedy snažit se převážet několik pasažérů jedním vozem současně. Tam se ale objeví další kompromis – když začneme přiřazovat více lidí do jednoho auta, tak to nutně vede k prodloužení cesty, protože si musíme udělat zajížďku. Nás zajímaly právě tyto kompromisní křivky, které vyjadřují, kolik jsme schopni ušetřit najetých kilometrů výměnou za prodloužení průměrné dojezdové doby do cíle. Takovou křivku lze pomocí naší metody spočítat pro danou oblast a typickou dopravní poptávku v dané oblasti. Poté si všechny zainteresované strany mohu sednout k jednomu stolu a zvolit si bod odpovídající požadovaným vlastnostem sdíleného dopravního systému. Spolu s tím získáme algoritmus, který přiřazuje pasažéry do aut tak, abychom zvoleného kompromisu opravdu dosáhli. Tento algoritmus byl schopný optimálně přiřazovat tisíce požadavků do tisíců aut, což je něco, co jsem si myslel, že je nemožné. V literatuře mají problémy řízení vozidel (vehicle routing problems) typicky maximálně desítky aut a desítky požadavků, což se obvykle považuje za limit toho, co se lze vyřešit optimálně. To byla tedy výzkumná oblast, které jsem se začal věnovat na MIT. Poté jsem se vrátil do Čech a založil na ČVUT malou výzkumnou skupinu, která v tomto tématu pokračovala ještě s pár kolegy v Čechách, a následně během Postdocu na delftské univerzitě v Nizozemsku. Na jedné robotické konferenci v Pittsburghu mě ve frontě oslovil Yibiao Zhao, zakladatel ISEE. Dali jsme se do řeči a po nějaké době mi nabídl, abych se k nim přidal. Zlákala mě příležitost podílet se na budování mladého ambiciózního robotického startupu a mít možnost pozorovat celý proces „zevnitř“. A od té doby jsem v ISEE a je to zatím velmi zajímavá životní zkušenost.

ISEE

Autonomní vozidla firmy ISEE (foto: ISEE)

ISEE

Autonomní vozidla se ani v logistických centrech nevyhnou interakci s chodci (foto: ISEE)

 

Mohl byste povědět více o své pozici a firmě ISEE?
Moje pozice v ISEE se jmenuje Director of Autonomy, což mimo jiné obnáší vedení plánovacího a simulačního týmu. Plánovací tým vyvíjí software, který řídí rozhodování vozidla  tato komponenta je například zodpovědná za vyhýbání se překážkám, interakci s ostatními účastníky provozu apod. Druhý, simulační, tým se zabývá vývojem virtuálního světa, ve kterém algoritmy umělé inteligence testujeme. To je extrémně důležitá součást, bez které prakticky nejde systém autonomního řízení vyvíjet. Oba týmy jsou mezinárodní – část vývojářů máme ve Spojených státech, většinou v Bostonu, další významnou část pak v Česku.
Jsme MIT spin-off, založený v roce 2017 a původně jsme se zaměřovali na autonomní řízení na veřejných komunikacích. Konkrétně jsme se specializovali na řešení interaktivních situací během autonomního řízení. Typický příklad takové situace, se kterou mají autonomní vozidla často problém, je připojování se na dálnici do pruhu, který je plný. To se často nedá udělat defenzivně, řidič si často musí vynutit otevření mezery a zároveň poznat, jestli auta v cílovém pruhu o vás ví a chápou, co se chystáte dělat. V takových situacích je důležité modelovat a odhadovat intence a mentální stav řidičů v okolí.
V té době náš autonomní kamion vozil náklad pravidelně z Houstonu do Dallasu a zpět, což je zhruba osmihodinová trasa. V jistou chvíli nás ale naši zákazníci navedli na jiný způsob uplatnění technologie autonomního řízení, a to pro převážení nákladu uvnitř logistických center. Tyto areály se typicky skládají z budovy skladu a velkého parkoviště. Pracuje tam množství řidičů, kteří celý den převáží návěsy z parkoviště k bráně skladu a zpět. Tato doména byla dlouhou dobu opomíjená, ale je pro nasazení autonomie velmi zajímavá. Je to soukromý pozemek, právní a technické překážky jsou nižší než u nasazení na veřejných silnicích. Ve spolupráci se zákazníkem lze například upravit prostředí a procesy tak, aby se v takovém prostředí neobjevovaly situace, které jsou pro autonomní systémy náročné. Například lze zajistit, aby všichni řidiči vstupující do areálu absolvovali nějaké základní školení, jak se chovat v okolí autonomních vozidel. Oproti jízdě na veřejných komunikacích máme také výhodu v tom, že nároky na obecnost našeho systému jsou nižší. V případě jízdy na veřejných komunikacích si často nemůžete dovolit zastavit, když si s něčím nevíte rady, protože ve vysokých rychlostech by dupnutí na brzdy způsobilo nebezpečnou situaci. My jezdíme pomaleji, a když se setkáme s nějakou složitou okrajovou situací, tak vždycky máme možnost vozidlo zastavit, takže v tomto ohledu to máme jednodušší. Obecně se jedná o ohromně zajímavou aplikační doménu, v níž lze technologii autonomního řízení nasadit mnohem dřív, protože máme výrazně menší počet okrajových případů než v případě provozu na veřejných komunikacích.
Na druhou stranu, systém autonomního řízení vyvinutý pro robotické taxi nebo dálniční přepravu by u nás nefungoval. My se musíme vypořádat s několika významnými specifiky této domény. Jedno z nich je, že během dne naše auta převáží velké množství návěsů, které se liší velikostí, váhou a ostatními důležitými parametry. To velmi ovlivňuje chování vozidla. Museli jsme proto vyvinout systém, který je robustní vzhledem k těmto variacím, abychom dokázali dobře manévrovat se všemi druhy návěsů a kontejnerů, což je obzvlášť důležité ve chvíli, kdy návěs parkujete, protože se musí vejít do extrémně úzkých parkovacích míst. Navíc v těchto prostředích obvykle nejsou definované pruhy, je to nestrukturované prostředí, kde se lidští řidiči řídí různými nepsanými zvyklostmi. Takže pro jízdu v těchto prostředích se nedají jednoduše aplikovat techniky, které se používají při jízdách na klasických strukturovaných komunikacích, kde jsou dobře definované pruhy, dobře definované, jak se má auto chovat na křižovatkách, komu dává přednost a tak dále. V našem případě je to více o vyjednávání mezi řidiči, kteří se potkají v uličce na parkovišti. Takže tomuhle se věnujeme, a to je to, v čem je náš systém unikátní.

Co považujete za nejpalčivější problém, který je v doméně autonomní mobility potřeba vyřešit?
Jeden z problémů je, že neexistuje obecně přijímaná certifikační metodika jak dokázat, že autonomní vozidlo je dostatečně bezpečné. Ideálně je potřeba dokázat, že autonomní systém je bezpečnější než lidský řidič. Není ale úplně jasné, jak toho dosáhnout. Každý má nějaký svůj recept, ale všechny přístupy mají své omezení. Pro ilustraci: U lidského řidiče se jedna nehoda se smrtelným následkem vyskytne řádově jednou za milion hodin provozu. To odpovídá stovkám let nepřetržitého jízdy vozidla. Pokud byste chtěli dokázat, že autonomní vozidlo je stejně bezpečné jako člověk, potřebovali byste ho sledovat po dobu několika stovek let a ukázat, že po tuto dobu jezdí bez nehody. Jenže v momentě, kdy uděláte nějakou změnu v systému, musíte začít znovu. To není prakticky proveditelné.
Zároveň se bezpečnost špatně dokazuje analyticky, a to primárně proto, že takový model by musel popsat, kde je hranice mezi přijatelným a nepřijatelným chováním ostatních účastníků provozu. Dokázat, že autonomní systém nikdy nenabourá, není možné, protože nehoda je obvykle důsledkem chování dvou nebo více účastníků provozu. Potřebovali bychom tedy dokázat, že autonomní vozidlo nikdy nezaviní nehodu. Není ale vůbec jasné, jak jednoznačně algoritmicky rozhodnout o viníkovi nehody. Představte si například nehodou dvou vozů: do prvního auta narazí druhé auto zezadu. Jakým způsobem rozhodneme, kdo je za nehodu zodpovědný? Implicitně bychom asi vinu přiřadili druhému vozidlu. Co když ale první vozidlo těsně před nehodou začalo agresivně brzdit? Co když první vozidlo v době nárazu couvalo? Tohle je ještě relativně jednoduchá situace, reálné situace mohou být mnohem komplikovanější a velmi nejednoznačné jak z pohledu práva, tak z pohledu intuice běžných lidí.

ISEE

Parkování návěsů není vůbec snadná záležitost, jak ukazuje snímek pořízený z ptačí perspektivy (foto: ISEE)

Patří podle Vás autonomním vozidlům budoucnost?
V médiích většinou slýcháme o autonomním řízení v kontextu autonomních taxi služeb nabízejících přepravu lidí ve městech, což je považováno za nejkomplikovanější aplikační doménu, je to jakýsi svatý grál autonomie. Na druhé straně spektra jsou AGV (Automated Guided Vehicles), pomalu se pohybující mobilní roboti pro přepravu nákladu v industriálních prostředích. To je technologie, která se používá již od 50. let minulého století. Například v motolské nemocnici takoví roboti jezdí po chodbách (a dokonce i výtahem) a rozváží jídlo a zdravotnický materiál do pokojů. Podobná řešení dnes najdete v mnoha továrnách a přístavech. Tyto systémy jsou ale limitované tím, že se pohybují buď velmi pomalu anebo v dedikovaných koridorech, kam lidé a lidmi řízená vozidla nesmí vstoupit. Technologie umělé inteligence nám ale nyní umožňují posouvat se směrem k mnohem sofistikovanějším systémům. Najednou dokážeme stavět roboty, kteří dokáží koexistovat a interagovat s lidmi a lidmi řízenými vozy. Jde pak především o to, nalézt takové aplikace, které jsou řešitelné s použitím současných technologíí, a zároveň nabízí životaschopný obchodní model. Pěkným příkladem je estonská firma Starship Technologies, která pracuje na doručovacích robotech, kteří jezdí po chodnících ve městech. Tato firma dnes pomocí těchto robotů komerčně doručuje deset tisíc rozvážek denně v několika evropských a amerických městech. Já věřím, že technologie autonomního řízení nakonec dospěje do stavu, který umožní bezpečně a škálovatelně provozovat robotické městské taxi, zatím ale nevíme, jak dlouho to bude trvat. Nyní jsme v nejnižším bodě inovačního „hype“ cyklu, přišlo vystřízlivění, problém autonomního řízení na veřejných komunikacích se ukázal těžší než jsme odhadovali. Já jsem ale přesvědčený, že se s technologiemi autonomního řízení budeme setkávat stále častěji, protože se objevuje spousta větších i menších společností, které dokáží současně dostupné technologie aplikovat do domén, kde naleznou komerční uplatnění již dnes.

Co v případě algoritmu pro obsluhu velkého množství jízd relativně malým počtem autonomních vozidel, o němž jste se na začátku rozhovoru zmiňoval, brání jeho aplikaci již dnes v rámci služeb sdílené mobility?
Brání tomu dvě věci. Jedna z nich jsou lidé. Můžete se sice snažit optimalizovat fungování systému, v němž jsou místo autonomních vozidel klasičtí řidiči, ale potíž je v tom, že lidští řidiči vás nebudou poslouchat. To je typický problém, který mají firmy jako Uber a Lyft. Řidiči se totiž snaží optimalizovat svůj vlastní zisk, takže i když jim řeknete, aby zůstali v jejich současné zóně, protože to je optimální ze systémového pohledu, oni raději přejedou do jiné oblasti, pokud věří, že si tam vydělají více. Lze to teoreticky řešit tím, že z řidičů uděláte zaměstnance s fixním platem, ale i v tomto případě vidíme, že instrukce generované centrálním systémem ignorují, a raději postupují podle svých zvyklostí. V distribučních centrech se například často setkáváme s řidiči, kteří dostanou instrukci zaparkovat návěs do konkrétního parkovacího místa, ale nakonec návěs zaparkují o několik míst vedle, protože tam bylo zaparkovat jednodušší. Taková chyba se následně začne kaskádovitě šířit a na konci dne je velká část návěsů ve špatných parkovacích místech a musejí se zdlouhavě hledat.
Druhý problém je, že pro spoustu nových dopravních konceptů je limitujícím faktorem nedostatek řidičů. Autonomie umožňuje toto omezení odstranit a navrhovat systémy s velmi vysokým počtem robotů. Jako příklad mohu uvést projekt, na kterém jsem pracoval v minulosti. Řešili jsme náhradu dopravníkových pásů pro přepravu zavazadel na letištích. Jeden z budoucích konceptů je, že se takové dopravníkové pásy nahradí obrovskou flotilou robotů, kde jeden robot veze jedno zavazadlo, a dohromady se budou chovat jako dopravníkové pásy. Ovšem s tím rozdílem, že se můžou za běhu re-konfigurovat. To znamená, že si můžete tyto dopravníky přestavět podle toho, kde zrovna potřebujete kapacitu.

ISEE

Autonomní vozidla firmy ISEE jsou nově nasazována ve výrobním závodě automobilky BMW v Jižní Karolíně (foto: ISEE)

Pokud byste měl dát radu člověku, který má zájem o práci ve sféře autonomních vozidel, na co by se měl zaměřit?
To je dobrá otázka. Bude to asi znít jako klišé, ale nejdůležitější je, aby takového člověka práce na těchto technologiích vnitřně bavila a naplňovala. Když například dostanu do ruky životopis kandidáta, nejvíc mě zaujme, pokud vidím, že rozvíjí nějaký open source softwarový nebo robotický projekt. To je z mého pohledu největší indikátor takového nadšení.
V ISEE máme samozřejmě spoustu pozic, kde je užitečná předchozí zkušenost s vývojem nějakého robotického systému. Taková zkušenost lze nabrat například v nějaké univerzitní výzkumné skupině. Naštěstí v Čechách máme výborný robotický výzkum. Vzpomínám si, že na robotických konferencích bývalo nejvíc účastníků ze Spojených států, Velké Británie, Německa, Francie, Itálie a ze zemí střední a východní Evropy tam dominovali čeští vědci. Takže robotická komunita je v Česku opravdu silná, je tu dost robotických laboratoří a pro zájemce by tak neměl být problém se k práci na robotech dostat.
Ve Spojených státech se doporučuje chodit na stáže do firem, které se tématu věnují, což je v Česku trochu komplikovanější, protože je tu o něco menší nabídka. Možnosti tu ale přece jenom jsou. ISEE například má v Česku část vývoje, takže pokud by někdo chtěl v oblasti autonomního řízení nabrat zkušenosti, může se podívat na naše otevřené pozice a ozvat se nám.
Ještě bych chtěl zmínit, že velká část pozic ve firmách zabývajících se autonomním řízením předchozí zkušenosti s robotikou nevyžaduje. Při vývoji simulátoru například řešíme problémy podobné těm, které se objevují v počítačových hrách. Snažíme se vytvořit virtuální prostředí, které co nejvěrněji replikuje cílové prostředí v reálném světě. To v sobě zahrnuje všechny problémy, které známe z počítačových her nebo z virtuální reality. S tím rozdílem, že v počítačových hrách je potřeba co nejvěrněji renderovat obrazovou reprezentaci virtuálního světa, v našem případě si vytváříme syntetická senzorická data, což není jen o kamerových snímcích, ale i o modelování LiDARů. Zahrnuje to i problém, jak co nejefektivněji budovat simulační modely z dat, které vozidlo sbírá během svého provozu. Vozidla generují obrovská množství dat, a my musíme řešit, jak je co nejefektivněji skladovat, prohledávat, vizualizovat a podobně. Často je k tomu potřeba vyvinout specializované 3D vizualizační nástroje. V každé z těchto podoblastí, které jsem právě vyjmenoval, se může člověk v průmyslu autonomního řízení uplatnit.

Jaká jsou dle Vás hlavní odvětví související (nejen) s dopravou, jež budou v nadcházejících letech nabývat na důležitosti?
Já vidím největší dopad autonomie v tom, že umožní provozovat dopravní systémy s téměř neomezeným množstvím vozidel, což v je současnosti nemožné kvůli omezenému počtu dostupných řidičů. Ačkoliv by mnoho lidí ocenilo menší autobusy, které by jezdily v kratších intervalech nebo dokonce na zavolání, dnes takový systém nelze v masovém měřítku realizovat, protože bychom nenašli dostatek řidičů. Stejně tak když si objednáte balíček z internetového obchodu, zboží se často rozváží jednou či dvakrát denně, protože se musí počkat, až se naplní dodávka. Ve chvíli, kdy nepotřebujete mít řidiče pro každé auto, otevírá to prostor pro realizaci jiných konceptů. Můžete mít vozítka s kapacitou 5 balíčků, nebo klidně i jen jeden balíček, a k zákazníkům je vysílat každých pět minut. Podle mě to v budoucnosti povede k tomu, že budeme muset vytvořit technologie, které budou tyto obrovské flotily řídit. Zároveň budeme potřebovat analytické nástroje schopné navrhnout optimální parametry takových systémů, jako například kolik aut budeme potřebovat, jak se mají auta během dne přesouvat, a jakým způsobem optimálně přiřazovat vozidla k dopravním požadavkům. To si myslím, že bude odvětví, které musí nutně vzniknout v souvislosti s masovějším nasazením autonomních vozidel.
Druhá věc, jak jsem už také zmiňoval výše, jsou podpůrné vývojové nástroje. Od kolegy jsem slyšel hezkou analogii – na zlaté horečce nevydělali nejvíc zlatokopové, ale výrobci nástrojů pro zlatokopy. To vidíme i v případě vývoje autonomního řízení. Najednou nejhodnotnějšími firmami v oblasti autonomie nejsou ty, které navrhují autonomní auta, ale firmy, jež vytváří nástroje, které umožňují autonomní auta navrhovat. Krásným příkladem je firma Applied Intuition, která vytváří simulátor a integrovanou testovací platformu pro vývoj autonomních vozidel. Tato firma má vyšší tržní hodnotu než většina jejích zákazníků.

Mockrát Vám děkuji za úžasné povídání plné cenných vhledů do problematiky! Přeji, ať se Vám i nadále daří posouvat hranice autonomního řízení.