Teslan ja Volvon Deep Learning -autonomiaa kehitetään myös Suomessa

Tammikuussa järjestetty CES-tapahtuma Yhdysvaltojen Las Vegasissa olisi voitu nimetä uudestaan Car Electronics Showksi. Siinä määrin paljon autotekniikkaa paikalla esiteltiin. CES:ssä moni odotti Googlen ja Fordin yhteistyöjulkistusta, mutta se jäi tulematta. Sen sijaan Faraday Future paljasti konseptiautonsa ja suomalainen Rightware Kanzi-plattansa partneriohjelman.

Myös NVIDIA, jolla ei ollut aivan vähäisin presenssi messuilla, julkisti. PC-pelimiehet tunnistavat nimen, sillä NVIDIA:lla on pitkät perinteet tietokoneiden näytönohjaimien valmistajana. Näytönohjaimen ytimessä on grafiikkaprosessori GPU, jonka kehittäminen on NVIDIA:n vahvaa osaamista.

https://www.youtube.com/watch?v=KkpxA5rXjmA

Niille kenellä on aikaa: Ohessa reilun tunnin NVIDIA:n setit CES:stä.

Deep Learning, eli koneoppiminen

GPU-prosessorit ovat parhaimmillaan matriiseissa ja hyvin rinnakkaistuvassa laskennassa. Samaa matematiikkaa tulee vastaan monitasoisissa neuroverkoissa ja syvän koneoppimisen tehtävissä eli Deep Learningissä. Ja juuri Deep Learning on yksi kuumimpia tutkimusaiheita autonomisen auton ohjelmistoissa.

Jotta auto voisi ajaa itsenäisesti, sen täytyy pystyä tekemään nopeitakin päätöksiä sensoridatan pohjalta. Vaikeinta on kohteiden tunnistaminen päätöksenteon pohjaksi. Onko tien laidalla havaittu, ennalta kartoittamaton kohde ihminen tai ehkä betoniporsas? Jos ihminen, vihjaako sen liikerata autotien ylittämiseen? Liittyykö tähän suojatietä? Onko sumussa näkyvä laatikko auto vai tien laidalla oleva mainoskyltti?

Deep Learning -menetelmissä keinoälyä ei yritetä ohjelmoida tunnistamaan jokaista liikennemerkkiä tai pyöräilijää erikseen merkki ja muoto kerrallaan, vaan koneesta tehdään oppiva esimerkkitapauksien myötä.

Esimerkiksi auton tunnistaminen kuvasta ei tapahdu siten, että koneelle opetettaisiin tyypillisiä auton tunnusmerkkejä (vaikkapa renkaat ja tuulilasi), vaan koneelle näytetään muutaman kymmentä tuhatta erilaista auton valokuvaa, joiden pohjalta kone laskennallisin menetelmin ehkä muutamassa tunnissa tai päivässä oppii tunnistamaan auton.

Deep Learning -menetelmien ja -verkkojen tutkimukseen on kipattu viime vuosina melkoisesti rahaa ja työtä. Äärimmilleen vietynä kone voitaisiin opettaa tunnistamaan liikennemerkit kuvista, liikennesäännöt muita autoja seuraamalla ja antaa koneelle kartta jonka mukaan ajaa. Googlen ratkaisua, jossa ajoreitit skannataan ennakkoon laserskannereilla tarkaksi 3D-kartaksi ei välttämättä tarvita – eivätkä tällaiset kartat missään tapauksessa yksin riitä mahdollistamaan autonomista ajoa.

NVIDIA tekee aihepiirin soveltavaa tutkimusta myös Suomessa, vain kivenheiton päässä Rightwaresta ja Supercellistä, Helsingin Ruoholahdessa. Suomen toiminnot syntyivät kun NVIDIA osti vuonna 2006 Hybrid Graphicsin. NVIDIAlla on Suomessa noin 65 henkilöä töissä.

NVIDIA:n toimari Jen-Hsun Huang on ehtinyt haastattelemaan myös Elon Muskia.

GPU-prosessorit ovat jo autossa

Koska GPU-prosessorit sopivat hyvin oppivien koneiden ytimeen, ei yllätä että NVIDIA on jo vienyt Tegra GPU-prosessorinsa autoihin. Muun muassa Tesla Model S:ssä on useita Tegra-prosessoreja, joista ei vielä muutama vuosi sitten otettu kaikkia tehoja ulos. Nyt uuden 7.1-softan myötä otetaan.

Tehontarpeen kasvaessa NVIDIA esitteli CES:ssä uuden Drive PX2 -tietokoneen. Kyseessä on autoihin asennettava, nestejäähdytteinen GPU-numeronmurskain, joka on optimoitu keinoälyn sovelluksiin. PX2-rautaan voidaan kytkeä kymmenittäin ultraäänisensoreita, kameroita, tutkia ja laserskannereita. lehdistötiedotteen mukaan Drive PX2 kykenee 24 triljoonaan (24e12) Deep Learning -operaatioon sekunnissa, ja sen laskentavoima vastaa 150 kappaletta Macbook Pro-koneita.

Suomalaisen suurteholaskentaan perehtyneen CSC-Tieteen tietotekniikan keskuksen kehityspäällikkö Olli-Pekka Lehto ei vielä ehtinyt perehtymään tarkemmin julkistettuun rautaan, mutta pitää ilmoitettua syvän oppimisen laskentavoimaa vaikuttavana. Sen sijaan vertaus MacBookkeihin on ontuva, sillä GPU-prosessorit ovat eri tehtävään suunniteltuja kuin tietokoneiden keskusprosessorit, CPU:t.

Liikenteen eri ympäristöjen koneopettaminen vaatii huomattavasti laskentavoimaa. Vähän mutkia oikoen voidaankin sanoa, että parhaan autonomisen auton tulee tekemään se, jolla on eniten laskentakapasiteettia ja opetusmateriaalia käytössään. Tässä pelissä Google on vahvoilla, sillä Googlen konesalit ovat jo nyt valtaisat ja  streetview-aineistoa on kertynyt tonneittain maailman joka kolkalta. Myös Facebookilla, Microsoftilla ja kiinalaisella Baidulla on suuret tutkimushankkeet Deep Learningin saralla käynnissä. Näissä tosin tavoitteena lienee esimerkiksi puheentunnistukseen liityvät sovellutukset, eivät välttämättä autot.

On myös syytä ymmärtää ero auton valmistajan tarjoaman koneoppimisen ja autossa tehtävien päätösten välillä. Vaikka autot voivat olla yhteydessä valmistajan pilvipalveluun, pitää suuri osa ajopäätöksistä tehdä yhteysvirheiden ja siirtoviiveen takia autossa. Siksi kehittäjän konesalivoima ei riitä vaan autossakin vaaditaan suurta laskentavoimaa.

– Auton on kyettävä itsenäisiin päätöksiin omien havaintojensa pohjalta. Autot voivat kuitenkin jakaa omia kokemuksiaan, jolloin koko autojoukko kehittyy yhteisesti, käyttäen yhteistä pilviälyä, kommentoi luovan teknologiayhtiö Reaktorin Juha-Matti Liukkonen, joka vastaa muun muuassa yhtiön avaruus- ja robotiikkatoiminnoista.

Esimerkiksi Tesla Model S on uusimman 7-sarjan ohjelmiston myötä paitsi oppiva, myös parvioppiva auto. Model S lähettää Autopilotin toiminnasta oppimistietoja Teslalle. Tesla ei kuitenkaan ole tarkemmin yksilöinyt oppimistapahtumaa, vaikka onkin käyttänyt sitä voimallisesti markkinoinnissaan.

Laskentavoiman kannalta NVIDIA:n GPU-osaaminen on merkittävä tekijä. Esimerkiksi Daimler (Mercedes-Benzin valmistaja) on mukana Cityscapes Dataset -hankkeessa, jossa nauhoitetaan videokuvaa Saksassa kymmenistä tuhansista liikennetilanteista.  Näillä NVIDIA on voinut opettaa keinoälyn ajamaan autoa. Toimitusjohtaja Jen-Hsun Huangin mukaan NVidian piireillä saavutetaan jopa 12-kertaista oppimisnopeutta vastaavaan perinteiseen prosessoriin verrattuna.

NVIDIA julkaisi kovatavaran lisäksi myös ohjelmistokirjastoja keinoälysovellutuksiin, Deep Learning -kehittäjille. NVIDIA ei varsinaisesti kehitä end-to-end ratkaisua autonomiselle autolle, mutta avustaa autoteollisuuden ohjelmistokehittäjiä PX2-raudan hyödyntämisessä tarjoamalla alemman tason toiminnallisuutta kirjastoina. Tehtävää ja tutkittavaa on kuitenkin vielä paljon, ennen kuin koneoppineet autot autot ajavat itsenäisesti.

NVIDIA:n CES:ssä julkaisemat demot koneoppimisesta ovat vaikuttavia. Ainakin esitellyissä markkinointivideoissa kone pystyy havaitsemaan kamerakuvasta sumussa ajavan auton ennen ihmishavainnoitsijaa ja tunnistamaan nopeusrajoituskilvet varmemmin kuin ihminen.

Teslan uusi sensorisetti siintää parin vuoden päässä

Nykyiset Model S:t eivät sisällä erityisen laajaa sensorisettiä, eivätkä uutta PX2-konetta. Tesla tuntuu kuitenkin olevan sitoutunut NVIDIA:n rautaan, joten epäilemättä PX2 löytää tiensä Model S:n pelteihin.

Elon Musk on kertonut Teslan kehittävän uutta sensorikokoelmaa tuleviin autoihin, mutta se ei ole tulossa aivan heti, ehkä pariin vuoteen. Mitä todennäköisemmin Teslan seuraava sensoripaketti sisältää jo suuren määrän kameroita ja tutkia ja ehkä sittenkin myös kalliita laser-skannereita. Aiemmin Musk on kertonut Teslan tavoitteeksi toteuttaa autonominen auto ilman laseria. Parin vuoden kehitysaikaan on syytä suhtautua varauksella, sillä Tesla on ennenkin esitellyt uudet merkittävät tekniikat yllättäen jotta olemassaolevan autoversion myynti ei kärsisi.

Vaikka lainsäädäntö ja softa eivät sitä heti mahdollistaisikaan, on seuraava Teslan suuri päivitys rautaan varmasti jo täydellisen autonomian mahdollistava. Juuri tässä NVIDIAn raudalla on arvatenkin suuri merkitys.

Euroopassa PX2:n ensimmäinen julkinen asiakas on Volvo, joka ottaa tekniikan käyttöön ainakin tuotekehityksen tasolla. Volvo kohahdutti myös ilmoituksellaan, jonka mukaan se ottaa täyden vastuun kaikista onnettomuuksista, jotka aiheutuvat Volvon oman autonomisen auton toiminnasta.

Volvo aikoo tuoda itsenäiset autot testiin Göteborgin seutuville jo vuonna 2017. Varmasti myös Daimler on tutkinyt NVIDIA:n tekniikkaa innolla.

Kun ehkä jo alle vuosikymmenen kuluessa istut autoon, ehkäpä juuri Tesla Model S:ään, jossa on vain matkustajia eikä lainkaan kuskia, voit kiittää myös suomalaista perustutkimusta toimivasta robottiautosta.

Jutussa mainitut firmat:

Teksti: Tuomas Sauliala.

Kirjoittaja on töissä Reaktorilla.

2 kommenttia artikkeliin ”Teslan ja Volvon Deep Learning -autonomiaa kehitetään myös Suomessa”

Kommentointi on suljettu.