A résztvevők az első napon egyértelműen alkottak véleményt arról, hogy a mesterséges intelligencia az automatizált vezetés része lesz a jövőben, illetve bizonyos helyzetekben már az is manapság.

Noha a mesterséges intelligencia kisegítő lehetőségként funkcionálhat, a szenzorok pontos működése lesz az adatgyűjtés elsődleges forrása és az automatizált vezetéstámogató funkciók alapja. A követelményektől föggően a szenzorok beállításai változhatnak. De nincsen ideális és egységes megoldás minden gyártó és beszállító számára: minden érzékelőnek vannak előnyei és hátrányai, amelyek ismétlődések által ellensúlyozottak. A kamerák nem képesek megfelően ellátni feladatukat például rossz időjárás esetén, míg a lézer scannerek egészen jól helytállnak a legtöbb helyzetben ehhez képest. S annak ellenére, hogy az ultrahangos érzékelők kis távolságban is hatékonyak, fő erősségeik inkább nagyobb távolságokban keresendők.

Hatalmas adatmennyiséget kell feldolgozni

A gigantikus mennyiségű generált adat feldolgozása jelenti a legtöbb gondot a mérnökök számára. Közérthetőbben, a releváns információk - mint például a gyalogosok, a biciklisek, az autók, a buszok vagy jelzőlámpák státuszainak -  feldolgozása körülbelül 3,5 percet vesz igénybe egy kép esetén a jelenlegi technológiával. Egy tipikus tréning szett, amely “betanítaná” az autót, 100 ezer képből áll, és ennek a feldolgozása több mint két évig tartana a maga 737 napjával. De ez egy eltúlzott becslés, mert a valóságban azért nem kell minden egyes képet feldolgozni.

Ha a képek generálása mesterségesen zajlik egy szimulációs szoftver segítségével, sok idő takarítható meg. Ebben a vonatkozásban érdekes megjegyezni, hogy a szimuláción nyugvó adat minősége nem teljesen megfelelő, de a valós vezetésből származó információkkal ez jelentősen javítható: az 5%-ban valós és 95%-ban mesterséges adathalmaz már nagyon jó eredménnyel kecsegtet.

A Cadillac új SuperCruise rendszere megverte a Tesla, a Volvo és a Nissan önvezető rendszereit egy Amerikában készített felmérésben 2019-ben.

A generált és a valós adat kombinálása

A szakértők nem értettek egyet abban, hogy pontosan hány tesztkilométerre van szüksége a rendszereknek ahhoz, hogy megbízhatóan funkcionáljanak. A találgatások 240 milliótól egészen több milliárdig terjednek.

A hatalmas mennyiségű adat miatt a valós információgyűjtés 100 járművel, 240 millió kilométeren 25 évig tartana. Pillanatnyilag ennek a szimulációja 100 számítógéppel öt évet venne igénybe. Azonban felhőalapú megoldásokkal ez a 240 millió kilométer mindössze kettő hét alatt lemodellezhető lenne – s ez nagyon jelentős felgyorsítása a fejlesztési folyamatoknak, viszont komoly összegekbe kerül. Ráadásul, a hatalmas adatmennyiséget, amely a 10¹⁵-es peta nagyságrendbe tartozik, először is fel kellene tölteni a felhőbe, amely sok idő még a leggyorsabb megoldásokkal is.

Nem figyelne a sofőr

A másodlagos tevékenységek elvonnák a figyelmet a járművezetőtől. De ez csupán az egyik szempont, ami előkerült a konferencián ebben a témában. Mert a felhasználónak először is el kell fogadnia és aztán használnia az önvezető funkciókat. Hol a határ, túl sok vagy túl kevés beavatkozást kérünk a vezetőtől a részben önvezető funkciókkal? Ugyan még csak laborban szimulált eredmények alapján tudhatjuk, hogy a másodlagos vizuális tevékenységeket továbbra is ki kell zárnia a sofőrnek, vagyis figyelnie még mindig kell annyira, hogy mást érdemben ne csinálhasson vezetés közben.

A további témákban a résztvevők a szenzor adatfúzióról, szituációelemzésre szolgáló algoritmusokról, a hálózatok biztonságáról, illetve a mesterséges intelligenciával szemben állított követelményekről értekeztek.