Paylaşımlı yolculuk kavramı uzun süredir üzerinde konuşulan dikkat çekici bir konu ve bu iş modeli artık yalnızca biriyle bir arabayı paylaşmaktan ya da bir uygulamaya dahil olup birini bir yerden bir başka yere bırakmaktan ibaret değil.
Sarı taksinin dijital hali olarak tanımlayabileceğimiz Uber, yeni kurduğu Av Labs isimli bir alt girişimle, sahada faal olan araçların gerçek dünyadan topladığı verileri işleyip kaliteli durum örneklerine dönüştürmeyi ve bu verileri işledikten sonra otonom araçlar ve bu araçlar için yazılım geliştirenlerin yer aldığı ekosisteme açmayı planlıyor.
Gerçek dünyadan toplanan bu veriler, otonom sürüş yazılımlarının daha hızlı ve güvenli şekilde öğrenmesi için gerekli olan kaynağı sağlayacak.
Dünyanın en büyük simülasyonunu anlık olarak gözlemlemek
Amerika’dan Avrupa’ya, Hindistan’dan Çin’e kadar; Uber şu ana dek milyarlarca gerçek yolculuğun gerçekleşmesine aracılık etti, dolayısıyla yollardaki gerçek koşulları da gördü; görmeye devam ediyor. Bu da Uber’in yalnızca paylaşımlı yolculuğa aracılık eden bir şirketten çok daha fazlası olduğu anlamına geliyor; Uber artık dünyanın en büyük hareketlilik şirketlerinden biri.
AV Labs girişimi, gerçek dünyadan özel sensörlerle donatılmış araçlarla edinilen bu operasyonel veriyi veri madenciliği, etiketleme, simülasyon ve doğrulama aşamalarından geçirerek otomotiv ve otonom yazılım üreten firmaların kullanabileceği bir forma çevirmeyi planlıyor.
Yani dünyadaki en büyük simülasyonu neredeyse gerçek zamanlı olarak takip ederek ortaya çıkan anlık veriyi daha anlamlı bir hale getirmeyi hedefliyor.
Uber’in varmaya çalıştığı nokta Tesla’nın Cybercab’i gibi kendi robotik taksisini imal etmek ve onu yola çıkarmak değil. Daha ziyade, araçları bir tür veri toplayıcısı olarak kullanıp ekosistemde hızlandırıcı görevini üstlenecek katalizör olarak konumlandırmak ve araçların topladığı bu big-data‘yı partnerlik geliştirdiği firmalara uygun şekilde ölçeklendirip ve long-tail olarak sunmak.
Ekosistem içinde AV Labs’i bir tür farkındalık olarak tanımlarsak daha doğru olur; çünkü dünya yollarındaki nadir görünen, kaotik ve beklenmedik olaylara odaklanıyor, bunlardan ders çıkarmayı amaçlıyor.
Nihayetinde de bu dersleri başka birine “satmayı”…
Çünkü otonom sistemlerin tıkandığı ve çözmek için yoğunlaştığı alanlar da tam olarak bu düğümler. Eğer birisi bu veriyi sağlamayı başarırsa bir çok engel de aşılmış olacak.
AV Labs nasıl çalışacak?
AV Labs’in çalışma mekanizması aslında görüldüğü kadar karmaşık değil.
Uber’in operasyon ağında yer alan ve LiDAR, radar ve kamera gibi özel algılayıcılarla donatılmış test araçları sahadan veriyi toplayacak; iş Hyundai’nin özel bir Ioniq 5 otomobili ile başlıyor.
Kişisel bilgi içeren ve iş için gerekli olmayan veriler bu bigdatadan çıkarılacak, temizlenecek veya maskelenecek; son aşamada ise veri etiketlenecek.
Geriye kalan veriler incelenerek sahadaki gerçek olaylar simülasyon ortamına taşınacak, ortaklık kurulan şirketlerin yazılımları bu senaryoları gölge modda insan sürüşüyle karşılaştıracak.
Tespit edilen önemli vakalar eğitim verilerinin içine dahil edilirken modeller sahadan devamlı olarak gelen verilerle güncellenecek, işlenecek ve tekrar sahaya dağıtılacak. Data flywheel denilen bu yaklaşım, sahadaki nadir durumları analiz etmek için şu sıralar en ideal yaklaşım gibi görünüyor.
Özetle, gelecekte belki de sürücü konsolu ve direksiyon bir simgeye dönüşecek. Bindiğin araç milyonlarca diğer aracın topladığı verilerden edindiği ortak deneyimi kullanarak seni bir yerden alıp başka bir yere götürecek.
AV labs’in ekosisteme sunduğu avantajlar neler?
Uber bugün çok geniş bir coğrafyada hizmet veriyor ve dolayısıyla operasyonel veri kaynağı da epey geniş. Dolayısıyla bu veriler daha küçük ve sınırlı imkanlara sahip filoya ve coğrafi erişime sahip olan geliştiriciler için yeni ufuklar açacak.
Bu bigdatanın içinde karmaşık trafik koşulları olacak; ve yollarda aniden meydana gelen beklenmedik durumlarda sürücülerin nasıl davrandığı olacak; hatta daha geniş kapsamda, şehirlere özgü altyapı anomalileri olacak.
Uber’in verilerine erişim, reinforcement learning ve supervised modellerinin hızlı şekilde beklenen performanslarını kazanmasını sağlamasının yanında, küçük ölçekli geliştiricilerin gerçek dünyadan çok uzun sürede elde edebileceği senaryoları daha kısa sürede elde etmesinin önünü açacak, tabii daha düşük maliyetle.
Dijital haritalar bugünlerde oldukça önemli ve geliştiriciler dijital haritalara eskisine göre daha fazla yatırım yapıyor. AV Labs’in elde edeceği güncel veri, dijital haritaların daha kısa süre içinde güncellenmesini ve şehirlerin altyapılarına dair istihbaratı daha az gecikmeyle sağlayacak.
Bahsettiğim bu istihbaratın arasında yanlış işaretlenen yollar, kapalı kavşaklar, tek yöne düşen şeritler gibi hayati ve önemli durumlar var.
…
Otonom araçlarla sürüşü geliştirmekte yeni ve bambaşka bir evredeyiz.
Şimdiye dek belirli kurallara dayalı yaklaşımın yerini artık reinforcement learning ve büyük veriye dayanan supervised learning modelleri alıyor. Bu nedenle otomotivin geleceğinin geleceğini şekillendirecek otonom sürüşle ilgili olarak hangi şirketin gerçek dünyayla ilgili en çok sorunu çözebileceği konuşulan konuların üst sıralarında olacak.
AV Labs, doğru şekilde konumlandırılabilirse otonom sürüşle ilgili yazılım geliştirenler başta olmak üzere mobilite ekosistemleri için hızlandırıcı olarak iş görecek. Çünkü gerçek dünyada şimdiye kadar pek üzerinde düşünülmeyen nadir vakaları gözlemleyecek, bunları tanımlayacak, ayrıştıracak, simülasyon setlerini zenginleştirecek ve modellemeleri hızlandıracak…
Kaynaklar ve ileri okuma…
- Uber launches an ‘AV Labs’ division to gather driving data for robotaxi partners
- Uber unveils AV Labs to shape robotaxi development
- Uber launches ‘AV Labs’ to monetize driving data for global robotaxi partners
- Next generation datasets for self-driving perception and forecasting
- A unified longitudinal trajectory dataset for automated vehicle
Marka ve pazarlama fikri vermek için hazırlanan, reklam amacı taşımayan içerikte işbirliği yoktur.
