Руководство по автопилоту

Я отыграл большое количество часов и могу поделится с вами своим опытом. Вся информация взята из свободных ресурсов таких как форумы, сайт игры, мой личный опыт и англоговорящие ютуберы которые посвятили все свое время только этой игре. Я попытался собрать все воедино что бы вам было удобнее, на русском пространстве вы такое точно не найдете, так как я постарался быть краток и максимально информативен.

В гайде  описаны самые необходимый на мой взгляд методы, которые помогут вам влиться в игру с первых же минут, я постарался уложится как можно короче что бы вы не устали это читать.

В нем вы поймете кнопки которые вам нужно нажать на своем самолете, чтобы активировать автопилот (это не то же самое, что ваш второй пилот на верхней панели). Это не подробный гайд на 100 листов, как я уже сказал выше только самое необходимо.

— Основы

Многие самолеты не имеют автопилота, но некоторые из них есть, и это действительно здорово, если вы хотите отойти и заняться другими делами.

Это немного сложнее, чем настроить круиз-контроль на машине, но все же это простое нажатие кнопок. Для некоторых из этих вещей есть привязки клавиш, но я обнаружил, что они иногда ничего не делают, и более надежно просто нажимать кнопки с помощью мыши. Кроме того, наведение курсора на кнопки помогает понять, что они иногда делают, если они обозначены немного иначе, чем вы привыкли. Я рекомендую сделать это в незнакомом самолете перед взлетом, особенно чтобы убедиться, что вы знаете, где находятся все кнопки автопилота, чтобы вам не было сложно управлять самолетом, а также пытаться их найти.

Итак, вот кнопки, которые вам нужно знать. Как правило, все они расположены на одной панели, поэтому, как только вы найдете одну, вы найдете их все. Я думаю, что легче всего понять самолеты с навигационными системами G1000, такими как Cessna 172 и Beechcraft Bonanaza G36.

— Основы

Многие самолеты не имеют автопилота, но некоторые из них есть, и это действительно здорово, если вы хотите отойти и заняться другими делами.

Это немного сложнее, чем настроить круиз-контроль на машине, но все же это простое нажатие кнопок. Для некоторых из этих вещей есть привязки клавиш, но я обнаружил, что они иногда ничего не делают, и более надежно просто нажимать кнопки с помощью мыши. Кроме того, наведение курсора на кнопки помогает понять, что они иногда делают, если они обозначены немного иначе, чем вы привыкли. Я рекомендую сделать это в незнакомом самолете перед взлетом, особенно чтобы убедиться, что вы знаете, где находятся все кнопки автопилота, чтобы вам не было сложно управлять самолетом, а также пытаться их найти.

Итак, вот кнопки, которые вам нужно знать. Как правило, все они расположены на одной панели, поэтому, как только вы найдете одну, вы найдете их все. Я думаю, что легче всего понять самолеты с навигационными системами G1000, такими как Cessna 172 и Beechcraft Bonanaza G36.

AP = Автопилот

Я также видел его по какой-то причине с маркировкой AAP и CMD, но обычно это AP. Сам по себе он не так нужен, но необходим, чтобы все остальные кнопки работали. Однако он может помешать вам наклониться, даже не нажимая никаких других кнопок.

ALT = удержание высоты

Это следующая кнопка, которую вы захотите нажать. Когда вы окажетесь на желаемой высоте, нажмите ее, и вы останетесь там. Довольно просто. Выбранная вами высота отображается в верхней части полосы высоты. Есть способы заставить автопилот перейти на следующую высоту для вас, но я предпочитаю добираться туда вручную, чтобы стартовать. Иногда кажется слегка ненадежным позволить автопилоту делать это. Иногда эта кнопка на самом деле является ручкой, которую вы нажимаете, но мы рассмотрим функцию ручки позже.

NAV = Навигация

Это третья кнопка, которую вы нажимаете. Это та, которая на самом деле следует вашим линиям GPS и управляет самолетом за вас. На самолетах G1000 убедитесь, что вы нажали кнопку CDI в нижней части левой панели, чтобы на индикаторе направления появились пурпурные линии вместо зеленых, иначе он не будет работать (кнопка CDI видна внизу панель на втором рисунке этого руководства). На 747, я думаю, вам нужно нажать VNAV и LNAV или что-то в этом роде, чтобы он работал. Я предполагаю, что это означает вертикальную и боковую навигацию. Иногда на других планах вещи обозначаются немного иначе. Опять же, наведите указатель мыши на кнопки, чтобы увидеть их функции в незнакомой кабине.

— Дополнительные параметры автопилота

Это абсолютная основа, но есть и другие кнопки, которые могут быть полезны:

HDG = режим курса

Не путать с ручкой HDG.
Нажатие кнопки заставляет самолет следовать по прямой линии по выбранному вами курсу, который отображается в виде маркера на индикаторе вашего курса. Вы выбираете этот заголовок с помощью ручки HDG, и обычно вы можете нажать на ручку, чтобы синхронизировать его с вашим текущим курсом.

FLC = Контроль эшелона полета

Если вы хотите, чтобы автопилот доставил вас на другую высоту (очень полезно для полетов на больших высотах на авиалайнерах, сначала поверните ручку ALT, пока не установите желаемое значение. Самолет не будет пытаться изменить высоту, пока вы не нажмете эту кнопку. Он работает, пытаясь перейти на другую высоту, изменяя угол подъема / спуска, при этом пытаясь сохранить воздушную скорость относительно одной и той же точки. На G1000 есть кнопки, обозначенные носом вверх и носом вниз, чтобы увеличивать и уменьшать эту скорость. Я не уверен, что они могут присутствовать в других системах или быть помечены как-то еще.

VS = вертикальная скорость

Это устанавливает вашу вертикальную скорость, и самолет будет пытаться изменить другие аспекты, чтобы сохранить их неизменными, пока вы не достигнете заданной высоты. Я бы не рекомендовал использовать это, потому что он в основном делает то же самое, что и FLC, но FLC лучше. Но я решил, что все равно расскажу об этом.

Всем спасибо, теперь вы знаете все основы и конечно же, Удачи в ваших полётах!

— Авторство

Автор гайда — Tiloppes

Материалы предназначены для сайта PlayGround.ru. Гайд был написан для выполнения задания.

Related Manuals for Raymarine autopilot

• Комплектация автопилота
• Какие бывают модификации автопилотов
• На какие кораблики можно установить автопилот
• Режим ручного управления
• Режим автопилота
• Калибровка компаса
• Почему не особо нужна калибровка
• Режим поиска рыбы
• Встроенная панель администратора
• Обновление прошивки
• Подключение эхолота LUCKY к автопилоту
• Настройка пульта FlySKY i6 для работы с автопилотом UNIBOAT
• Прошивка пульта для использования с автопилотом UNIBOAT
• Подключение адресных светодиодов, рекомендуемая схема размещения
• Подключение аудио усилителя и динамика к АВТОПИЛОТУ — голосовое сопровождение
• Распределение бункеров, разбрасывателей и пр., что такое порты
• Подключение кнопки к автопилоту для работы с корабликом без пульта
• Рекомендации по установке и компоновке оборудования на кораблике

Режим ручного управления

Режим ручного управления выбирается установкой переключателя SWC в верхнее (первое из трех) положение. Как управлять корабликом, сохранять точки, открывать и закрывать бункера и многое другое вы можете узнать здесь

Управление в режиме автопилота

Сохранив точки можно использовать их для автоматической отправки прикормочного кораблика на них и сброса прикормки. Режим управления автопилотом выбирается установкой переключателя SWC в среднее (второе из трех) Перейдите по этой ссылке и вы будете удивлены, как легко это происходит.

Подключение эхолота LUCKY к автопилоту

Многие кораблики UNIBOAT, как и кораблики других производителей укомплектованы глубиномерами, которые поддерживаются автопилотом. Но гораздо более интересно подключить к автопилоту полноценный эхолот и наблюдать рыбу, глубину и рельеф дна прямо на экране пульта управления корабликом. Эту уникальную возможность поддерживает только наш автопилот. Подробности здесь

Автоматическое сканирование водоема с поиском рыбы и авто сохранением точек для рыбалки

Смотрите инструкцию здесь

Встроенная панель администратора

Автопилот UNIBOAT является сложным и универсальным навигационным прибором и может устанавливаться на разные типы кораблей с разными гидродинамическими характеристиками, силовыми установками и рулевым управлением. Для настройки прямого хода к точке, скоростей, расстояний разгона необходима возможность удобной настройки параметров и желательно во время нахождения кораблика на воде. На воде очень удобно настраивать автопилот. Ввод настроек в нашем автопилоте можно производить используя Wifi подключение к сотовому телефону. Подробности можно узнать здесь.

Схема подключения автопилота UNIBOAT к карповому кораблику

Инструкция как настроить пульт FlySKY I6 (каналы и пр.)

Прошивка пульта — инструкция

Схема подключения адресных светодиодов здесь.

Время на прочтение
7 мин

Количество просмотров 22K

Привет, Хабр. Это пост-отчет-тьюториал про беспилотные автомобили — как (начать) делать свой без расходов на оборудование. Весь код доступен на github, и помимо прочего вы научитесь легко генерить такие класные картинки:

Поехали!

Вкратце

Краткое содержание для знакомых с темой: традиционно для набора обучающей выборки для автопилота на основе машинного обучения нужен был специально оборудованный автомобиль с достаточно информативной CAN шиной и интерфейсом к ней, что дорого. Мы поступим проще и бесплатно — будем набирать такие же по сути данные просто со смартфона на лобовом стекле. Подходит любой авто, никаких модификаций оборудования. В этой серии — вычисляем поворот руля в каждый момент времени по видео. Если в этом абзаце всё понятно, можно перепрыгивать через введение сразу к сути подхода.

Что-зачем-почему более подробно

Итак, ещё пару лет назад без серьёзных ресурсов большой корпорации в тему автопилотов было не сунуться — один только LIDAR сенсор стоил десятки тысяч долларов, но недавняя революция в нейросетях всё изменила. Стартапы из нескольких человек с простейшими наборами сенсоров из пары вебкамер на равных конкурируют по качеству результата со знаменитыми брендами. Почему бы не попробовать и нам, тем более столько качественных компонентов уже в открытом доступе.

Автопилот преобразует данные сенсоров в управляющие воздействия — поворот руля и требуемое ускорение/замедление. В системе с лазерными дальномерами, как у Google, это может выглядеть так:

Простейший же вариант сенсора — видеокамера, «смотрящая» через лобовое стекло. С ним и будем работать, ведь камера на телефоне уже есть у каждого.

Для вычисления управляющих сигналов из «сырого» видео хорошо работают сверточные нейросети, но, как и любой другой подход машинного обучения, предсказывать правильный результат их нужно научить. Для обучения нужно (а) выбрать архитектуру модели и (б) сформировать обучающую выборку, которая будет демонстрировать модели различные входные ситуации и «правильные ответы» (например, угол поворота руля и положение педали газа) на каждую из них. Данные для обучающей выборки обычно записывают с заездов, где машиной управляет человек. То есть водитель демонстрирует роботу, как надо управлять машиной.

Хороших архитектур нейросетей хватает в открытом доступе, а вот с данными ситуация более печальная: во-первых данных просто мало, во-вторых почти все выборки — из США, а у нас на дорогах много от тех мест отличий.

Дефицит открытых данных легко объясним. Во-первых данные — не менее ценный актив, чем экспертиза в алгоритмах и моделях, поэтому делиться никто не торопится:

The rocket engine is the models and the fuel is the data.
Andrew Ng

Во-вторых, процесс сбора данных недёшев, особенно если действовать «в лоб». Хороший пример — Udacity. Они специально подобрали модель автомобиля, где рулевое управление и газ/тормоз завязаны на цифровую шину, сделали интерфейс к шине и считывают оттуда данные напрямую. Плюс подхода — высокое качество данных. Минус — серьезная стоимость, отсекающая подавляющее большинство непрофессионалов. Ведь далеко не каждый даже современный авто пишет в CAN всю нужную нам информацию, да и с интерфейсом придется повозиться.

Мы поступим проще. Записываем «сырые» данные (пока что это будет просто видео) смартфоном на лобовом стекле как видеорегистратором, затем софтом «выжимаем» оттуда нужную информацию — скорость движения и поворотов, на которых уже можно будет обучать автопилот. В результате получаем почти бесплатное решение — если есть держалка для телефона на лобовое стекло, достаточно нажать кнопку, чтобы набирать обучающие данные по дороге на работу.

В этой серии — «выжималка» угла поворота из видео. Все шаги легко повторить своими силами с помощью кода на github.

Задача

Решаем задачу:

• Есть видео с камеры, жестко закрепленной к авто (т.е. камера не болтается).
• Требуется для каждого кадра узнать текущий угол поворота руля.

Ожидаемый результат:

Сразу чуть упростим — вместо угла поворота руля будем вычислять угловую скорость в горизонтальной плоскости. Это примерно эквивалентная информация если знать поступательную скорость, которой мы займемся в следующей серии.

Решение

Решение можно собрать из общедоступных компонент, немного их доработав:

Восстанавливаем траекторию камеры

Первый шаг — восстановление траекториии камеры в трехмерном пространстве с помощью библиотеки SLAM по видео (simultaneous localization and mapping, одновременная локализация и построение карты). На выходе для каждого (почти, см. нюансы) кадра получаем 6 параметров положения: 3D смещение и 3 угла ориентации.

В коде за эту часть отвечает модуль optical_trajectories

Нюансы:

• При записи видео не гонитесь за максимальным разрешением — дальше определенного порога оно только повредит. У меня хорошо работают настройки в окрестностях 720х480.
• Камеру нужно будет откалибровать (инструкции, теория — актуальны части 1 и 2) на тех же настройках, с которыми записывалось видео с заезда.
• Системе SLAM нужна «хорошая» последовательность кадров, за которую можно «зацепиться» как за точку отсчета, поэтому часть видео в начале, пока система не «зацепится» останется не аннотированным. Если на вашем видео локализация не работает совсем, вероятны либо проблемы с калибровкой (попробуйте откалибровать несколько раз и посмотрите на разброс результатов), либо проблемы с качеством видео (слишком высокое разрешание, слишком сильное сжатие и т.д.).
• Возможны срывы отслеживания SLAM системой, если между соседними кадрами потеряется слишком много ключевых точек например, стекло на мгновение залило всплеском из лужи). В этом случае система сбросится в исходное не локализованное состояние и будет локализовываться заново. Поэтому из одного видео можно получить несколько траекторий (не пересекающихся во времени). Системы координат в этих траекториях будут совершенно разными.
• Конкретная библиотека ORB_SLAM2, которой я воспользовался, дает не очень надежные результаты по поступательным перемещениям, поэтому их пока игнорируем, а вот вращения определяет неплохо, их оставляем.

Определяем плоскость дороги

Траектория камеры в трехмерном пространстве — это хорошо, но напрямую еще не дает ответа на конечный вопрос — поворачивать налево или направо, и насколько быстро. Ведь у системы SLAM нет понятий «плоскость дороги», «верх-низ», и т.д. Эту информацию тоже надо добывать из «сырой» 3D траектории.

Здесь поможет простое наблюдение: автомобильные дороги обычно протягиваются гораздо дальше по горизонтали, чем по вертикали. Бывают конечно исключения, ими придется пренебречь. А раз так, можно принять ближайшую плоскость (т.е. плоскость, проекция на которую дает минимальную ошибку реконструкции) нашей траектории за горизонтальную плоскость дороги.

Горизонтальную плоскость выделяем прекрасным методом главных компонент по всем 3D точкам траектории — убираем направление с наименьшим собственным числом, и оставшиеся два дадут оптимальную плоскость.

За логику выделения плоскости также отвечает модуль optical_trajectories

Нюанс:

• Из сути главных компонент понятно, что кроме горных дорог выделение главной плоскости будет плохо работать если машина всё время ехала по прямой, — ведь тогда только одно направление настоящей горизонтальной плоскости будет иметь большой диапазон значений, а диапазон по оставшемуся перпендикулярному горизонтальному направлению и по вертикали будут сопоставимы.

  Чтобы не загрязнять данные большими погрешностями с таких траекторий, проверяем, что разброс по последнему главному компоненту значительно (в 100 раз) меньше, чем по предпоследнему. Не прошедшие траектории просто выкидываем.

Вычисляем угол поворота

Зная базисные векторы горизонтальной плоскости v₁ и v₂ (два главных компонента с наибольшими собственными значениями из предыдущей части), проецируем на горизонтальную плоскость оптическую ось камеры:

Таким образом из трехмерной ориентации камеры получаем курсовой угол автомобиля (с точностью до неизвестной константы, т.к. ось камеры и ось автомобиля в общем случае не совпадает). Поскольку нас интересует только интенсивность поворота (т.е. угловая скорость), эта константа и не нужна.

Угол поворота между соседними кадрами дает школьная тригонометрия (первый множитель — абсолютная величина поворота, второй — знак, определяющий направление налево/направо). Здесь под a_t понимаем вектор проекции a_horizontal в момент времени t:

Эта часть вычислений тоже делается модулем optical_trajectories. На выходе получаем JSON файл следующего формата:

{
  "plane": [
    [ 0.35, 0.20, 0.91],
    [ 0.94, -0.11, -0.33]
  ],
   "trajectory": [
    ...,
    {
      "frame_id": 6710,
      "planar_direction": [ 0.91, -0.33 ],
      "pose": {
        "rotation": {
          "w": 0.99,
          "x": -0.001,
          "y": 0.001,
          "z": 0.002
        },
        "translation": [ -0.005, 0.009, 0.046 ]
      },
      "time_usec": 223623466,
      "turn_angle": 0.0017
    },
    .....
}

Значения компонент:

• plane — базисные векторы горизонтальной плоскости.
• trajectory — список элементов, по одному на каждый успешно отслеженный системой SLAM кадр.
  • frame_id — номер кадра в исходном видео (начиная с 0).
  • planar_direction — проекция отпической оси на горизонтальную плоскость
  • pose — положение камеры в 3D пространстве
    • rotation — ориентация оптической оси в формате единичного кватерниона.
    • translation — смещение.
  • time_use — время с начала видео в микросекундах
  • turn_angle — горизонтальное вращение относительно предыдущего кадра в радианах.

Убираем шум

Мы почти у цели, но остается еще проблема. Посмотрим на получившийся (пока что) график угловой скорости:

Визуализируем на видео:

Видно, что в общем направление поворота определяется правильно, но очень много высокочастотного шума. Убираем его Гауссовским размытием, которое является низкочастотным фильтром.

Сглаживание в коде производится модулем smooth_heading_directions

Результат после фильтра:

Это уже можно «скормить» обучаемой модели и рассчитывать на адекватные результаты.

Визуализация

Для наглядности по данным из JSON файлов траекторий можно наложить виртуальный руль на исходное видео, как на демках выше, и проверить, правильно ли он крутится. Этим занимается модуль render_turning.

Также легко построить покадровый график. Например, в IPython ноутбуке с установленным matplotlib:

import matplotlib
%matplotlib inline
import matplotlib.pyplot as plt
import json

json_raw = json.load(open('path/to/trajectory.json'))
rotations = [x['turn_angle'] for x in json_raw['trajectory']]
plt.plot(rotations, label='Rotations')
plt.show()

На этом пока всё. В следующей серии — определяем поступательную скорость, чтобы обучить еще и управление скоростью, а пока что приветствуются pull-request’ы.

Беспилотный автомобиль — это когда машина сама умеет ездить по дорогам общего пользования, как будто ей управляет настоящий водитель. Она сама выбирает маршрут, следит за обстановкой на дороге, объезжает препятствия и не нарушает правила дорожного движения. Разбираемся, как это работает.

Уровни автопилота

В зависимости от того, что машина умеет делать сама, инженеры разделили автопилот на 6 уровней:

Level 0 — автопилота нет, водитель всё делает сам. Газель-маршрутка — это как раз машина с автопилотом Level 0.

Level 1 — помощь водителю. Автомобили такого уровня могут сами ускоряться или тормозить. Если на машине установлен круиз-контроль — это Level 1. Сюда же можно отнести некоторые системы автопарковки, когда водитель нажимает кнопку, а машина сама паркуется в сложном месте.

Level 2 — начальный уровень. Здесь машина уже может сама ехать, тормозить и ускоряться, но в разных ситуациях она сразу передаёт управление водителю. Первые Теслы умели как раз вот так.

Level 3 — средний уровень. Машина справляется почти со всеми ситуациями, но водитель всё равно нужен, чтобы среагировать, если что-то пойдёт не так. Сейчас это стало стандартом, и большинство беспилотных машин так умеют.

Level 4 — высокий уровень. В теории тут уже можно отпустить руль — машина сама со всем справится, а если нет — просто остановится. Но на практике водитель всё равно нужен — мало ли что, вдруг машина не сможет правильно среагировать и передаст управление. Самые современные беспилотники — здесь, их работу мы и будем разбирать.

Level 5 — полный автопилот. Можно ездить не держась за руль, можно сесть на пассажирское сиденье или вообще убрать руль из машины. Так пока никто не умеет, кроме робокаров-грузчиков на складах и закрытых площадках, где нет людей.

Что нужно для работы беспилотного авто

Чтобы превратить обычную машину в беспилотную, в неё нужно установить дополнительное железо и алгоритмы:

Инженеры чаще всего так и делают — берут серийный автомобиль, навешивают на него всё это железо и ставят внутрь компьютер для обработки сигналов и команд.

Радар

Задача радара — провести первичную разведку того, что находится вокруг машины.

Основной радар на беспилотной машине всё время крутится на крыше, посылает радиоимпульсы и смотрит, какие из них вернулись раньше других. Чем раньше вернулся импульс — тем ближе объект к радару. Радар крутится быстро, и алгоритм анализирует изменения в сигналах. Так машина примерно понимает:

Это очень грубые данные, но благодаря им машина понимает, на чём нужно сосредоточиться, а что пока не представляет опасности. Ещё есть несколько радаров спереди и сзади автомобиля — они контролируют скорость и расстояние до машин спереди и сзади.

Лидар

Лидар — это более крутая версия радара, построенная на лазерах. Вместо радиосигнала лидар посылает лазерные лучи и моментально узнаёт точное расстояние до объекта:

Но главный плюс лидара в том, что он позволяет строить трёхмерную модель окружающего пространства с точностью ±1 сантиметр. Для этого лидар сканирует пространство 50—100 раз в секунду, совмещает данные и формирует трёхмерное изображение:

Камеры

Задача камер в беспилотных авто — получать картинку вокруг машины, чтобы с ней могли потом работать алгоритмы распознавания образов. Обычно в машины ставят несколько камер для кругового обзора, камеру для анализа дорожного покрытия и несколько дополнительных камер для увеличения обзора.

В камерах инженеры всё время ищут баланс между качеством картинки и скоростью передачи сигнала. Чем качественнее видео, тем больше битов нужно для кодирования такого потока, а значит, алгоритму нужно больше времени, чтобы получить готовый кадр. Наоборот тоже работает: чем хуже и проще картинка, тем быстрее она попадает в обработку, но точность распознавания там тоже хуже.

Алгоритмы компьютерного зрения

Компьютер постоянно распознаёт кадры, поступающие с камер, чтобы найти на них что-то знакомое:

Эта информация потом используется компьютером, чтобы понять — можно тут проехать или нет с соблюдением всех правил дорожного движения.

Как «видит» машина окружающий мир — зависит от алгоритма, который там используется:

Датчики погоды

Машине всё время важно знать, в каком состоянии находится дорога, для этого она использует камеру, направленную вниз, и датчики погоды. Например, если идёт дождь, то компьютер вносит поправки в коэффициент сцепления шин с дорогой и пересчитывает возможную скорость движения. Температурный датчик помогает понять, возможен ли гололёд, а от датчика освещённости зависит максимальная скорость — ночью машина будет ехать медленнее, чем днём.

Система управления основными узлами автомобиля

Чтобы компьютер мог управлять машиной, её нужно доработать — добавить блоки управления на основные части:

Благодаря этому компьютер может делать всё то, что делает настоящий водитель: управлять машиной и подавать сигналы остальным участникам дорожного движения. В современных серийных машинах всем, кроме торможения, можно управлять электронно, а в электрокарах даже это можно сделать с помощью бортового компьютера. Почти все современные беспилотные авто — электрические, потому что ими гораздо проще управлять: достаточно подключить блок управления к внутренней проводке машины.

Алгоритмы принятия решений

Это самый важный компонент в любой беспилотной машине — от него зависит, что будет делать машина в любой ситуации:

Для этого используются линейные алгоритмы, нейросети и самообучающиеся алгоритмы — они обрабатывают огромный поток данных со всех радаров, камер и датчиков и принимают решение, что делать дальше. Это позволяет избежать аварии в сложных ситуациях — посмотрите на эту подборку, где автопилот спасает жизни водителей, пешеходов и даже животных:

Но если с такими ситуациями компьютер уже справляется, то с остальными всё пока сложно. И это нас приводит к моральной проблеме беспилотных машин.

Моральная проблема беспилотных машин

Существует принципиальная проблема, которую не могут решить разработчики беспилотных авто — что делать, когда ситуация угрожает жизни пассажиров или пешеходов? Классический пример — едет такая машина с двумя пассажирами, на дорогу внезапно выбегают дети, а единственный способ избежать столкновения с ними — увести машину в столб. 

Это не вопрос автоматизации, программирования и алгоритмов — в современном виде инженер может запрограммировать любое поведение машины, и она это исполнит (в рамках законов физики). Проблема в том, что люди ещё не сталкивались с вопросом, как алгоритму доверить такой сложный моральный выбор, связанный с жизнью людей, поэтому ни у кого нет правильного ответа. По этой причине все автомобили с подобными системами до сих пор требуют, чтобы водитель держал руки на руле — и в сложной ситуации сам принял решение.