Το 1885 ο Καρλ Μπεντς εφηύρε το αυτοκίνητο. Αργότερα την ίδια χρονιά το έβγαλε για την πρώτη δοκιμαστική οδήγηση, και είναι αληθινή ιστορία, χτύπησε πάνω σε τοίχο. Τα τελευταία 130 χρόνια, δουλεύουμε πάνω στο λιγότερο αξιόπιστο τμήμα του αυτοκινήτου, τον οδηγό. Κάναμε το αυτοκίνητο δυνατότερο. Προσθέσαμε ζώνες ασφαλείας, βάλαμε αερόσακους, και την τελευταία δεκαετία αρχίσαμε να κάνουμε το αυτοκίνητο πιο έξυπνο για να διορθώσουμε αυτό το ελάττωμα, τον οδηγό.
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.
Σήμερα θα σας μιλήσω λίγο σχετικά με τη διαφορά μεταξύ μερικής επιδιόρθωσης με συστήματα υποβοήθησης του οδηγού και μιας λύσης με πλήρως αυτο-οδηγούμενα αυτοκίνητα και τι αυτά μπορούν να κάνουν για τον κόσμο. Επίσης πρόκειται να σας μιλήσω λίγο για το αυτοκίνητό μας και να σας δείξω πώς βλέπει τον κόσμο, και πώς αντιδρά, και τι κάνει, αλλά πρώτα θα μιλήσω λίγο σχετικά με το πρόβλημα. Και είναι ένα μεγάλο πρόβλημα: Κάθε χρόνο 1,2 εκατομμύρια άνθρωποι χάνουν τη ζωή τους στους δρόμους. Μόνο στην Αμερική 33.000 άνθρωποι σκοτώνονται κάθε χρόνο. Για να καταλάβετε το μέγεθος, είναι το ίδιο σαν να καταρρίπτεται ένα Μπόινγκ 737 κάθε εργάσιμη ημέρα. Είναι απίστευτο. Έτσι μας πωλούνται τα αυτοκίνητα, αλλά πραγματικά, έτσι είναι η οδήγηση. Σωστά; Δεν έχει λιακάδα, είναι βροχερός καιρός, και κάνετε οτιδήποτε άλλο εκτός από το να οδηγήσετε. Και ο λόγος είναι ο εξής: Η κυκλοφορία χειροτερεύει. Στην Αμερική, μεταξύ του 1990 και του 2010 οι αποστάσεις που καλύπτονται με οχήματα αυξήθηκαν κατά 38%. Αυξήσαμε τους δρόμους κατά 6%, έτσι δεν είναι απλώς ιδέα σας. Η κυκλοφορία είναι σημαντικά χειρότερη από ποτέ πριν.
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.
Και όλο αυτό έχει ένα πολύ ανθρώπινο κόστος. Εάν πάρετε το μέσο χρόνο μετακίνησης στην Αμερική, που είναι περίπου 50 λεπτά, τον πολλαπλασιάσετε επί τους 12 εκατομμύρια εργαζόμενους, μας κάνει περίπου έξι δισεκατομμύρια λεπτά που χάνονται σε μετακινήσεις κάθε μέρα. Αυτό είναι μεγάλος αριθμός, οπότε ας το δούμε κατ' αναλογία. Πάρτε τα έξι δισεκατομμύρια λεπτά και διαιρέστε τα με το μέσο προσδόκιμου ζωής ενός ατόμου, και αποδεικνύεται ότι είναι 162 ζωές που ξοδεύονται κάθε μέρα, σπαταλιούνται, απλά στη μετακίνηση από το ένα σημείο στο άλλο. Είναι απίστευτο. Και στη συνέχεια, είναι κι εκείνοι που δεν έχουν το προνόμιο να κάθονται σε κυκλοφορική συμφόρηση. Αυτός λοιπόν είναι ο Στιβ. Είναι ένα απίστευτα ικανός άνθρωπος, αλλά απλώς τυχαίνει να είναι τυφλός, που σημαίνει ότι, αντί να πάει οδηγώντας στη δουλειά σε 30 λεπτά, περνάει μια δίωρη δοκιμασία συνδυάζοντας διάφορα μέσα δημόσιας συγκοινωνίας. ή ζητώντας από τους φίλους ή συγγενείς να τον πάνε. Δεν έχει την ίδια ελευθερία να κυκλοφορεί όπως εσείς και εγώ. Θα πρέπει να κάνουμε κάτι γι 'αυτό.
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.
Η συμβατική σοφία θα έλεγε απλώς να πάρουμε τα συστήματα υποστήριξης οδηγού, κάπως να τα προχωρήσουμε και σταδιακά να τα βελτιώσουμε, και εν καιρώ να γίνουν αυτο-οδηγούμενα αυτοκίνητα. Ε λοιπόν, σας ενημερώνω ότι είναι σαν να σας λέω ότι αν εξασκηθώ πολύ σκληρά στα άλματα, μια ημέρα θα είμαι σε θέση να πετάξω. Θα πρέπει πραγματικά να κάνουμε κάτι διαφορετικό. Έτσι θα σας μιλήσω για τρεις διαφορετικούς τρόπους που τα αυτο-οδηγούμενα συστήματα διαφέρουν από τα συστήματα υποστήριξης οδηγού. Και θα αρχίσω με κάποιες δικές μας εμπειρίες.
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.
Πίσω στο 2013, κάναμε την πρώτη δοκιμή του αυτο-οδηγούμενου αυτοκινήτου όπου το χρησιμοποίησαν απλοί άνθρωποι. Όχι ακριβώς απλοί - ήταν 100 υπάλληλοι της Google, αλλά δεν εργάζονταν σ' αυτό το έργο. Τους δώσαμε να χρησιμοποιήσουν το αυτοκίνητο στην καθημερινή τους ζωή. Αλλά, αντίθετα από το αυτο-οδηγούμενο, αυτό είχε μια διαφορά: Έπρεπε να προσέχουν, επειδή ήταν πειραματικό όχημα. Το είχαμε τεστάρει πάρα πολύ αλλά και πάλι μπορούσε να βγάλει σφάλμα. Έτσι τους εκπαιδεύσαμε για δύο ώρες, τους βάλαμε να το χρησιμοποιήσουν, και τα σχόλια που ακούσαμε ήταν φοβερά, ως κάποιος που προσπαθεί να φέρει ένα προϊόν στον κόσμο. Όλοι τους μας είπαν ότι το λάτρεψαν. Είχαμε έναν οδηγό Porsche που ήρθε και μας είπε την πρώτη ημέρα, «Αυτό είναι εντελώς ηλίθιο. Τι σκεφτόμαστε;» Αλλά στο τέλος μας είπε, «Όχι μόνο θα πρέπει να το έχω, όλοι θα πρέπει να το έχουν, γιατί οι άνθρωποι είναι απαίσιοι οδηγοί.» Αυτά ήταν λόγια χαρμόσυνα, αλλά στη συνέχεια αρχίσαμε να βλέπουμε τι έκαναν οι άνθρωποι μέσα στο αυτοκίνητο, και τότε είδαμε την αλήθεια. Η αγαπημένη μου ιστορία είναι αυτή ενός κυρίου που κοιτάζει το κινητό του και βλέπει πως η μπαταρία είναι χαμηλή, έτσι γυρίζει μέσα στο αυτοκίνητο και ψάχνει μέσα στο σακίδιό του, βγάζει το λάπτοπ του, το βάζει στο κάθισμα, πηγαίνει στο πίσω μέρος πάλι, ψάχνει, βγάζει το καλώδιο φόρτισης του τηλεφώνου, ψαχουλεύει, το βάζει στο λάπτοπ, το βάζει στο τηλέφωνο. Φυσικά το τηλέφωνο φορτίζεται. Όλη αυτή την ώρα ταξιδεύει στην εθνική με 100 χιλιόμετρα την ώρα. Δεν είναι απίστευτο; Το σκεφτήκαμε και συμπεράναμε ότι είναι σχεδόν αυτονόητο, σωστά; Όσο καλύτερη γίνεται η τεχνολογία, τόσο λιγότερο αξιόπιστος θα γίνεται ο οδηγός. Έτσι απλώς φτιάχνοντας όλο και πιο έξυπνα αυτοκίνητα, μάλλον δεν πρόκειται να δούμε τα οφέλη που χρειαζόμαστε πραγματικά.
So back in 2013, 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.
Επιτρέψτε μου να μιλήσω λίγο για κάτι πιο τεχνικό. Βλέπουμε αυτό το διάγραμμα, και στο κάτω μέρος είναι το πόσο συχνά φρενάρει το αυτοκίνητο ενώ δεν θα έπρεπε. Αγνοήσετε αυτόν τον άξονα, γιατί αν οδηγείτε στην πόλη και το αυτοκίνητο σταματάει εδώ και εκεί, δεν πρόκειται να το αγοράσετε ποτέ. Και ο κάθετος άξονας είναι το πόσο συχνά θα φρενάρει το αυτοκίνητο όταν υποτίθεται ότι βοηθάει να αποφύγετε ένα ατύχημα. Αν κοιτάξουμε την κάτω αριστερή γωνία εδώ, αυτό είναι το συνηθισμένο αυτοκίνητό σας. Δεν φρενάρει για σας, δεν κάνει τίποτα ανόητο, αλλά επίσης δεν σας γλυτώνει από ατύχημα. Τώρα, αν θέλουμε να βάλουμε σε ένα αυτοκίνητο, ας πούμε, ένα σύστημα πέδησης για μετριασμό συγκρούσεων, θα βάλουμε εκεί πάνω ένα πακέτο τεχνολογίας, και αυτή η καμπύλη θα έχει κάποιες λειτουργικές ιδιότητες, αλλά ποτέ δεν θα αποφύγει όλα τα ατυχήματα γιατί δεν έχει την ικανότητα. Αλλά θα διαλέξουμε κάποιο σημείο στην καμπύλη, και ίσως αποφύγει τα μισά ατυχήματα που διαφεύγουν του οδηγού, κι αυτό είναι καταπληκτικό. Μόλις μειώσαμε τα οδικά ατυχήματα κατά το ήμισυ. Τώρα θα πεθαίνουν 17.000 λιγότερα άτομα κάθε χρόνο στην Αμερική.
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.
Αλλά αν θέλουμε ένα αυτο-οδηγούμενο αυτοκίνητο,
There are now 17,000 less people dying every year in America.
χρειαζόμαστε μια τέτοια καμπύλη τεχνολογίας. Θα πρέπει να βάλουμε περισσότερους αισθητήρες στο όχημα, και θα διαλέξουμε κάποιο σημείο λειτουργίας εδώ όπου ουσιαστικά ποτέ δεν θα τρακάρει. Θα συμβεί, αλλά με πολύ χαμηλή συχνότητα. Θα μπορούσαμε να δούμε το θέμα και να διαφωνήσουμε αν είναι σταδιακή και θα έλεγα πως είναι μάλλον «80-20», και είναι όντως δύσκολο να πάει προς τη νέα καμπύλη. Αλλά ας το δούμε από μια άλλη άποψη για μια στιγμή. Οπότε ας δούμε πόσο συχνά η τεχνολογία πρέπει να κάνει το σωστό. Και έτσι αυτή η πράσινη κουκκίδα εδώ είναι ένα σύστημα υποβοήθησης οδηγού. Αποδεικνύεται ότι οι άνθρωποι οδηγοί κάνουν λάθη που οδηγούν σε τροχαία ατυχήματα περίπου μία φορά κάθε 160.000 χιλιόμετρα στην Αμερική. Σε αντίθεση, ένα αυτο-οδηγούμενο σύστημα πιθανώς παίρνει αποφάσεις περίπου 10 φορές ανά δευτερόλεπτο, οπότε κατά τάξη μεγέθους είναι περίπου 800 φορές ανά χιλιόμετρο. Έτσι, αν συγκρίνετε την απόσταση μεταξύ των δύο, είναι περίπου 10 εις την όγδοη, σωστά; Οκτώ τάξεις μεγέθους. Είναι σαν να συγκρίνουμε το πόσο γρήγορα μπορώ να τρέξω με την ταχύτητα του φωτός. Όσο σκληρά και να προπονηθώ, ποτέ δεν πρόκειται να την φτάσω. Έτσι, υπάρχει ένα αρκετά μεγάλο χάσμα.
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.
Και τέλος, είναι και το πώς το σύστημα μπορεί να χειριστεί την αβεβαιότητα. Έτσι αυτός εδώ ο πεζός μπορεί να κατέβει στο δρόμο, μπορεί και όχι. Δεν μπορώ να πω, ούτε κάποιος από τους αλγορίθμους μας, αλλά στην περίπτωση του συστήματος υποβοήθησης οδηγού, αυτό σημαίνει ότι δεν μπορεί να αναλάβει δράση, γιατί και πάλι, αν πατήσει τα φρένα απροσδόκητα, αυτό είναι εντελώς απαράδεκτο. Ενώ ένα αυτο-οδηγούμενο σύστημα θα δει τον πεζό και θα πει, δεν ξέρω τι είναι έτοιμος να κάνει, κόψε, δες καλύτερα, και δράσε ανάλογα μετά από αυτό.
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.
Έτσι μπορεί να είναι πολύ ασφαλέστερο από ένα σύστημα υποστήριξης οδηγού. Αρκετά όμως με τις διαφορές των δύο. Ας μιλήσουμε λίγο για το πώς το αυτοκίνητο βλέπει τον κόσμο.
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.
Αυτό είναι το όχημά μας. Ξεκινά καταλαβαίνοντας πού βρίσκεται στον κόσμο, συνδυάζοντας ένα χάρτη και τα δεδομένα των αισθητήρων του, και από πάνω βάζουμε ό, τι βλέπει εκείνη τη στιγμή. Εδώ λοιπόν, όλα τα μοβ κουτιά που βλέπετε είναι άλλα οχήματα στο δρόμο, και το κόκκινο πράγμα στο πλάι είναι ένας δικυκλιστής, και λίγο πιο μακριά, αν κοιτάξετε πιο προσεκτικά, μπορείτε να δείτε κάποιους κώνους. Τότε ξέρουμε πού είναι το αυτοκίνητο αυτή τη στιγμή, αλλά πρέπει να κάνουμε κάτι καλύτερο: πρέπει να προβλέψουμε τι θα συμβεί. Εδώ το φορτηγάκι πάνω δεξιά ετοιμάζεται να πάει στην αριστερή λωρίδα γιατί ο δρόμος μπροστά του είναι κλειστός, έτσι χρειάζεται ν' αλλάξει διαδρομή. Το να ξέρουμε για το φορτηγάκι είναι θαυμάσιο, αλλά πρέπει να ξέρουμε τι σκέπτονται όλοι, έτσι γίνεται αρκετά περίπλοκο πρόβλημα. Με αυτά τα δεδομένα πρέπει να βρούμε πώς το όχημα θα πρέπει να ανταποκριθεί άρα ποια πορεία πρέπει να ακολουθήσει και πόσο να επιβραδύνει ή να επιταχύνει. Και μετά, όλα αυτά μετατρέπονται σε μόνο μια διαδρομή: να στρέψουμε το τιμόνι αριστερά ή δεξιά, να πατήσουμε φρένο ή γκάζι. Καταλήγουμε πραγματικά σε μόνο δύο αριθμούς. Πόσο δύσκολο μπορεί να είναι πραγματικά;
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?
Όταν ξεκινήσαμε το 2009, το σύστημά μας έμοιαζε κάπως έτσι. Βλέπετε το αυτοκίνητό μας στη μέση και τα άλλα κουτιά στο δρόμο να οδηγούν στην εθνική οδό. Το όχημα πρέπει να καταλάβει πού είναι και πού περίπου είναι τα άλλα οχήματα. Είναι πραγματικά μια γεωμετρική αντίληψη του κόσμου. Μόλις ξεκινήσαμε να οδηγούμε στη γειτονιά και στους δρόμους της πόλης, το πρόβλημα μπαίνει σε νέο επίπεδο δυσκολίας. Βλέπετε πεζούς να περνούν μπροστά μας, αυτοκίνητα να περνούν μπροστά μας, προς κάθε κατεύθυνση, τα φανάρια, τις διαβάσεις. Είναι συγκριτικά ένα απίστευτα περίπλοκο πρόβλημα. Και αφού έχετε λύσει αυτό το πρόβλημα, το όχημα πρέπει να μπορεί να δει τα έργα στο δρόμο. Εδώ οι κώνοι στα αριστερά το υποχρεώνουν πάει προς τα δεξιά, αλλά φυσικά όχι μόνο με τα ίδια τα έργα, αλλά και με τους ανθρώπους που κινούνται μέσα στην περιοχή των έργων. Και βέβαια, για τους παραβάτες είναι εκεί η αστυνομία και το αυτοκίνητο πρέπει να ξέρει ότι ο φάρος πάνω σε αυτοκίνητο σημαίνει ότι δεν είναι τυχαίο αυτοκίνητο, αλλά ένας αστυνομικός. Ομοίως, το πορτοκαλί κουτί εδώ στο πλάι, είναι σχολικό λεωφορείο, και πρέπει να το χειριστεί διαφορετικά επίσης.
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.
Όταν είμαστε στο δρόμο, οι άλλοι έχουν προσδοκίες: Όταν ένας δικυκλιστής σηκώνει το χέρι του, σημαίνει ότι θέλει το αυτοκίνητο να φρενάρει και να του αφήσει χώρο ώστε να κάνει αλλαγή λωρίδας. Κι όταν ένας αστυνομικός στεκόταν στο δρόμο, το όχημα μας έπρεπε να καταλάβει ότι πρέπει να σταματήσει, και όταν σου κάνει σήμα να ξεκινήσεις, θα πρέπει να συνεχίσεις.
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.
Αυτό το πετυχαίνουμε με κοινή χρήση δεδομένων μεταξύ των οχημάτων. Το πρώτο, πιο απλό μοντέλο είναι όταν ένα όχημα βλέπει ζώνη έργων, να ενημερώσει κάποιον άλλον ώστε να είναι στη σωστή λωρίδα για να αποφύγει μερικές δυσκολίες. Αλλά έχουμε πολύ βαθύτερη κατανόηση του γεγονότος. Μπορούμε να πάρουμε όλα τα δεδομένα που τα αυτοκίνητα έχουν δει, τους εκατοντάδες χιλιάδες των πεζών, δικυκλιστών, και των οχημάτων που είναι εκεί έξω και να κατανοήσουμε πώς μοιάζουν, και από αυτά να συμπεράνουμε πώς θα μοιάζουν τα άλλα οχήματα και πώς θα μοιάζουν οι άλλοι πεζοί. Και ακόμη πιο σημαντικό, θα μπορούσαμε να φτιάξουμε ένα μοντέλο για το πώς περιμένουμε κινηθούν μέσα από τον κόσμο. Εδώ το κίτρινο κουτί είναι ένας πεζός που περνάει μπροστά μας. Εδώ το μπλε κουτί είναι ένας δικυκλιστής και αναμένουμε ότι θα βγει να προσπεράσει το αυτοκίνητο στα δεξιά. Εδώ ένας δικυκλιστής κατεβαίνει το δρόμο και ξέρουμε ότι θα συνεχίσει κατά μήκος του δρόμου. Εδώ κάποιος κάνει μια δεξιά στροφή, και σε μια στιγμή εδώ, κάποιος θα κάνει αναστροφή μπροστά μας, και μπορούμε αφού το περιμένουμε, να ανταποκριθούμε με ασφάλεια.
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.
Αυτά είναι όλα ωραία και καλά για πράγματα που έχουμε δει, αλλά θα συναντήσετε πράγματα που δεν έχετε δει στον κόσμο πριν. Έτσι μόλις πριν από δύο μήνες, τα οχήματά μας περνούσαν από το Μάουντεν Βιού, και αντιμετωπίσαμε αυτό. Είναι για μια γυναίκα σε ηλεκτρικό αναπηρικό καροτσάκι που κυνηγάει μια πάπια σε κύκλους στο δρόμο. (Γέλια) Απ' ό,τι φαίνεται, αυτό δεν περιέχεται στο εγχειρίδιο του ΚΟΚ να σας λέει πώς να το αντιμετωπίσετε, αλλά τα οχήματα μας το αντιμετώπισαν, επιβράδυναν και προχώρησαν με ασφάλεια. Δεν έχουμε να αντιμετωπίσουμε μόνο πάπιες. Δείτε αυτό το πουλί να πετάει μπροστά μας. Το αυτοκίνητο αντιδρά σε αυτό. Εδώ έχουμε έναν δικυκλιστή που θα περιμένατε να τον δείτε οπουδήποτε εκτός από Μάουντεν Βιού. Και φυσικά, έχουμε να αντιμετωπίσουμε τους οδηγούς, ακόμη και τους πολύ μικρούς. Προσέξτε δεξιά, καθώς κάποιος πηδάει απ' αυτό το φορτηγό προς το μέρος μας. Τώρα προσέξτε αριστερά, που το αυτοκίνητο με το πράσινο κουτί αποφασίζει ότι χρειάζεται να στρίψει δεξιά την τελευταία στιγμή. Εδώ, όπως κάνουμε μια αλλαγή λωρίδας, το αυτοκίνητο αριστερά μας αποφασίζει ότι θέλει το ίδιο. Και εδώ ένα αυτοκίνητο παραβιάζει κόκκινο σηματοδότη και του δίνουμε προτεραιότητα. Και εδώ ομοίως, ένας δικυκλιστής επίσης παραβιάζει κόκκινο σηματοδότη. Φυσικά το όχημα ανταποκρίνεται με ασφάλεια. Έχουμε και ανθρώπους που μερικές φορές δεν ξέρουν τι κάνουν στο δρόμο, όπως αυτός εδώ που στριμώχνεται ανάμεσα σε δύο αυτο-οδηγούμενα. Είναι να απορείς, «Τι σκεφτόταν ο άνθρωπος;» (Γέλια)
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)
Λοιπόν, σας βομβάρδισα με πάρα πολλά, έτσι θα σας αναλύσω ένα από αυτά αρκετά γρήγορα. Βλέπουμε πάλι τη σκηνή με τον δικυκλιστή, και θα δείτε στο κάτω μέρος, ότι δεν βλέπουμε τον δικυκλιστή ακόμα, αλλά το αυτοκίνητο τον βλέπει: είναι το μικρό μπλε κουτί εκεί πάνω, και αυτό προέρχεται από τα δεδομένα λέιζερ. Και αυτό δεν είναι πολύ εύκολο να το καταλάβεις, οπότε θα πάω να ψάξω τα δεδομένα του λέιζερ, και αν είστε καλοί στο να ψάχνετε τα δεδομένα λέιζερ, θα δείτε μερικές κουκκίδες στην καμπύλη, ακριβώς εκεί, κι εκείνο το μπλε κουτί είναι ο δικυκλιστής. Καθώς το φανάρι μας είναι κόκκινο, το φανάρι του δικυκλιστή έχει γίνει ήδη κίτρινο, και αν μισοκλείσετε τα μάτια, θα το δείτε στην εικόνα. Αλλά ο δικυκλιστής, βλέπουμε, θα περάσει τη διασταύρωση. Το φανάρι μας είναι πλέον πράσινο, το δικό του είναι σταθερά κόκκινο, και τώρα αναμένουμε ότι η μηχανή θα περάσει απέναντι. Δυστυχώς, οι άλλοι οδηγοί δίπλα μας δεν πρόσεχαν τόσο πολύ. Άρχισαν να ξεκινάνε, και ευτυχώς για όλους, ο δικυκλιστής αντιδρά, αποφεύγει, και περνάει τη διασταύρωση. Και φύγαμε.
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.
Τώρα, όπως βλέπετε, έχουμε κάνει αρκετά μεγάλη πρόοδο, και πλέον είμαστε αρκετά πεπεισμένοι ότι αυτή η τεχνολογία θα βγει στην αγορά. Κάνουμε πέντε εκατομμύρια χιλιόμετρα δοκιμών σε εξομοιωτές κάθε μέρα, οπότε φανταστείτε την εμπειρία που έχουν τα οχήματά μας. Ανυπομονούμε να βγάλουμε αυτή την τεχνολογία στο δρόμο, και πιστεύουμε ότι ο σωστός τρόπος είναι με την αυτο-οδήγηση αντί με προσέγγιση υποβοήθησης οδηγού λόγω του επείγοντος χαρακτήρα του. Στον χρόνο αυτής της ομιλίας σήμερα, έχασαν τη ζωή τους 34 άνθρωποι στους δρόμους της Αμερικής.
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.
Πόσο σύντομα μπορούμε να το βγάλουμε; Είναι δύσκολο να πω γιατί είναι ένα πραγματικά πολύπλοκο πρόβλημα, αλλά αυτά είναι τα δύο μου αγόρια. Ο μεγαλύτερος γιος μου είναι 11, άρα σε τέσσερα χρόνια και έξι μήνες, θα μπορεί να πάρει άδεια οδήγησης. Η ομάδα μου και εγώ έχουμε δεσμευθεί να μην αφήσουμε να συμβεί.
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.
Ευχαριστώ.
Thank you.
(Γέλια) (Χειροκρότημα) Κρις Άντερσον: Κρις, Έχω μια ερώτηση για εσάς.
(Laughter) (Applause) Chris Anderson: Chris, I've got a question for you.
Κρις Ούρμσον: Φυσικά.
Chris Urmson: Sure.
ΚΑ: Σίγουρα, το μυαλό των αυτοκινήτων σας είναι αρκετά πολύπλοκο. Σε αυτή τη διαμάχη μεταξύ υποβοήθησης οδηγού και πλήρως χωρίς οδηγό - υπάρχει μια πραγματική διαμάχη εκεί έξω τώρα. Έτσι, ορισμένες από τις εταιρείες, για παράδειγμα, η Tesla, πήραν το δρόμο της υποβοήθησης οδηγού. Αυτό που λέτε είναι ότι αυτό μάλλον θα είναι ένα αδιέξοδο γιατί δεν μπορείς απλά με τη βελτίωση να φτάσεις κάποτε στο τελείως χωρίς οδηγό και στη συνέχεια ένας οδηγός θα πει, «Αυτό φαίνεται ασφαλές», και θα ανέβει και κάτι άσχημο θα συμβεί.
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.
ΚΟ: Σωστά. Όχι, αυτό είναι ακριβώς σωστό, και δεν λέμε ότι τα συστήματα υποβοήθησης οδηγού δεν θα είναι απίστευτα πολύτιμα. Μπορούν να σώσουν πολλές ζωές εν τω μεταξύ, αλλά για να μπορέσουμε να βοηθήσουμε κάποιον σαν τον Στιβ να κυκλοφορεί, για να φτάσουμε στο τελικό στόχο της ασφάλειας, για να έχουμε την ευκαιρία να αλλάξουμε τις πόλεις μας και να απαλλαγούμε από τους αστικούς κρατήρες που λέμε χώρους στάθμευσης, είναι ο μόνος τρόπος να γίνει.
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.
ΚΑ: Θα παρακολουθούμε την προόδό σας με τεράστιο ενδιαφέρον. Ευχαριστώ πολύ, Κρις. ΚΟ: Σας ευχαριστώ. (Χειροκροτήματα)
CA: We will be tracking your progress with huge interest. Thanks so much, Chris. CU: Thank you. (Applause)