Лоуренс Бернс - Автономия. Как появился автомобиль без водителя и что это значит для нашего будущего

Таким образом, американцы в общей сложности тратят 4,6 трлн долл. в год за рулем своих автомобилей (5 трлн км на 0,93 долл. за километр). Это чудовищно большие деньги – больше ежегодного бюджета Соединенных Штатов, равного 4 трлн долл.! Мы с Биллом были уверены, что транспортная революция значительно сократит эту сумму.

Вот как мы представляли себе новую систему: если человеку нужно попасть куда-нибудь – скажем, в продовольственный магазин в нескольких километрах от дома, – он при помощи смартфона вызывает беспилотный электрический автомобиль. Запрос будет обработан компьютером-диспетчером, который назначит на него конкретный автомобиль из располагаемого парка. Затем автомобиль сам направляется к месту посадки пассажира. Тот занимает свое место в салоне, и они отправляются в продовольственный магазин, где пассажир выходит. Автомобиль самостоятельно направляется к месту, где его ждет следующий пассажир. Или в гараж, где его помоют и заправят. Затем он будет ждать следующего вызова.

Чему равно разумное время ожидания вызванной машины? Сколько машин должно быть в парке, чтобы обеспечить это время? Сколько составит холостой пробег и пробег с пассажиром в день? Как наилучшим образом назначать автомобили на заказы? На такого типа вопросы мы с Биллом должны были дать ответ, чтобы оценить емкость рынка для услуги такого типа.

Наша работа требовала довольно сложной математики, но меня и Билла это не беспокоило. Подобные задачи мы часто вместе решали в GM. Нам нравились такие задачи.

В сравнении с личным автомобилем, простаивающим большую часть времени, наш сервис обеспечит гораздо большую загрузку машин. Вместо того чтобы стоять на парковке, они будут возить пассажиров. Но для этого они должны следовать пустыми к месту посадки следующего пассажира. Большой холостой пробег большого количества самоуправляемых такси может существенно увеличить стоимость услуги. Насколько велик должен быть парк, чтобы при заказе всегда минимум одна машина оказывалась бы рядом? Наша математическая модель должна была найти оптимальное решение в условиях ограничений на время ожидания, на загруженность парка и холостой пробег. Нам также следовало учесть случайность места посадки и высадки и наличие утреннего и вечернего часа пик. Недостаточно привезти пассажира по назначению за приемлемое время в среднем. Необходимо было гарантированно исключить долгое ожидание в пробке, неприятное для любого пассажира.

Мы начали со сбора исходных данных. Расстояние, покрываемое автомобилем за типичную поездку. Количество времени на поездку. Разумеется, эти показатели меняются в зависимости от того, для какого города они берутся. Кроме того, нужно было выбрать одно конкретное место таким образом, чтобы наши расчеты соответствовали жизни реальных людей. В конце концов, мы построили модели для нескольких мест, выбранных так, чтобы они представляли все условия, в которых живет население США. Первым городом был Энн-Арбор, потому что нам он казался типичным маленьким американским городом, похожим на тысячи других по стране. Дополнительным преимуществом была его близость к тем местам в Мичигане, где жили я и Билл. Мы также провели расчеты для Манхэттена как для самого густонаселенного городского района в Соединенных Штатах. Насколько, спрашивали мы себя, транспортная революция способна сократить расходы жителей таких мест?

Энн-Арбор, штат Мичиган, насчитывает 285 000 человек населения, и именно там расположен Мичиганский университет. Помимо своей должности в Колумбийском университете, весной 2010 года я получил пост профессора инженерно-технической практики в Мичиганском университете и потому хорошо знал эти места. По случайному совпадению, именно в Энн-Арбор основатель Google Ларри Пейдж впервые задумался о необходимости революции в транспорте.

Транспортная система Энн-Арбор раздражала меня примерно так же, как и в свое время Пейджа. Мой офис находился в Северном кампусе, а лекции я часто читал в Центральном, приблизительно в 4 км оттуда. Я обычно приезжал в Центральный кампус на машине, чтобы после лекций сразу отправиться домой. Самым сложным было найти место для парковки. Сотрудники Мичиганского университета могли приобрести за 800 долл. в год специальное разрешение, дающее возможность оставлять машину в подземных гаражах определенных зданий или на парковках с ограниченным доступом в черте города. Несмотря на то что у меня такое разрешение было, я обычно выезжал из офиса за 45 минут до лекции, чтобы не опоздать. Я закладывал 10 минут на то, чтобы проехать 4 км, 20 минут на поиск парковки (часто мне приходилось, скрестив пальцы, проезжать 8 уровней подземного гаража) и 10 минут – чтобы быстрым шагом дойти до аудитории. Подобный опыт только усиливал мое желание разрушить эту неэффективную систему.

Чтобы оценить последствия внедрения службы автономных такси в Энн-Арбор, мы с Биллом сделали несколько предположений. Мы ведь пытались найти условия, при которых эта служба окажется удобнее личного автомобиля. Итак, как быстро должен один из этих общедоступных самоуправляемых автомобилей прибыть на вызов? Примерно через столько же времени, сколько нужно, чтобы найти ключи, спуститься в гараж, завести двигатель и выехать со двора. Услуга будет удобной, посчитали мы, если автомобиль прибудет на вызов за две минуты – довольно жесткое требование, из которого следует высокая себестоимость сервиса.

Тогда мы предположили, что оператору известно местоположение всех его автомобилей и время, оставшееся каждому из них до конца поездки, – сейчас именно так обстоит дело в компаниях Uber и Lyft. Мы также предположили, что оператор может оценить, сколько времени понадобится каждому автомобилю, чтобы приехать на вызов нового клиента. Дальше мы предположили, что оператор будет непрерывно информировать своих клиентов о местоположении автомобилей и вероятном времени прибытия. (Uber и Lyft уже несколько лет предоставляют своим клиентам такую услугу, и некоторые из нас стали воспринимать ее как нечто само собой разумеющееся. Однако в 2011 году, когда мы только продумывали нашу модель, подобные идеи не просто казались революционными – они ими и были.)

Мы пользовались и другими, более произвольными предположениями, чтобы упростить расчеты. Например, мы приняли область, обслуживаемую парком самоуправляемых такси, за квадрат. Мы договорились, что начальные и конечные точки маршрутов распределены равномерно – что, разумеется, неверно для многих американских городов, где утренний трафик в основном движется с окраин в центр, а вечером наблюдается обратная картина. Мы исходили из того, что автомобили случайно распределены по району обслуживания, что было упрощением, поскольку не учитывало парковки и гаражи, которые наверняка будут там присутствовать. Предположения подобного рода часто закладываются в модель на начальном этапе, чтобы понять общую картину. Мы знали, что впоследствии сможем смягчить их при помощи моделирования и анализа чувствительности модели.