Az egyetem és a vállalat február elején kezdődött együttműködése egy másfél éves felkészítő-összeszoktató programmal kezdődött. A Continental, amikor eldöntötte, hogy mesterséges intelligencia központot nyit Budapesten, először a Budapesti Műszaki Egyetem egyik épületében bérelt laborhelyiséget, és csak utána költözött át a fővárosi Continental-központba. Már itt, az egyetemen elkezdődött az ötletelés lehetséges, közös projekteken.
"Kevés jó deep learning tudással rendelkező mérnök kerül ki az egyetemekről. A Continental budapesti irodája elkötelezte magát ezen képzés fellendítésében és így született meg az együttműködés, amely a PIA projekt nevet viseli"
- vázolja fel a kezdeményezés hátterét Moni Róbert, a PIA projekt vezetője, aki a BME doktorandusza és a Continental deep learning mérnöke is egyben.
Előadóból a laboratóriumba
A PIA-program végigkísérhet csaknem egy teljes felsőoktatási karriert: az alapképzés második évétől lehet hozzá csatlakozni, és a mesterképzésen át egészen a doktori cím megszerzéséig folytatható. Állandó, tízfős létszámmal működik, az első szemesztert a BSc-sek és MSc-sek mellett két PhD-ző hallgató is teljesítette.
A bevezető félév sikeres zárása után nyári gyakorlatra is van lehetőség, mellyel az első csoportból többen éltek is. Ők már konkrétan a cégnél folyó kutatásokhoz csatlakoztak, és jól mutatja a program gyakorlat-orientáltságát, hogy a kísérletek eredményei beépülnek az autóipari tervezésbe, gyártásba. Tanév közben a Continental heti 20 órás gyakorlat elvégézését támogatja. A két anyaintézmény összefonódása a kurzus felépítésében is megjelenik, minden kutatóra jut egyetemi és Continentalnál dolgozó konzulens is.
"Az együttműködést az motiválja, hogy erős kapcsot alakítsunk ki a kutatás és az ipari fejlesztés között, valamint, hogy olyan hallgatókat neveljünk ki, akik sikeres szakemberek, munkatársak lehetnek az MI- és önvezetőautó-kutatások világában"
- folytatja Róbert. A projektvezető arról is beszél, hogy a kurzus során nem kizárólag az autóiparra koncentrálnak, a kutatásokat a deep learning azon túli világában is végzik. Az azonban lényeges, hogy a tudományterület hatékony ágát támogatják.
"Azzal foglalkozunk, ami megéri, és amihez irodalom is van már. A hallgatók pedig később a kutatásaikra alapozva akár telefonos alkalmazásokat, autóban használatos rendszereket is gyárthatnak."
Próba, szerencse, tanulás
A gyakorlatias nézőpontú kutatást a Continental egy szuperszámítógéppel és úgynevezett duckietownnal felszerelt laborral támogatja. Maga a duckietown a Massachusetts Institute of Technologyn született kutatási kellék. Egy bővíthető, de alapvetően közepes szobányi méretű autópálya, melyen a kis robotautók köröznek, és haladásuk közben szükségszerű hibákat vétve, majd ezekből tanulva tökéletesítik a vezetési tudásukat. Az öntanulási folyamatuk az, ami igazán érdekes, ez ugyanis a Continental és a BME közös programjában nem a szélesebb körben használt felügyeléses tanítás (supervised learning), hanem a megerősítéses tanítás (reinforcement learning).
"Konyhanyelven egy kutyás példával szoktam elmagyarázni a felügyeléses és a megerősítéses tanítás közti különbséget" - magyarázza Róbert.
"Képzeljük el, hogy van egy kutyánk, akit meg akarunk tanítani bizonyos alaptrükkökre, mint ül, fekszik, ugat. Amikor felügyeléses tanítással próbálkozunk, akkor abban bízunk, hogy a szomszédunknak is van egy kutyája, aki viszont már tudja ezeket a trükköket. Ilyenkor áthívjuk a szomszédot, és az ő kutyájával megmutatjuk a miénknek, mit, hogyan kell csinálni, aztán reménykedünk, hogy a kedvencünkre átragad a társa tudása. Ezzel szemben a megerősítéses tanításnál nem hívjuk át a szomszédot, hanem megmondjuk a kutyánknak, mit csináljon, és ha valamilyen impulzus hatására sikeresen teljesíti a feladatot, akkor adunk neki valamilyen pozitív feedbacket, például kutyacsemegét, játékot. Tehát a robotjaink tanítása az állatok pozitív visszacsatolás-élmény általi tanítására hajaz."
A kutya, vagyis ebben az esetben a robot tehát elindul a duckietown-pályán, és elkezdi próbálgatni az alapmozgásokat, melyekre beprogramozták. Milliónyi módon teljesíthető a pálya, és a robot szükségképpen millió hibát vét a kísérletei során, azonban ezen hibák tapasztalataiból tanul, hogy a következő körben már egy fokkal kifinomultabban tudjon vezetni. A megerősítéses része pedig úgy működik a tanulásnak, hogy a rendszer pontozza a hibákat és a jó megoldásokat is, és ennek során egyre több tanulság gyűlik össze, ahogy a robot folyamatosan közelít a helyes döntéshozatali stratégiához. Az is csak növeli a megoldási lehetőségek számát, hogy jól vezetni többféleképpen lehet, pl. konzervatívan, sportosan - a variációs lehetőségek hatalmas mennyiségének szimulálásához van szükség a Continental szuperszámítógépére. A végső cél viszont az, hogy a robot rátaláljon az extremitásoktól mentes, optimális vezetési stílusra.
Versengés a világ élmezőnyével
A projekt során eddig az alapkutatásokat, teszteléseket, kísérletezést és összegzést végezték el a hallgatók, az őszi szemeszter során viszont már a TDK-dolgozatok, egyes esetekben nemzetközi konferenciákra célzott cikkek megírása a program, illetve a csapat négy hallgatója két témavezetővel a télen, Torontóban megrendezendő duckietown-versenyen is részt kíván venni. Itt első körben a programot kell online beküldeni, ha ezt a kört sikerrel teljesíti a Continental-BME csapat, akkor bejutnak a fizikai versenyre, ahol már ki kell utazni Kanadába, és konkrét duckietown-pályán kell versenyeztetni a robotjukat.
Az előjelek több, mint bíztatók: a csapat a programja béta verzióját májusban már megversenyeztette a Montreálban megrendezett International Conference on Robotics and Automation (ICRA) rendezvényen, ahol bizonyos kategóriákban bekerültek a legjobb tíz közé - olyan riválisok mellett, mint az MIT, a Stanford, a zürichi, a tokiói és a montreáli műszaki egyetemek csapatai.
Önvezető közeljövő
És hogy a hétköznapi gyakorlatban mikor használhatjuk a PIA-projekt vívmányait? Róbert szerint hamarabb, mint gondolnánk, még úgy is, hogy nem lesz egyszerű menet. A projektvezető szerint a technológia már most megvan arra, hogy valóban használható önvezető autókat gyártsunk, de ezek még túl drágák lennének ahhoz, hogy a szélesebb lakosság számára is megfizethetőek legyenek, emellett a közelmúlt tesztbalesetei miatt az emberek most még bizalmatlanok az önvezető járművekkel szemben. Róbert szerint azonban a következő év meghatározó lesz az iparágban, "nagyon vagány" autók jönnek majd ki, melyek jelentősen fokozzák majd a megbízhatóság érzését. Aztán jön az igazi, nagy ugrás.
Róbert szerint elsőre még csak az autópályán fog érvényesülni az önvezetés. Lesznek olyan szakaszok a sztrádán, amikor a sofőr úgy dönt, leveszi a tekintetét a pályáról, a kezét pedig a volánról, és ráhagyja magát az autójára, ami aztán előzésekkel együtt teljesíteni is fogja azt a szakaszt, melyet amúgy egy embernek nagyon unalmas lenne levezetnie. Ez már egy meglévő és főleg a Tesla autóiban elterjedt technológia.
Ahhoz, hogy városi környezetben is átfogóan működhessen az önvezetés, Róbert szerint még legalább 20 év kell, addigra épül ki megfelelően a V2X infrastruktúra, és lesznek széles körben összekapcsolva az autonóm járművek.
A PIA projekt jövője
A Continental és a BME közös képzésének folytatása kapcsán pedig a következőket mondta Róbert:
„Igyekszünk szemeszterenként tíz hallgatóval együtt dolgozni, ezáltal biztosítva a minőségi témavezetést és a kivételes figyelmet minden hallgató kutatási témájának. Természetesen szemeszterenként szabadulnak fel majd helyek, mivel a hallgatók kutatói munkája a tervek szerint majd szakdolgozatot, diplomadolgozatot, vagy éppenséggel doktori disszertációt fog eredményezni, így az elballagottak helyére mindig várunk lelkes hallgatókat új és izgalmas témák kutatására.
A projekt futási ideje tehát meghatározatlan időtartamú. A cél, hogy minél több hallgatót jártassá tegyen a deep learning és az önvezető autók világában felmerülő feladatok megoldásában. Olyanokban, mint amiket a budapesti Continental Mesterséges Intelligencia Központ deep learning szakértői is nap mint nap kiviteleznek. ”
