Im Jahr 1885 erfand Carl Benz das Automobil. Noch im gleichen Jahr unternahm er die erste öffentliche Testfahrt und fuhr gegen eine Wand. Seit 130 Jahren versuchen wir, das Unzuverlässigste an einem Auto zu umgehen: den Fahrer. Autos sind jetzt stabiler, wir haben Gurte und Airbags eingebaut. In den letzten Jahren haben wir versucht, das Auto selbst intelligenter zu machen, um das Problem "Fahrer" zu lösen.
So in 1885, Karl Benz invented the automobile. Later that year, he took it out for the first public test drive, and -- true story -- crashed into a wall. For the last 130 years, we've been working around that least reliable part of the car, the driver. We've made the car stronger. We've added seat belts, we've added air bags, and in the last decade, we've actually started trying to make the car smarter to fix that bug, the driver.
Ich erzähle Ihnen heute davon, welchen Unterschied es macht, ob man das Problem nur mit Hilfe von Assistenzsystemen angeht oder völlig selbstständig fahrende Autos entwickelt, und wie sie die Welt verändern können. Ich werde Ihnen auch ein wenig von unserem Auto erzählen und zeigen, wie es die Umgebung wahrnimmt und darauf reagiert. Zunächst aber möchte ich noch ein wenig das Problem erläutern. Denn es ist ein großes Problem: 1,2 Mio. Menschen weltweit sterben jedes Jahr bei Autounfällen. Allein in den USA sind es 33 000 pro Jahr. Um das mal ins Verhältnis zu setzen: Das ist, also ob an jedem Arbeitstag eine Boeing 737 abstürzen würde. Das ist unglaublich. So wie hier werden uns Autos verkauft. Aber eigentlich sieht Fahren eher so aus. Die Sonne scheint nicht, es regnet. Sie wollen lieber alles andere tun, als zu fahren. Dafür gibt es einen Grund: Der Verkehr wird immer schlimmer. In den USA wurden zwischen 1990 und 2010 38 % mehr Kilometer gefahren als zuvor. Es gibt nur 6 % mehr Straßen, es ist also kein Trugschluss: Der Verkehr ist heute deutlich schlimmer als noch vor kurzer Zeit.
Now, today I'm going to talk to you a little bit about the difference between patching around the problem with driver assistance systems and actually having fully self-driving cars and what they can do for the world. I'm also going to talk to you a little bit about our car and allow you to see how it sees the world and how it reacts and what it does, but first I'm going to talk a little bit about the problem. And it's a big problem: 1.2 million people are killed on the world's roads every year. In America alone, 33,000 people are killed each year. To put that in perspective, that's the same as a 737 falling out of the sky every working day. It's kind of unbelievable. Cars are sold to us like this, but really, this is what driving's like. Right? It's not sunny, it's rainy, and you want to do anything other than drive. And the reason why is this: Traffic is getting worse. In America, between 1990 and 2010, the vehicle miles traveled increased by 38 percent. We grew by six percent of roads, so it's not in your brains. Traffic really is substantially worse than it was not very long ago.
Dafür zahlen wir einen Preis. Ein Pendler fährt in den USA durchschnittlich ca. 50 Minuten. Multiplizieren Sie das mit unseren 120 Mio. Pendlern, kommen Sie auf etwa 6 Mrd. Minuten, die täglich beim Pendeln verloren gehen. Eine riesige Zahl, also vergleichen wir das mal. Wenn Sie 6 Mrd. Minuten durch die durchschnittliche Lebenserwartung eines Menschen teilen, kommen Sie auf 162 Leben. So viele werden jeden Tag verschwendet, nur um von A nach B zu kommen. Das ist unglaublich. Dann gibt es solche Menschen, die gar nicht im Verkehr steckenbleiben können. So wie Steve. Er ist ein unheimlich fähiger Kerl, aber leider ist er blind. Statt morgens in 30 Minuten zur Arbeit zu fahren, müht er sich mit den öffentlichen Verkehrsmitteln ab -- 2 Std. lang. Es sei denn, er bittet Freunde und Familie um eine Fahrt. Er hat nicht dieselbe Freiheit wie wir, um von A nach B zu kommen. Das sollten wir ändern.
And all of this has a very human cost. So if you take the average commute time in America, which is about 50 minutes, you multiply that by the 120 million workers we have, that turns out to be about six billion minutes wasted in commuting every day. Now, that's a big number, so let's put it in perspective. You take that six billion minutes and you divide it by the average life expectancy of a person, that turns out to be 162 lifetimes spent every day, wasted, just getting from A to B. It's unbelievable. And then, there are those of us who don't have the privilege of sitting in traffic. So this is Steve. He's an incredibly capable guy, but he just happens to be blind, and that means instead of a 30-minute drive to work in the morning, it's a two-hour ordeal of piecing together bits of public transit or asking friends and family for a ride. He doesn't have that same freedom that you and I have to get around. We should do something about that.
Nach allgemeiner Meinung sollten wir vorhandene Fahrerassistenzsysteme immer schrittweise verbessern. Irgendwann werden daraus selbstfahrende Autos. Das wäre etwa damit zu vergleichen: Wenn ich mich beim Springen nur richtig anstrengen würde, könnte ich eines Tages fliegen. Stattdessen sollten wir etwas anderes tun. Ich möchte Ihnen drei Punkte vorstellen, die selbstfahrende Systeme von Assistenzsystemen unterscheiden. Ich fange mit dem an, was wir selbst erfahren haben.
Now, conventional wisdom would say that we'll just take these driver assistance systems and we'll kind of push them and incrementally improve them, and over time, they'll turn into self-driving cars. Well, I'm here to tell you that's like me saying that if I work really hard at jumping, one day I'll be able to fly. We actually need to do something a little different. And so I'm going to talk to you about three different ways that self-driving systems are different than driver assistance systems. And I'm going to start with some of our own experience. So back in 2013,
Im Jahr 2013 machten wir den ersten Test mit selbstfahrenden Autos, die normale Leute benutzen konnten. Fast normale Leute -- 100 Google-Mitarbeiter, aber sie waren nicht am Projekt beteiligt. Wir gaben ihnen das Auto, um es im Alltag auszuprobieren. Es gab es aber eine wichtige Besonderheit: Sie mussten aufpassen, schließlich war es ein Experiment. Trotz intensiver Tests könnte es versagen. Also schulten wir sie zwei Stunden lang, setzten sie ins Auto und ließen sie es benutzen. Das Feedback war fantastisch für jemanden, der ein Produkt in die Welt setzen will. Alle fanden es toll. Einer war Porsche-Fahrer und sagte uns am ersten Tag: "Das ist totaler Unsinn, Was glauben wir eigentlich?" Am Ende meinte er: "Nicht nur ich sollte es haben, sondern auch alle anderen. Menschen sind schreckliche Fahrer." Das war Musik in unseren Ohren. Dann sahen wir uns an, was die Leute im Auto taten. Das öffnete uns die Augen. Da gab es einen Herrn. Er schaut auf sein Handy und bemerkt, dass der Akku fast leer ist. Also dreht er sich ungefähr so um und durchsucht seinen Rucksack, holt seinen Laptop raus, legt ihn auf den Sitz, dreht sich wieder um, sucht weiter und findet das Ladekabel für sein Handy, steckt es in den Laptop, danach in sein Handy. Klar, das Telefon wird geladen. Währenddessen fuhr er die ganze Zeit mit 105 km/h den Freeway entlang. Unglaublich. Nach einiger Überlegung wurde uns klar: Je besser die Technologie wird, desto unzuverlässiger wird der Fahrer. Wenn wir Autos nur schrittweise schlauer machen, werden wir wahrscheinlich unsere Ziele nicht erreichen.
we had the first test of a self-driving car where we let regular people use it. Well, almost regular -- they were 100 Googlers, but they weren't working on the project. And we gave them the car and we allowed them to use it in their daily lives. But unlike a real self-driving car, this one had a big asterisk with it: They had to pay attention, because this was an experimental vehicle. We tested it a lot, but it could still fail. And so we gave them two hours of training, we put them in the car, we let them use it, and what we heard back was something awesome, as someone trying to bring a product into the world. Every one of them told us they loved it. In fact, we had a Porsche driver who came in and told us on the first day, "This is completely stupid. What are we thinking?" But at the end of it, he said, "Not only should I have it, everyone else should have it, because people are terrible drivers." So this was music to our ears, but then we started to look at what the people inside the car were doing, and this was eye-opening. Now, my favorite story is this gentleman who looks down at his phone and realizes the battery is low, so he turns around like this in the car and digs around in his backpack, pulls out his laptop, puts it on the seat, goes in the back again, digs around, pulls out the charging cable for his phone, futzes around, puts it into the laptop, puts it on the phone. Sure enough, the phone is charging. All the time he's been doing 65 miles per hour down the freeway. Right? Unbelievable. So we thought about this and we said, it's kind of obvious, right? The better the technology gets, the less reliable the driver is going to get. So by just making the cars incrementally smarter, we're probably not going to see the wins we really need.
Ich werde nun kurz etwas technisch. Dieses Diagramm zeigt von links nach rechts, wie oft das Auto bremst, wenn es das nicht sollte. Sie können das meiste auf dieser Achse ignorieren, denn wenn Sie in der Stadt herumfahren und das Auto immer mal wieder anhält, werden Sie es niemals kaufen. Von unten nach oben sehen Sie, wie oft das Auto richtigerweise bremst, um so einen Unfall zu verhindern. Schauen wir uns die Ecke links unten an: Das ist ein Standardauto. Es bremst nicht selbstständig, es tut nichts Merkwürdiges, aber es verhindert auch keine Unfälle. Wenn wir ein Fahrerassistenzsystem installieren, das Auffahrunfälle vermeiden soll, dann packen wir einige Technologien in das Auto. Das sehen Sie hier. Die Technologien sind gut, aber sie können niemals alle Unfälle verhindern. Dafür sind sie einfach nicht ausgelegt. Sehen wir uns diese Kurve an: So könnte man vielleicht die Hälfte aller Unfälle verhindern. Hervorragend, oder? Wir haben gerade die Zahl der Autounfälle halbiert! Jetzt sterben in den USA 17 000 Menschen weniger pro Jahr.
Let me talk about something a little technical for a moment here. So we're looking at this graph, and along the bottom is how often does the car apply the brakes when it shouldn't. You can ignore most of that axis, because if you're driving around town, and the car starts stopping randomly, you're never going to buy that car. And the vertical axis is how often the car is going to apply the brakes when it's supposed to to help you avoid an accident. Now, if we look at the bottom left corner here, this is your classic car. It doesn't apply the brakes for you, it doesn't do anything goofy, but it also doesn't get you out of an accident. Now, if we want to bring a driver assistance system into a car, say with collision mitigation braking, we're going to put some package of technology on there, and that's this curve, and it's going to have some operating properties, but it's never going to avoid all of the accidents, because it doesn't have that capability. But we'll pick some place along the curve here, and maybe it avoids half of accidents that the human driver misses, and that's amazing, right? We just reduced accidents on our roads by a factor of two. There are now 17,000 less people dying every year in America.
Aber wenn wir selbstfahrende Autos wollen, muss die Technologiekurve so aussehen. Wir müssen mehr Sensoren in das Auto integrieren, bis zu dem Punkt, an dem es praktisch nie mehr in einen Unfall verwickelt wird. Es wird noch passieren, aber sehr selten. Jetzt könnten wir darüber diskutieren, ob die Kurve stetig steigt, oder ob sie eher der 80/20-Regel entspricht. Die obere Kurve ist sehr schwer zu erreichen. Aber sehen wir es einmal anders. Wie oft muss die Technologie die richtigen Entscheidungen treffen? Dieser grüne Punkt hier ist das Fahrerassistenzsystem. Menschliche Fahrer machen Fehler, die Unfälle verursachen -- und zwar etwa alle 160 000 km in den USA. Im Gegensatz dazu trifft ein selbstfahrendes System etwa 10 Entscheidungen pro Sekunde. Umgerechnet wären das etwa 600-mal pro Kilometer. Wenn wir den Abstand zwischen beiden vergleichen, ist das etwa 10 hoch 8. 8 Größenordnungen. Das ist, wie wenn Sie mein Lauftempo mit der Lichtgeschwindigkeit vergleichen. Ganz egal, wieviel ich trainiere: Das kann ich nie erreichen. Der Unterschied ist also ziemlich groß.
But if we want a self-driving car, we need a technology curve that looks like this. We're going to have to put more sensors in the vehicle, and we'll pick some operating point up here where it basically never gets into a crash. They'll happen, but very low frequency. Now you and I could look at this and we could argue about whether it's incremental, and I could say something like "80-20 rule," and it's really hard to move up to that new curve. But let's look at it from a different direction for a moment. So let's look at how often the technology has to do the right thing. And so this green dot up here is a driver assistance system. It turns out that human drivers make mistakes that lead to traffic accidents about once every 100,000 miles in America. In contrast, a self-driving system is probably making decisions about 10 times per second, so order of magnitude, that's about 1,000 times per mile. So if you compare the distance between these two, it's about 10 to the eighth, right? Eight orders of magnitude. That's like comparing how fast I run to the speed of light. It doesn't matter how hard I train, I'm never actually going to get there. So there's a pretty big gap there.
Betrachten wir nun schließlich, wie das System mit Unsicherheit umgeht. Dieser Fußgänger läuft vielleicht auf die Straße -- oder auch nicht. Ich kann es nicht erkennen und unsere Algorithmen auch nicht. Für ein Assistenzsystem heißt das, dass es nichts unternehmen kann, denn es wäre völlig inakzeptabel, wenn es unerwartet bremsen würde. Ein selbstfahrendes System sieht den Fußgänger und sagt: "Keine Ahnung, was du tun wirst, ich fahre langsamer, schaue genauer hin und reagiere dann entsprechend."
And then finally, there's how the system can handle uncertainty. So this pedestrian here might be stepping into the road, might not be. I can't tell, nor can any of our algorithms, but in the case of a driver assistance system, that means it can't take action, because again, if it presses the brakes unexpectedly, that's completely unacceptable. Whereas a self-driving system can look at that pedestrian and say, I don't know what they're about to do, slow down, take a better look, and then react appropriately after that.
Es ist also viel sicherer, als ein Assistenzsystem je sein könnte. Aber damit genug von den Unterschieden zwischen beiden. Betrachten wir, wie das Auto die Umgebung wahrnimmt.
So it can be much safer than a driver assistance system can ever be. So that's enough about the differences between the two. Let's spend some time talking about how the car sees the world.
Das ist unser Auto. Zuerst bestimmt es seine Position, indem es auf einer Karte seine Sensordaten einträgt. Darüber legen wir das, was das Auto momentan sieht. Diese violetten Kästchen sind andere Fahrzeuge auf der Straße und das rote Ding ist ein Radfahrer. In der Entfernung sehen Sie noch einige Leitkegel. Jetzt wissen wir, wo das Auto gerade ist. Aber das reicht nicht: Wir müssen vorhersagen, was passieren wird. Der Pickup-Truck oben rechts will auf die linke Spur wechseln, denn vor ihm ist die Straße gesperrt. Also muss er ausweichen. Es ist toll, wenn man das weiß, aber wir müssen wissen, was jeder gerade denkt. Damit wird es zur komplizierten Aufgabe. Wenn wir das wissen, können wir bestimmen, wie sich das Auto verhalten sollte, wo genau es lang fahren sollte, wie stark es bremsen und beschleunigen sollte. Im Grunde geht es nur darum, einem Weg zu folgen, also nach links oder rechts zu lenken, zu bremsen oder Gas zu geben. Letztlich geht es nur um zwei Zahlen. Wie schwierig kann das schon sein?
So this is our vehicle. It starts by understanding where it is in the world, by taking a map and its sensor data and aligning the two, and then we layer on top of that what it sees in the moment. So here, all the purple boxes you can see are other vehicles on the road, and the red thing on the side over there is a cyclist, and up in the distance, if you look really closely, you can see some cones. Then we know where the car is in the moment, but we have to do better than that: we have to predict what's going to happen. So here the pickup truck in top right is about to make a left lane change because the road in front of it is closed, so it needs to get out of the way. Knowing that one pickup truck is great, but we really need to know what everybody's thinking, so it becomes quite a complicated problem. And then given that, we can figure out how the car should respond in the moment, so what trajectory it should follow, how quickly it should slow down or speed up. And then that all turns into just following a path: turning the steering wheel left or right, pressing the brake or gas. It's really just two numbers at the end of the day. So how hard can it really be?
Als wir 2009 angefangen haben, sah unser System so aus. Sie sehen unser Auto in der Mitte und die anderen Kästchen, die auf der Autobahn fahren. Das Auto muss wissen, wo es selbst ist und ungefähr, wo die anderen sind. Es geht um ein geometrisches Verständnis der Umwelt. Als wir begannen, in der Innenstadt zu fahren, wurde die Aufgabe viel schwieriger. Da laufen Fußgänger vorbei, Autos überqueren die Kreuzung, fahren in verschiedene Richtungen, es gibt Ampeln, Zebrastreifen. Das ist im Vergleich viel komplizierter. Wenn Sie dieses Problem gelöst haben, muss das Auto noch mit Baustellen zurechtkommen. Hier links sind die Pylonen, wir müssen also nach rechts wechseln. Aber die Baustelle kommt nicht allein. Das Auto muss mit anderen zurecht kommen, die sich durch die Baustelle bewegen. Natürlich, falls jemand die Regeln bricht, taucht die Polizei auf. Das Auto muss verstehen, was ein Blinklicht auf dem Wagendach bedeutet: Das ist kein normales Auto, sondern ein Polizeiauto. Mit diesem orangen Kasten ist das ähnlich: Das ist ein Schulbus, den müssen wir auch anders behandeln.
Back when we started in 2009, this is what our system looked like. So you can see our car in the middle and the other boxes on the road, driving down the highway. The car needs to understand where it is and roughly where the other vehicles are. It's really a geometric understanding of the world. Once we started driving on neighborhood and city streets, the problem becomes a whole new level of difficulty. You see pedestrians crossing in front of us, cars crossing in front of us, going every which way, the traffic lights, crosswalks. It's an incredibly complicated problem by comparison. And then once you have that problem solved, the vehicle has to be able to deal with construction. So here are the cones on the left forcing it to drive to the right, but not just construction in isolation, of course. It has to deal with other people moving through that construction zone as well. And of course, if anyone's breaking the rules, the police are there and the car has to understand that that flashing light on the top of the car means that it's not just a car, it's actually a police officer. Similarly, the orange box on the side here, it's a school bus, and we have to treat that differently as well.
Im Verkehr haben die anderen Teilnehmer Erwartungen. Streckt ein Radfahrer den Arm aus, erwartet er, dass ihm das Auto Vorrang einräumt und ihn die Spur wechseln lässt. Wenn ein Polizist auf der Straße steht, sollte das Auto "Stopp" verstehen. Wenn man uns weiterwinkt, sollten wir weiterfahren.
When we're out on the road, other people have expectations: So, when a cyclist puts up their arm, it means they're expecting the car to yield to them and make room for them to make a lane change. And when a police officer stood in the road, our vehicle should understand that this means stop, and when they signal to go, we should continue.
Wir erreichen das, indem wir Daten zwischen den Fahrzeugen austauschen. In einem ersten, einfachen Modell erkennt ein Auto eine Baustelle und informiert andere Fahrzeuge, damit diese die richtige Spur wählen. Wir können heute aber noch viel mehr als das. Wir haben alle Daten, die unsere Autos mit der Zeit erfasst haben -- hunderttausende Fußgänger, Radfahrer und Fahrzeuge -- wir kennen ihr Aussehen. Daraus können wir ableiten, wie andere Fahrzeuge und andere Fußgänger aussehen sollten. Daraus könnten wir dann sogar ein Modell ableiten, das ihre Bewegungen vorhersagt. Hier läuft gerade ein Fußgänger vor uns über die Straße. Das Blaue ist ein Radfahrer und wir nehmen an, dass er gleich ausscheren wird, um das geparkte Auto zu umfahren. Hier kommt uns ein Radfahrer entgegen. Wir wissen, dass er weiter dem Straßenverlauf folgen wird. Hier biegt jemand rechts ab. Hier wird gleich jemand vor uns wenden. Wir erkennen das und können sofort sicher reagieren.
Now, the way we accomplish this is by sharing data between the vehicles. The first, most crude model of this is when one vehicle sees a construction zone, having another know about it so it can be in the correct lane to avoid some of the difficulty. But we actually have a much deeper understanding of this. We could take all of the data that the cars have seen over time, the hundreds of thousands of pedestrians, cyclists, and vehicles that have been out there and understand what they look like and use that to infer what other vehicles should look like and other pedestrians should look like. And then, even more importantly, we could take from that a model of how we expect them to move through the world. So here the yellow box is a pedestrian crossing in front of us. Here the blue box is a cyclist and we anticipate that they're going to nudge out and around the car to the right. Here there's a cyclist coming down the road and we know they're going to continue to drive down the shape of the road. Here somebody makes a right turn, and in a moment here, somebody's going to make a U-turn in front of us, and we can anticipate that behavior and respond safely.
Das funktioniert alles prima für Dinge, die wir kennen. Natürlich trifft man immer wieder auf Situationen, die neu für uns sind. Vor ein paar Monaten fuhren unsere Autos durch Mountain View, und dann geschah das: Eine Frau in einem elektrischen Rollstuhl verfolgte eine Ente auf der Straße. (Lachen) In der Straßenverkehrsordnung steht leider nicht, wie man damit umgehen sollte. Aber unser Auto reagierte richtig. Es bremste und fuhr vorsichtig. Natürlich sind Enten nur die eine Sache. Hier fliegt ein Vogel direkt vor uns vorbei. Das Auto reagiert. Hier ist ein Radfahrer, den es so wohl nur in Mountain View gibt. Dann gibt es die Autofahrer, selbst die Allerkleinsten. Hier rechts springt uns jemand aus einem LKW entgegen. Hier links entscheidet sich das Auto in der grünen Box im allerletzten Moment fürs Abbiegen. Hier wechseln wir die Spur und der Fahrer links beschließt dasselbe. Hier fährt jemand über eine rote Ampel, und wir weichen aus. Hier das gleiche mit einem Radfahrer. Natürlich reagiert das Fahrzeug sicher. Dann gibt es Leute, die Verrücktes tun. Er hier drängelt sich zwischen zwei selbstfahrende Autos. Da fragt man sich schon: "Warum macht der das?!" (Lachen)
Now, that's all well and good for things that we've seen, but of course, you encounter lots of things that you haven't seen in the world before. And so just a couple of months ago, our vehicles were driving through Mountain View, and this is what we encountered. This is a woman in an electric wheelchair chasing a duck in circles on the road. (Laughter) Now it turns out, there is nowhere in the DMV handbook that tells you how to deal with that, but our vehicles were able to encounter that, slow down, and drive safely. Now, we don't have to deal with just ducks. Watch this bird fly across in front of us. The car reacts to that. Here we're dealing with a cyclist that you would never expect to see anywhere other than Mountain View. And of course, we have to deal with drivers, even the very small ones. Watch to the right as someone jumps out of this truck at us. And now, watch the left as the car with the green box decides he needs to make a right turn at the last possible moment. Here, as we make a lane change, the car to our left decides it wants to as well. And here, we watch a car blow through a red light and yield to it. And similarly, here, a cyclist blowing through that light as well. And of course, the vehicle responds safely. And of course, we have people who do I don't know what sometimes on the road, like this guy pulling out between two self-driving cars. You have to ask, "What are you thinking?" (Laughter)
Jetzt habe ich Sie mit vielen Infos überschüttet. Ein Beispiel möchte ich noch kurz näher erklären. Hier sehen wir noch einmal die Szene mit dem Radfahrer. Sie erkennen vielleicht, dass man den Radfahrer noch gar nicht sehen kann. Das Auto aber kann es: Er ist die kleine blaue Box. Das erkennen wir anhand von Laserdaten. Das ist nicht so leicht zu verstehen. Ich wechsle mal die Darstellung. Haben Sie öfter mit Laserdaten zu tun, erkennen Sie da oben ein paar Punkte in der Kurve. Genau da. Das blaue Kästchen ist der Radfahrer. Unsere Ampel ist rot, die Ampel des Radlers zeigt schon gelb. Das sehen Sie, wenn Sie die Augen zusammenkneifen. Aber der Radfahrer fährt einfach weiter. Unsere Ampel ist jetzt grün, die des Radlers rot. Wir schließen daraus, dass er die komplette Kreuzung überqueren wird. Leider haben die Fahrer neben uns nicht so gut aufgepasst. Sie fahren schon los und zum Glück reagiert der Radler, er weicht aus und schafft es über die Kreuzung. Und ab durch die Mitte.
Now, I just fire-hosed you with a lot of stuff there, so I'm going to break one of these down pretty quickly. So what we're looking at is the scene with the cyclist again, and you might notice in the bottom, we can't actually see the cyclist yet, but the car can: it's that little blue box up there, and that comes from the laser data. And that's not actually really easy to understand, so what I'm going to do is I'm going to turn that laser data and look at it, and if you're really good at looking at laser data, you can see a few dots on the curve there, right there, and that blue box is that cyclist. Now as our light is red, the cyclist's light has turned yellow already, and if you squint, you can see that in the imagery. But the cyclist, we see, is going to proceed through the intersection. Our light has now turned green, his is solidly red, and we now anticipate that this bike is going to come all the way across. Unfortunately the other drivers next to us were not paying as much attention. They started to pull forward, and fortunately for everyone, this cyclists reacts, avoids, and makes it through the intersection. And off we go.
Sie sehen, wir haben schon erstaunliche Fortschritte gemacht. Heute sind wir ziemlich überzeugt, dass diese Technologie auf den Markt kommen wird. Wir fahren täglich 4,8 Mio. Kilometer im Simulator. Unsere Autos haben also ziemlich viel Erfahrung. Wir freuen uns darauf, die Technologie auf die Straße zu bringen. Wir glauben, ein selbstfahrendes Auto ist sinnvoller als der Ansatz mit Assistenzsystemen, weil es um so viel geht. Während meines Vortrags heute sind 34 Menschen auf amerikanischen Straßen gestorben.
Now, as you can see, we've made some pretty exciting progress, and at this point we're pretty convinced this technology is going to come to market. We do three million miles of testing in our simulators every single day, so you can imagine the experience that our vehicles have. We are looking forward to having this technology on the road, and we think the right path is to go through the self-driving rather than driver assistance approach because the urgency is so large. In the time I have given this talk today, 34 people have died on America's roads.
Wann sind wir marktreif? Schwer zu sagen, denn die Aufgabe ist enorm komplex. Aber das hier sind meine beiden Jungs. Der ältere ist 11 und das heißt: In nur 4,5 Jahren kann er seinen Führerschein machen. Mein Team und ich setzen alles daran, das zu verhindern.
How soon can we bring it out? Well, it's hard to say because it's a really complicated problem, but these are my two boys. My oldest son is 11, and that means in four and a half years, he's going to be able to get his driver's license. My team and I are committed to making sure that doesn't happen.
Danke!
Thank you.
(Lachen) (Applaus) Chris Anderson: Chris, ich habe noch eine Frage.
(Laughter) (Applause) Chris Anderson: Chris, I've got a question for you.
Chris Urmson: Klar.
Chris Urmson: Sure.
CA: Dieses "Gehirn" eurer Autos ist schon ziemlich verblüffend. Was diese Debatte über Assistenzsysteme und fahrerlose Autos angeht -- also, da läuft ja tatsächlich eine große Debatte. Einige Unternehmen, beispielsweise Tesla, entscheiden sich für Assistenzsysteme. Meinst du, das ist eine Sackgasse? Wenn man diese Systeme weiterentwickelt und keinen Fahrer mehr braucht, denkt sich der Fahrer: "Das fühlt sich sicher an", klettert nach hinten und etwas Schlimmes passiert.
CA: So certainly, the mind of your cars is pretty mind-boggling. On this debate between driver-assisted and fully driverless -- I mean, there's a real debate going on out there right now. So some of the companies, for example, Tesla, are going the driver-assisted route. What you're saying is that that's kind of going to be a dead end because you can't just keep improving that route and get to fully driverless at some point, and then a driver is going to say, "This feels safe," and climb into the back, and something ugly will happen.
CU: Ja, ganz genau. Ich sage auch klar, dass Assistenzsysteme unglaublich wichtig sind. Sie können übergangsweise viele Leben retten. Aber nun haben wir die Chance, Menschen wie Steve das Fahren zu ermöglichen und größte Sicherheit zu erreichen. Wir haben die Chance, unsere Städte zu verändern, indem wir hässliche Parkplätze in der Stadt selbst nach draußen verlagern. Das ist der einzige Weg.
CU: Right. No, that's exactly right, and it's not to say that the driver assistance systems aren't going to be incredibly valuable. They can save a lot of lives in the interim, but to see the transformative opportunity to help someone like Steve get around, to really get to the end case in safety, to have the opportunity to change our cities and move parking out and get rid of these urban craters we call parking lots, it's the only way to go.
CA: Wir werden eure Fortschritte gespannt verfolgen. Vielen Dank, Chris. CU: Danke. (Appplaus)
CA: We will be tracking your progress with huge interest. Thanks so much, Chris. CU: Thank you. (Applause)