Hlavní navigace

Michal Jakob, Martin Schaefer (ČVUT): O umělou inteligenci v dopravě se zajímají už i automobilky

Autor: Karel Wolf
Karel Wolf

Naši cestu městem, která bude kombinací MHD a on-demand služeb, bude v budoucnu řídit zejména umělá inteligence, říkají docent Michal Jakob a doktorand Martin Schaefer z Centra umělé inteligence Fakulty elektrotechnické na pražském ČVUT.

Doba čtení: 7 minut

Sdílet

Když se řekne umělá inteligence v dopravě, bavíme se jen o strojovém učení, nebo o nějaké širší kategorii?

Martin Schaefer (MS): Samozřejmě se vedou diskuze, zdali je například optimalizace nějaké techniky, algoritmické přístupy, aplikování matematických modelů součástí AI, ale za mne určitě ano.

Michal Jakob (MJ): Z mého pohledu je strojové učení i přes jeho současnou dominanci (někdy se dokonce uvádí AI/ML) jen jednou z kategorií AI. Když to vztáhneme konkrétněji k našemu tématu, umělá inteligence v dopravě rozhodně nepředstavuje pouze strojové učení. Patří sem například také techniky automatického plánování, tedy schopnost řadit za sebe nějaké úkony tak, aby se dosáhlo stanovených cílů. Jde o techniku AI, která se používá například v plánování kosmických misí nebo ve výrobě, ale dalším velkým use casem je právě doprava (automatické plánování cesty).

Jaké jsou tedy hlavní způsoby aplikace AI právě v dopravě?

MJ: Když to vezmu trochu od Adama, AI se obecně snaží tam, kde to dává smysl, lidskou inteligenci překonat a nahradit ji tou strojovou. V dopravě se lidská inteligence objevuje na celé řadě míst, takže je těch aplikací poměrně hodně. Lidé nejčastěji znají autonomní vozidla a autonomní řízení (snaha nahradit inteligenci řidiče), ale to je jen jeden z příkladů, a dokonce ani ne hlavní. Dalším způsobem využití je řízení samotné dopravy, tedy snaha vytvořit umělou inteligenci schopnou reagovat na to, jak se dynamicky vyvíjí situace ve městě, a zasahovat do tohoto systému (například inteligentní řízení semaforů), až po plánování dopravy do budoucna.

K tomu bych měl možná trochu filosofickou otázku, dají se vůbec efektivně řídit komplexní systémy?

MJ: Komplexní adaptivní systémy (mají velké množství vazeb mezi jednotlivými formami chování jejich aktérů) je obecně velmi těžké řídit a musíme přiznat, že se nám to zatím daří jen velmi omezeně – v obecné rovině spíše nedaří. Přestože existují nějaké meze toho, jak dalece jsme schopni odhadnout zamýšlený důsledek našeho zásahu do komplexního systému, tak má ale cenu se o to pokoušet. Čím lépe jsme totiž schopni tyto změny odhadnout, tím lépe se dokážeme přiblížit našemu cíli a nevadí, že výsledek nebude nikdy 100%, úplně stačí, když budeme pomocí AI schopni situaci vyhodnotit lépe, než by to zvládl člověk.

Kde přesně podle vás leží největší omezení takové snahy?

MS: Já bych k tomu dodal například to, že jedna z našich hlavních potíží spočívá v naší omezené schopnosti predikovat lidské chování. Když plánujeme nějaký řídící systém, tak jsme nuceni předpokládat, jak budou lidé reagovat na nějaké zvýšení či snížení ceny, poskytnutí nové autobusové linky, komerční dopravní služby atd. V počítačové vědě máme trochu tendenci modelovat člověka jako striktně racionálně se rozhodující bytost, ale poté často vidíme, že to tak jednoduše v praxi nefunguje. 

MJ: Komplexní sytém se skládá z autonomních bytostí, které nejsme schopni ovládat, ale pouze ovlivňovat, a takové ovládání má své meze. V praxi si pomáháme datovou analytikou a velkými daty, které jsou nám schopné na základě minulých scénářů říci, jak by se měl takový systém chovat v budoucnu. Míra neurčitosti je zde ale stále velmi vysoká.

Dá se tedy říci, že chaotičnost systému v případě dopravy způsobuje hlavně sám člověk?

MJ: Zcela jednoznačně. Chaotičnost komplexních adaptivních systémů roste s počtem vazeb, které mezi sebou jednotlivé prvky vytváří, a v našem případě už pouhý jeden jednotlivec je extrémně složitý prvek, a my přitom pracujeme se stovkami tisíc až miliony jednotlivců. Na druhé straně ale má lidské chování i předvídatelné aspekty (dané lidskou inteligencí), takže jsme na tom pořád lépe, než kdybychom řešili například případ milionů molekul se skutečně nepředvídatelným chováním.

Jaký je váš nejoblíbenější způsob aplikace AI v dopravě?

MJ: Mám rád například využití AI v mobilitě on-demand (sdílená auta, koloběžky, kola, taxi, alternativní taxislužby), kdy AI pomáhá v plánovací fázi seskládat jednotlivé služby tak, aby přinášely největší užitek (a případně i zisk provozovatelům). Umělá inteligence zde ale pomáhá i jinak – také v tom, aby všechny tyto služby, které je dnes trend nabízet pohromadě v jednom balíku s veřejnou dopravou, fungovaly jako celek natolik efektivně a pohodlně, že člověk vůbec nebude chtít v případě, kdy má možnost volby, sáhnout po osobní dopravě.

V tomto druhém případě (multimodální plánování tras) jde o snahu dosáhnout stavu, kdy člověk nad cestou vůbec nebude muset přemýšlet a jednotlivé její dílčí kroky se prostě stanou – autobus přijede v okamžiku, kdy člověk dorazí na místo, sdílené kolo je v další fázi tam, kde má být, cesta probíhala bezpečně a celé to bylo tisíckrát jednoduší než cesta vlastním vozem.

Lidé totiž dnes často využívají vlastní vůz právě proto, že je to nejjednodušší, a naopak alternativní cesta vyžaduje od lidí nějaké úsilí (zjistit si něco o možnostech takové dopravy, nutnost plánování). Přitom je potřeba zohlednit velké množství faktorů, které sahají od aktuální dopravní situace, stavu daného jednotlivce (cestuje nalehko, nebo má u sebe těžká zavazadla, rodinu) až po momentální počasí. A také je zde potřeba schopnost se z takové situace učit, což je právě ideální práce pro umělou inteligenci.

MS: Do budoucna také bude pro člověka stále složitější uhlídat výstupy všech aplikací jednotlivých dopravních služeb a zde opět může efektivně pomoci právě umělá inteligence, taková Siri nebo Alexa pro dopravu.

Jakým způsobem AI nejvíce pomáhá u on-demand služeb?

MS: U on-demand služeb je například velký problém rozhodnout z algoritmického hlediska, jaký dopravní prostředek má koho vést, jak co nejlépe kombinovat podobnou službu s veřejnou dopravou, jak prostředky sdílet, aby se dosáhlo maximální efektivity, nebo jak předcházet dopravním zácpám, které dnes podobné služby často zhoršují, nebo dokonce způsobují. Již dnes vás některé navigace nevedou nutně nejkratší cestou, ale zohledňují také další faktory. Pokud máte AI na dispečinku takovéto služby, tak se již můžete nejen podobným způsobem vyhýbat dopravním zácpám, ale také celou dopravní situaci aktivně ovlivňovat a předcházet například jejich vytváření.

A právě při tom vznikají zajímavé nové výzvy, pokud část vozů pošlu delší objížďkou, podle jakého klíče je vybrat, jak pro ně vytvořit přirozený systém motivačních incentiv (například je pro daný případ převedu pod výhodnější tarif), abych se naopak nestal jen velkým bratrem, který může ve finále celou situaci ještě zhoršit.

MJ: Tady narážíme na docela zajímavý fenomén v podobě inteligentních pobídek, již dnes existují například rozdílné ceny parkování v určitý čas nebo různé ceny jízdného a do budoucna takovýchto pobídek ještě výrazně přibude, s čímž může AI v dopravě poměrně efektivně pracovat. Když to otočím, tak AI může tyto pobídky velmi efektivně spravovat a pomocí nich dopravní systém optimalizovat. Momentálně spolupracujeme například na poměrně velkém evropském projektu Electrific, který je součást unijního programu Horizon 2020.

Ten si klade za cíl optimalizovat energetický management elektrických dopravních prostředků v určité oblasti. Cílem je snaha optimalizovat vše od stavu baterie přes dobíjecí kapacity a pracovat s energetickými přebytky v síti (dosáhnout maximálního využití energie z obnovitelných zdrojů). Zde jako jeden z motivátorů fungují právě inteligentní pobídky v podobě dynamických tarifů (zatím se osvědčuje zejména u služeb sdílených flotil).

Když už se bavíme o konkrétních reálných aplikacích, spolupracujete také s průmyslem a jednotlivými komerčními firmami?

 MJ: Spolupracovali jsme například s firmou Liftago na způsobu párování řidičů a cestujících prostřednictvím AI. Tam jsme pracovali s tím, jak naučit AI pomocí big data vytipovávat pro pasažéry ideální řidiče.

Také u nás na FEL v rámci v Centra umělé inteligence vzniklo několik startupů, které se týkají dopravy a mobility. Zmínil bych jeden, který je zajímavý tím, že se netýká pozemní dopravy, ale automatického plánování leteckých tras, jedná se o projekt Meandair.

S kolegou jsme také založili projekt Umotional, který vyvíjí navigaci pro cyklisty s rozhraním pro města, která mohou platformu využívat k motivaci obyvatel k aktivnímu životu. Vedle komerčních projektů často spolupracujeme také s veřejnou správou, která je dalším uživatelem podobných služeb skrze simulace městské dopravy, které se v rámci výzkumu připravují a mají obrovský potenciál pro zlepšení městské hromadné dopravy, a to jak u nás, tak v různých městech Evropy.

prsummit-tip-temata14

V rámci výzkumu například naši studenti navrhli centrální systém „PRAGO“ integrující MHD, auta na zavolání a spolujízdu, osobní auta a cyklodopravu, který se umístil na prvním místě studentské soutěže vize Prahy v roce 2030, kterou pořádala Volkswagen Financial Services. Ten od nás následně obdržel Institut plánování a rozvoje hlavního města Prahy.

MS: Vedle služeb, jako je Uber nebo Wolt, se začínají o umělou inteligenci v dopravě zajímat také samotné automobilky, které vnímají, že zde dochází trochu k revoluci ve vnímání osobního automobilu právě díky čím dál častějšímu sdílení a blížícímu se příchodu autonomních vozidel, a pochopitelně se této změny trochu obávají a snaží se ji pochopit a lépe se na ni připravit (například designem úplně nových konceptů vozů). Nám se tak nyní například otevírá příležitost větší spolupráce se Škodou Auto. Přestože se nejedná o změnu, která by měla nastat hned, automobilky musejí plánovat v mnohem delším horizontu a zajímá je, jak bude vypadat jejich trh za nějakých 10–15 let.