چالش بزرگ دارپا (DARPA Grand Challenge) در سال ۲۰۰۴؛ مسابقه‌ای بیابانی که سنگ بنای خودروهای خودران امروزی را گذاشت

در سال ۲۰۰۴، سازمان پروژه‌های پژوهشی پیشرفته دفاعی آمریکا یعنی دارپا (DARPA) یک مسابقه بی‌سابقه را طراحی کرد که هدف آن انقلابی در سیستم‌های ترابری نظامی بود. ایده بسیار ساده اما از نظر فنی غیرممکن به نظر می‌رسید: خودروهای بدون راننده باید مسیری به طول ۱۴۲ مایل را در بیابان‌های ناهموار موهاوی (Mojave Desert) طی می‌کردند تا برنده جایزه یک میلیون دلاری شوند. این مسابقه که به چالش بزرگ دارپا معروف شد، در اولین دوره خود با شکست مطلق تمامی شرکت‌کنندگان مواجه گردید اما فونداسیونی را بنا نهاد که تمام خودروهای خودران امروزی روی آن ساخته شده‌اند.

در این مقاله قصد داریم با هم مرور کنیم که چرا این مسابقه بیابانی تا این حد برای صنعت فناوری حیاتی بود و چه دستاوردهایی از دل خاکستر آن بیرون آمد؟ آیا واقعاً شرکت‌های بزرگی مانند گوگل و تسلا بدون این چالش می‌توانستند به فناوری‌های هوش مصنوعی امروزی دست یابند؟ در ادامه با بررسی جزئیات فنی، رقابت‌های نفس‌گیر تیم‌های دانشگاهی و نحوه تکامل سنسورهای هوشمند، داستان این حماسه بیابانی را روایت خواهیم کرد.

۱. ایده دارپا برای نظامی‌سازی لجستیک بدون راننده انسانی

در اوایل دهه ۲۰۰۰ میلادی، ارتش ایالات متحده با تلفات سنگین نیروهای خود در عملیات‌های ترابری و لجستیک مواجه بود، جایی که کاروان‌های تدارکاتی در جاده‌های ناامن هدف حملات غافلگیرانه قرار می‌گرفتند. کنگره آمریکا وظیفه‌ای سنگین بر دوش دارپا گذاشت: تا سال ۲۰۱۵ باید یک‌سوم کل وسایل نقلیه نظامی به فناوری‌های خودران مجهز می‌شدند تا جان سربازان حفظ شود. دارپا که می‌دانست راه‌حل‌های سنتی و پیمانکاران قدیمی نظامی سرعت کافی ندارند، تصمیم گرفت به سراغ ایده مسابقات باز و عمومی برود.

این ایده که به عنوان چالش بزرگ دارپا مطرح شد، بستری برای جذب نبوغ دانشگاه‌ها، استارتاپ‌ها و مخترعان مستقل فراهم کرد تا بدون محدودیت‌های دیوان‌سالارانه دولتی نوآوری کنند. ارتش به دنبال وسیله‌ای بود که بتواند در زمین‌های ناهموار، بدون تکیه بر سیگنال‌های مداوم جی‌پی‌اس (GPS) که ممکن بود توسط دشمن مختل شوند، راه خود را پیدا کند. این ماموریت استراتژیک، اولین محرک جدی برای خروج هوش مصنوعی از آزمایشگاه‌های شبیه‌سازی و ورود آن به دنیای خشن و واقعی فیزیکی بود.

۲. قوانین مسابقه بیابانی و چالش‌های مسیر سنگلاخی نوادا

قوانین چالش سال ۲۰۰۴ بسیار بی‌رحمانه طراحی شده بودند؛ خودروها باید یک مسیر سخت بیابانی را از بارستو در کالیفرنیا تا پریم در نوادا طی می‌کردند. هیچ کنترل از راه دور یا مداخله انسانی مجاز نبود و خودروها باید به طور کاملاً مستقل تصمیم‌گیری می‌کردند که چگونه از موانع عبور کنند. صخره‌های بزرگ، چاله‌های عمیق، سیم‌های خاردار و جاده‌های شیب‌دار کوهستانی، همگی بخشی از این مسیر مرگبار برای سخت‌افزارهای نوپا بودند.

دارپا فایل نقاط جغرافیایی مسیر (Waypoints) را تنها دو ساعت قبل از شروع مسابقه به تیم‌ها تحویل داد تا هیچ‌کس نتواند از قبل مسیر را به صورت دستی کدگذاری کند. این رویکرد خودروها را مجبور کرد تا به سنسورهای محیطی و قدرت پردازش لحظه‌ای خود برای تحلیل توپوگرافی زمین تکیه کنند. این شرایط سخت تضمین می‌کرد که تنها سیستم‌های واقعاً هوشمند و منعطف قادر به بقا در این محیط متغیر خواهند بود.

۳. فاجعه سال ۲۰۰۴ و ناتوانی تمام خودروها در پایان مسیر

روز مسابقه در مارس ۲۰۰۴ به یک کمدی علمی و تراژدی مهندسی تبدیل شد؛ زیرا هیچ‌یک از ۱۵ خودروی فینالیست نتوانستند حتی بخش کوچکی از مسیر را به پایان برسانند. خودروی تیم دانشگاه کارنگی ملون که به عنوان شانس اول قهرمانی شناخته می‌شد، پس از طی تنها ۷.۴ مایل در تپه‌ای از شن گیر کرد و لاستیک‌هایش شروع به چرخیدن درجا کردند تا اینکه موتور آن سوخت. خودروهای دیگر نیز وضعیت بهتری نداشتند؛ برخی بلافاصله پس از خط شروع به موانع برخورد کردند و برخی دیگر راه خود را در بیابان گم نمودند.

یکی از خودروها که یک موتورسیکلت خودران به نام گوست رایدر (Ghostrider) بود، حتی نتوانست تعادل خود را در خط شروع حفظ کند و بلافاصله سقوط کرد. این شکست دسته‌جمعی و رسانه‌ای، انتقادهای تندی را از سوی ناظران برانگیخت که این مسابقه را هدر دادن بودجه‌های دولتی می‌دانستند. اما دارپا این شکست را آغاز یک راه طولانی می‌دانست و متوجه شد که مهندسان برای اولین بار با چالش‌های واقعی و غیرمنتظره فیزیکی روبرو شده‌اند.

۴. سنسورهای لایدار اولیه و محدودیت‌های پردازشی آن دوران

فناوری سنجش از راه دور در سال ۲۰۰۴ بسیار ابتدایی و سنگین بود و سنسورهای لایدار (LiDAR) که امروز بر روی سقف خودروها می‌بینیم، در آن زمان حجم و وزن بسیار زیادی داشتند. این سنسورها پرتوهای لیزر محدودی را ارسال می‌کردند و نقشه سه‌بعدی بسیار کم‌وضوحی از محیط ارائه می‌دادند که پردازش آن برای کامپیوترهای آن دوران کابوس بود. کامپیوترهای نصب شده درون خودروها فضای زیادی از صندوق عقب را اشغال می‌کردند و مصرف برق بسیار بالایی داشتند.

محدودیت اصلی پردازنده‌ها این بود که نمی‌توانستند داده‌های تصویری دوربین‌ها و لایدار را با سرعت کافی تحلیل کنند تا خودرو بتواند در سرعت‌های بالا تصمیم‌گیری کند. این تأخیر در پردازش (Latency) باعث می‌شد که خودرو زمانی متوجه وجود یک صخره در مقابل خود شود که دیگر فرصتی برای ترمز کردن یا دور زدن نداشت. این چالش فنی سخت‌افزاری مهندسان را وادار کرد تا به سراغ طراحی سنسورهای سریع‌تر و الگوریتم‌های کارآمدتر هدایت هوشمند بروند.

۵. تیم دانشگاه استنفورد و کارنگی ملون و رقابت فنی شدید

پس از شکست سال ۲۰۰۴، دارپا چالش بعدی را برای سال ۲۰۰۵ برنامه‌ریزی کرد و جایزه را به دو میلیون دلار افزایش داد که منجر به رقابت شدیدی بین دانشگاه‌های بزرگ آمریکا شد. دو قطب اصلی این رقابت، تیم رد تیم (Red Team) از دانشگاه کارنگی ملون به رهبری رد ویتاکر و تیم دانشگاه استنفورد به رهبری سباستین ترون (Sebastian Thrun) بودند. این دو تیم دیدگاه‌های فنی کاملاً متفاوتی برای حل مسئله ناوبری خودران داشتند.

تیم کارنگی ملون بر روی بهینه‌سازی سخت‌افزارها و استفاده از نقشه‌های پیش‌فرض دقیق تمرکز کرده بود، در حالی که تیم استنفورد با خودروی خود به نام استنلی (Stanley) از الگوریتم‌های یادگیری ماشین (Machine Learning) برای تحلیل لحظه‌ای مسیر استفاده می‌کرد. این رقابت فنی فشرده منجر به جهشی بزرگ در نرم‌افزارهای تصمیم‌گیری شد و در نهایت خودروی استنلی استنفورد توانست با موفقیت مسیر سال ۲۰۰۵ را به پایان برساند و قهرمان شود.

۶. تکامل الگوریتم‌های بینایی ماشین و هوش مصنوعی در شرایط سخت

یکی از بزرگ‌ترین دستاوردهای چالش دارپا، تولد سیستم‌های نوین بینایی ماشین (Computer Vision) بود که می‌توانستند مسیرهای خاکی را از محیط اطراف متمایز کنند. در بیابان، خط‌کشی جاده یا علائم راهنمایی وجود ندارد و خودرو باید تنها بر اساس تفاوت بافت خاک و رنگ سنگ‌ها تشخیص می‌داد که جاده کجاست. سباستین ترون و تیمش در استنفورد از الگوریتم‌های یادگیری نظارت‌شده استفاده کردند که به خودرو یاد می‌داد چگونه نگاه کردن راننده‌های انسانی به جاده را شبیه‌سازی کند.

این رویکرد پویا به خودرو اجازه می‌داد تا خود را با تغییرات نور خورشید و سایه‌های درختان در طول روز هماهنگ کند، موضوعی که پیش از آن باعث گمراهی سنسورها می‌شد. نرم‌افزارهایی که در این دوره برای فیلتر کردن نویزهای تصویری و لرزش‌های دوربین نوشته شدند، مبنای اصلی سیستم‌های شناسایی لاین و مانع در خودروهای هوشمند امروزی هستند. این مسابقه نشان داد که هوش مصنوعی واقعی باید در تعامل با جهان فیزیکی نامنظم و غیرقابل‌پیش‌بینی تکامل یابد.

۷. روان‌شناسی رقابت و چگونگی تبدیل شکست به انگیزه پیشرفت

شکست کامل سال ۲۰۰۴ تأثیر روانی عجیبی بر جامعه مهندسی گذاشت؛ برخی از تیم‌ها ناامید شدند اما گروهی دیگر با تعصب و انگیزه دوچندان به کارگاه‌های خود بازگشتند. مهندسان جوانی که روزها و شب‌ها بدون خواب برای حل مشکلات برنامه‌نویسی تلاش می‌کردند، یک فرهنگ همکاری و در عین حال رقابت شدید را شکل دادند. این فرهنگ که بعدها به سیلیکون ولی منتقل شد، ارزش ریسک‌پذیری و پذیرش شکست به عنوان بخشی از فرآیند یادگیری را نهادینه کرد.

بسیاری از اعضای این تیم‌های دانشگاهی بعدها به رهبران اصلی پروژه‌های خودران در شرکت‌های بزرگی نظیر ویمو (Waymo)، تسلا و اوبر تبدیل شدند. روحیه جسورانه دارپا نشان داد که گاهی اوقات برای رسیدن به پیشرفت‌های بزرگ، باید اهدافی فراتر از توانمندی‌های فعلی بشر تعریف کرد تا پتانسیل‌های پنهان مهندسی آزاد شوند. این مسابقه نمادی از تبدیل یک ناامیدی بزرگ به بستری برای جهش بزرگ تکنولوژیک در قرن جدید بود.

۸. ابعاد اقتصادی و بودجه‌های نظامی پشت سر این پروژه

اگرچه جایزه اولیه دارپا تنها یک میلیون دلار بود، اما هزینه‌ای که تیم‌ها و حامیان مالی آن‌ها برای توسعه خودروها انجام دادند، چندین برابر این مبلغ بود. شرکت‌های بزرگ فناوری و خودروسازی به سرعت متوجه شدند که برنده شدن در این مسابقه، اعتبار برند آن‌ها را در بازار آینده تضمین می‌کند. سرمایه‌گذاری‌های موازی در توسعه سنسورهای سبک‌تر و پردازنده‌های سریع‌تر، بازار جدیدی را ایجاد کرد که پیش از آن وجود خارجی نداشت.

دولت آمریکا با تخصیص بودجه‌های تحقیق و توسعه مستقیم به دانشگاه‌ها، به عنوان شتاب‌دهنده اصلی این صنعت عمل کرد و ریسک‌های اولیه مالی را به دوش کشید. این مدل از همکاری بین بخش دفاعی، دانشگاه و بخش خصوصی نشان داد که چگونه سرمایه‌گذاری‌های حاکمیتی هدفمند می‌توانند بازارهای تجاری جدیدی خلق کنند که سودآوری بلندمدت عظیمی برای کل اقتصاد به همراه داشته باشد. بدون بودجه‌های دارپا، بخش خصوصی احتمالاً تا دهه‌ها ریسک ورود به این حوزه پرهزینه را نمی‌پذیرفت.

۹. رازها و تصمیمات پشت پرده تیم‌ها در شب قبل از مسابقه

شب قبل از مسابقه سال ۲۰۰۵، تنش در کارگاه‌های موقت تیم‌ها در بیابان به اوج خود رسیده بود و مهندسان کدهای نرم‌افزاری را تا آخرین دقایق تغییر می‌دادند. یکی از تصمیمات بحرانی تیم استنفورد، کاهش سرعت متوسط خودرو برای تضمین امنیت و جلوگیری از انحراف بود، تصمیمی که در نهایت باعث برنده شدن آن‌ها شد. تیم کارنگی ملون برعکس، سرعت را بالا برد که منجر به خطاهای پردازشی و انحراف موقت خودروی آن‌ها در اواخر مسیر گردید.

همچنین شایعاتی وجود داشت که برخی تیم‌ها تلاش می‌کردند تا با بررسی توپوگرافی زمین از روی نقشه‌های ماهواره‌ای غیرنظامی، کدهای کمکی به سیستم اضافه کنند که البته با تغییرات لحظه‌ای مسیر توسط دارپا بی‌اثر شد. تماشای خودروهایی که بدون سرنشین در تاریکی شب در حال انجام تست‌های نهایی بودند، حال و هوایی شبیه به فیلم‌های علمی تخیلی ایجاد کرده بود. این فضای پرتنش و تصمیمات شجاعانه مهندسان در دقایق آخر، سرنوشت قهرمان اولین دوره موفقیت‌آمیز مسابقات را رقم زد.

۱۰. تصورات غلط عمومی درباره نقش تسلا در اختراع خودران‌ها

امروزه با تبلیغات گسترده شرکت تسلا (Tesla) و سیستم اتوپایلوت آن، بسیاری از مردم تصور می‌کنند که ایلان ماسک مخترع فناوری خودروهای خودران است. این یک اشتباه تاریخی بزرگ است؛ چرا که اصول علمی، سنسورهای لایدار و الگوریتم‌های مسیریابی خودران بیش از یک دهه قبل از معرفی اتوپایلوت تسلا، در چالش دارپا طراحی و آزمایش شده بودند. در واقع، بسیاری از مهندسان ارشد تسلا فارغ‌التحصیلان همان دانشگاه‌هایی بودند که در سال‌های ۲۰۰۴ و ۲۰۰۵ در بیابان‌های نوادا رقابت می‌کردند.

تسلا مسیر متفاوتی را انتخاب کرد و با حذف لایدار، بر روی دوربین‌های ارزان‌قیمت متمرکز شد، تصمیمی که هنوز هم در محافل علمی مورد بحث است. با این حال، فونداسیون سیستم‌های تشخیص مانع و پردازش تصویر مدیون کارهای پایه‌ای سباستین ترون و رد ویتاکر در مسابقات دارپا است. شناخت این پیشینه تاریخی به ما کمک می‌کند تا سهم واقعی هر یک از بازیگران صنعت فناوری را در توسعه این دستاورد بزرگ درک کنیم.

۱۱. مقایسه خودروهای سال ۲۰۰۴ با سیستم‌های امروزی سطح ۴

مقایسه خودروی استنلی سال ۲۰۰۵ با یک خودروی خودران سطح ۴ امروزی مانند خودروهای ویمو، نشان‌دهنده یک جهش باورنکردنی در حوزه سخت‌افزار و نرم‌افزار است. خودروهای سال ۲۰۰۴ تنها قادر به حرکت در مسیرهای خالی بیابانی با سرعت‌های پایین بودند و توانایی تشخیص عابران پیاده، چراغ‌های راهنمایی یا رفتار پیچیده سایر رانندگان را نداشتند. کامپیوترهای آن‌ها با الگوریتم‌های مبتنی بر قوانین ساده کار می‌کردند که در محیط‌های شلوغ شهری به سرعت قفل می‌شدند.

امروز خودروهای خودران شهری با بهره‌گیری از شبکه‌های عصبی عمیق (Deep Neural Networks)، یادگیری تقویت‌شده و سنسورهای لایدار مینیاتوری فوق‌پیشرفته، می‌توانند سناریوهای ترافیکی بسیار پیچیده را در صدم ثانیه مدیریت کنند. سنسورهای امروزی میدان دید ۳۶۰ درجه با رزولوشن بالا ارائه می‌دهند که فراتر از قدرت دید انسان است. با این حال، تمام این سیستم‌های پیشرفته هنوز هم از همان ساختار لایه‌ای پردازش حسگر، برنامه‌ریزی مسیر و کنترل فیزیکی استفاده می‌کنند که در چالش دارپا فرموله شد.

۱۲. آینده حمل‌ونقل شهری و سهم غیرقابل انکار بیابان‌های نوادا

هنگامی که در آینده نزدیک سوار بر تاکسی‌های بدون راننده در خیابان‌های شلوغ شهرها حرکت می‌کنیم، باید به یاد داشته باشیم که این راحتی مدیون شکست‌های بیابانی سال ۲۰۰۴ است. چالش دارپا نقطه صفری بود که در آن بشریت متوجه شد هدایت خودکار خودروها یک رویای دوردست نیست، بلکه یک مسئله مهندسی حل‌شدنی است. بیابان‌های خشک نوادا و کالیفرنیا به عنوان گهواره یکی از بزرگ‌ترین فناوری‌های قرن بیست و یکم در تاریخ ثبت شدند.

انقلاب خودروهای خودران نه‌تنها سیستم‌های حمل‌ونقل را دگرگون می‌کند، بلکه طراحی شهرهای آینده، مصرف انرژی و ایمنی جاده‌ها را نیز بازتعریف خواهد کرد. میراث چالش بزرگ دارپا این است که به ما آموخت چگونه با تعریف چالش‌های بزرگ و جسورانه، مرزهای توانایی علمی انسان را جابجا کنیم. این سفر هیجان‌انگیز که از یک تپه شنی و سوختن موتور یک خودرو آغاز شد، به زودی سیمای شهرهای جهان را برای همیشه تغییر خواهد داد.

سوالات متداول

دکتر علیرضا مجیدی

پزشک، نویسنده و بنیان‌گذار وبلاگ «یک پزشک»

دکتر علیرضا مجیدی، نویسنده و بنیان‌گذار وبلاگ «یک پزشک».
با بیش از ۲۰ سال نویسندگی «ترکیبی» مستمر در زمینهٔ پزشکی، فناوری، سینما، کتاب و فرهنگ.
باشد که با هم متفاوت بیاندیشیم!

دربارهٔ علیرضا مجیدی در یک پزشک