новости

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

генеральный директор tesla илон маск запустил прямую трансляцию программного обеспечения tesla для интеллектуального вождения fsd v12 в 2023 году — tesla в видео основана на новейшей сквозной технологии, а программное обеспечение удалило большое количество инженерного кода правил, вместо этого использует основной алгоритм нейронной сети. транспортное средство основано на автономном зрении и нейронных сетях, которые указывают, где следует замедлиться, распознают светофоры и любых участников на дороге, а также принимают автономные решения.

эта технология впоследствии вызвала большое обсуждение и интерес со стороны представителей отрасли, энтузиастов технологий и даже обычных потребителей автомобилей.

это новый этап восстановления парадигмы интеллектуального вождения. по сей день на китайском рынке по-прежнему существует множество мнений:

появление комплексных технологий выровняло стартовую линию для многих автомобильных компаний, занимающихся интеллектуальным вождением. теперь все снова находятся в отправной точке, начиная гонку на большие расстояния в области данных и вычислительной мощности.

на сквозную технологию влияют надежные данные. построение моделей и объем сбора данных, особенно получение данных эффективного качества, влияют на быстрое внедрение технологии.

на китайском рынке независимые автопроизводители с «преимуществом на своем поле» начали очередную гонку за умное вождение на длинные дистанции. в то же время существует множество мнений о том, что лидерство tesla в fsd на этом этапе будет сведено на нет.

доктор лан сяньпэн, вице-президент по исследованиям и разработкам в области интеллектуального вождения компании li auto, также считает, что:с точки зрения технической архитектуры последнее решение ideal мало чем отличается от tesla и даже немного опережает. поскольку в идеале у tesla есть модель vlm и система 2, у tesla есть только сквозная система 1.

комплексная модель li auto представляет собой комплексную интегрированную модель one model, которая немного отличается от комплексной модели других автомобильных компаний на рынке.

традиционная сквозная технология использует только модели искусственного интеллекта и механическое самообучение для замены модулей восприятия, планирования и управления в интеллектуальном процессе вождения, от визуального «ввода» до интеллектуальной системы вождения и окончательного управления транспортным средством. «выходная» сторона вождения полностью возложена на модель. чистая «сквозная» технология больше не устанавливает в этом процессе коды, основанные на правилах, и становится полным черным ящиком.

однако многие автомобильные компании на рынке, в том числе относительно продвинутые производители, такие как tesla, huawei и xpeng, по-прежнему используют определенные базовые алгоритмы, отвечающие за избыточность безопасности. управление восприятием и планированием может быть относительно независимыми модулями, а интерфейсы все равно придется определять и подключать вручную.

интегрированная сквозная единая модель предназначена для объединения модулей управления восприятием и планированием. в идеале внутри она называется системой 1 и больше похожа на драйвер для быстрого выполнения комплексных решений.

в прошлом комплексные приложения в области интеллектуального вождения часто сталкивались с проблемой высокого верхнего предела, но также и низкого нижнего предела. например, компания tesla, лидер отрасли, прошла очень гладкое тестирование в калифорнии, сша, и вела себя во многом как водитель-человек. однако, как только она войдет в незнакомую зону, ей придется принять труднообъяснимые решения регулирующих органов.

это один из недостатков сквозного соединения.

идеальный подход — представить систему 2, модель визуального языка vlm, и сделать еще один шаг вперед.

в идеале модель визуального языка vlm является первой в мире крупной моделью, успешно развернутой на автомобильном чипе и способной обеспечивать логическое мышление и принятие решений в сложных сценариях.

в дополнение к сквозной one model, система 2 — vlm — это еще один набор алгоритмов модели, которые помогают системе 1 в планировании и принятии решений. система 2, основанная на vlm, может обеспечить способность понимать сложную среду, способность читать навигационные карты и способность понимать правила дорожного движения.

лан сяньпэн дал этой комбинации более популярное объяснение: система 1 подобна водителю, а система 2 — инструктору автошколы. система 1 полностью полагается на собственное визуальное восприятие при выполнении операций. системе 2 необходимо накапливать знания в течение длительного периода времени, чтобы напоминать и информировать систему 1.

жан кун, эксперт по передовым алгоритмам интеллектуального вождения компании li auto, и его команда были первыми, кто предложил эту концепцию. следуя примеру дэниела канемана, когнитивного психолога и лауреата нобелевской премии, он считает, что человеческий мозг имеет две системы. первая система основана на опыте и интуиции, а вторая система всесторонне обучается и накапливает знания.

эти две системы обеспечивают идеальное интеллектуальное вождение, что также делает идеальное интеллектуальное решение для вождения совершенно отличным от решений других автомобильных компаний.

на рынке сша tesla fsd является лидером по вычислительной мощности и объему данных.

но на китайском рынке идеальной стратегией, похоже, является воссоздание «китайской умной дороги tesla tesla», чтобы позиционировать себя еще дальше.

лан сяньпэн сказал: «что касается вычислительной мощности и данных обучения в китае, мы считаем, что, по крайней мере, с этого момента мы опережаем tesla, поскольку tesla по-прежнему испытывает некоторые ограничения в китае с точки зрения соответствия данных и вычислительной мощности для обучения. будет построен в китае.”

ideal также представляет систему мировых моделей в процессе тестирования данных.

в ideal заявили, что модель мира поддерживает крупномасштабную и высокоскоростную итерацию нового поколения идеального интеллектуального вождения, обеспечивает автоматизированную систему оценки возможностей искусственного интеллекта, использует технологию реконструкции, чтобы превратить проблемные сценарии, с которыми сталкиваются пользователи, в «неправильные наборы вопросов». и использует технологию генерации для преобразования пользователей в «неправильные наборы вопросов». реальные сцены вождения используются в качестве «вопросов моделирования». эти две технологии гарантируют, что неправильные вопросы больше не будут задаваться неправильно во время оценки модели, а также обладают отличными возможностями обобщения. .

основанное на техническом решении ideal one model+vlm+world model, это также выводит новое поколение продуктов ideal для интеллектуального вождения на новый этап «контролируемого автономного вождения».

ideal — первая компания, внедрившая vlm на чипах orin-x, и первая автомобильная компания, принявшая двухсистемную архитектуру. в китае ideal уже имеет объем продаж, близкий к миллиону, что неизбежно увеличит долю эффективных данных. текущий совокупный тренировочный пробег li auto превысил 2,2 миллиарда километров, и ожидается, что к концу 2024 года он превысит 3 миллиарда километров. текущая вычислительная мощность li auto для обучения достигла 5,39 eflops, и ожидается, что к концу 2024 года она превысит 8 eflops. 2024.

однако в отрасли до сих пор спорят по поводу применения и перспектив сквозных технологий — одни думают, что умного вождения невозможно достичь без 50 миллиардов, а другие полагают, что, по крайней мере, в ближайшие несколько лет сквозные технологии алгоритмы моделей, основанные на правилах, и функции одного модуля по-прежнему будут параллельными, чистое сквозное соединение по-прежнему является чушью.

в определенной степени результаты тестирования ideal user experience group подтвердили текущую рациональность этого пути. в любом случае, li auto взяла на себя инициативу в этом шаге.

доктор лан сяньпэн, вице-президент по исследованиям и разработкам интеллектуального вождения li auto, и чжан кун, старший эксперт по алгоритмам li auto intelligent driving

ниже приводится стенограмма разговора с доктором лан сяньпэном, вице-президентом по исследованиям и разработкам интеллектуального вождения li auto, и чжан куном, старшим экспертом по алгоритмам li auto intelligent driving. разговор был отредактирован без изменения исходного смысла:

вопрос: все на рынке говорят, что они сквозные. что такое настоящий сквозной?

жан кун:сквозная — это парадигма исследований и разработок. как следует из названия, она подразумевает выполнение задачи от начального входного конца до конечного выходного. в середине не используется никакой другой процесс. это сквозной процесс, если он соответствует этому значению.

теперь идеальный автомобиль — это интегрированная сквозная модель one model. благодаря прямому вводу данных с датчика после завершения вывода модели планирование траектории напрямую используется для управления автомобилем. это интегрированное сквозное управление. другие шаги между ними. существует также сквозной метод, который заключается в разделении двух моделей посередине. в качестве моста между моделями используется входной сигнал. результаты восприятия затем вводятся в модель управления. и они объединены в модульную сквозную модель. . комплексная система li auto сама хочет решить проблему потери промежуточной информации. если в середине будет добавлен искусственный процесс переваривания информации, эффективность может быть не такой высокой или верхний предел возможностей может быть ограничен. что интегрированное сквозное соединение является более важным сквозным.

вопрос: нас вдохновляет tesla? есть ли какие-либо различия по сравнению с традиционными сквозными модулями?

жан кун:tesla упомянула сквозное управление автомобилем в начале 2023 года, и маск заявил в твиттере, что оно воплощает в себе полную модель прямого управления автомобилем от входа до выхода. все были шокированы, когда увидели эту новость, потому что они не просто так предложили эту штуку. в 2016 году у nvidia была модель, в которой упоминалась сквозная технология, и была опубликована статья, но эффект был средним и она только решила проблему. в особенно простом сценарии, учитывая вычислительную мощность и масштаб модели того времени, все считали этот путь неосуществимым.

к 2023 году к новой архитектуре трансформатора добавятся сверхбольшие вычислительные мощности. после того, как тесла построит его, возможно, произойдет возрождение новой парадигмы. сквозная технология — это не первое, что предложила тесла, но она движется в направлении роста. увидев это, мы также думаем внутренне. по сравнению с предыдущей модульной моделью сквозной подход более важен для уменьшения избыточности различной информации. в модели без графов мы близки к модульной сквозной модели. у нас есть перцепционная большая модель, которая на самом деле является модульной сквозной моделью. несмотря на это, мы обнаружили, что сквозная модель по-прежнему нуждается в правилах, и все еще существуют данные, разделенные на модули, и задачи политики, разделенные на модули.

на этот раз в ходе обсуждения и разработки новых решений мы предложили, чтобы комплексное решение было более тщательным и существенным. у li auto очень богатые данные, и мы считаем, что эти данные помогут нам хорошо выполнить свою работу. это наше преимущество. поэтому мы выбрали сквозную интегрированную архитектуру, которая является более сложной и сложной. ее верхний предел очень высок, но ее недостатком является то, что сложнее обучать модуль оценки, включая соотношение данных и методы обучения. много ноу-хау для исследования и раскопок, но мы все равно решительно выбрали трудный, но правильный путь.

вопрос: многие бренды сейчас претендуют на звание лидеров, и li auto также заявляет, что вышла в первый эшелон интеллектуального вождения. как оценить сквозной технический уровень этих компаний на рынке?

лан сяньпэн:с технической точки зрения рядовым потребителям неважно, есть картинки или нет, сквозные или несквозные. на чем в конечном итоге все фокусируются, так это на продукте и опыте использования. это, а также стоимость продукта. поэтому мы не пытаемся ни с кем конкурировать, а надеемся предоставлять нашим пользователям более качественные продукты и услуги. в прошлом высокоскоростное noa использовалось с высокоточными картами, и высокоскоростное noa отвечало потребностям пользователей. затем мы попробовали множество методов в процессе создания городского noa. одна из очень простых идей заключалась в использовании карт для создания городского noa. однако мы обнаружили, что не существует продавца карт, который мог бы предоставить высокоточные карты города. обеспечьте светлые изображения. но мы считаем, что облегченные графы неосуществимы, потому что, когда требуются итеративные графы, возникают проблемы со своевременностью и возможностью их фактического использования. мы не можем позволить пользователям чувствовать, что место, доступное сегодня, не будет доступно завтра.

в итоге мы решили обойтись без фотографий. предыдущее решение без изображений основывалось на восприятии, планировании и субмодульных решениях, которые включали в себя большое количество ручных правил и реальных испытаний транспортных средств. не говоря уже о бюджетных вложениях, это было очень сложно с точки зрения времени. когда модель повторяется, если вы хотите испытать различные условия в течение года, это будет невозможно в течение одного или двух лет, и пользователи не могут ждать так долго. итак, мы перешли к сквозной технической архитектуре + vlm. я думаю, что это техническое решение по сути является решением искусственного интеллекта. оно не было спроектировано, а выросло само по себе.

кроме того, сегодня я представил вам содержание модели мира. на мой взгляд, эта возможность является самой важной и необходимой гарантией быстрого внедрения автономного вождения.итерация модели потребует большого количества транспортных средств, людей и времени для тестирования традиционным способом, но теперь мы используем технологию генерации и реконструкции, чтобы собрать сцены, в которых проблемы возникали в прошлом, и создать библиотеку неправильных сценариев сцен.перед каждым выпуском было сделано более 10 миллионов километров тестов на простые неправильные вопросы, и это эффективный набор неправильных вопросов, а не случайный дорожный тест. кроме того, мы также можем генерировать сценарии и моделировать сценарии, которые также представляют собой десятки миллионов сценарных тестов. подобная итерация модели теперь намного более надежна, чем исходный метод испытаний транспортных средств или дорожных испытаний, и может охватывать различные сценарии в течение года. это наш подход. мы не знаем, делают ли это другие бренды, но мы полностью исходим из потребностей пользователей. мы совершенствуемся в технологии не ради технологии, а потому, что эта технология действительно может удовлетворить потребности пользователей и улучшить качество продукта, поэтому мы сделаем это.

вопрос: не так давно кто-то выдвинул идею, что «умное вождение невозможно без 50 миллиардов». что вы об этом думаете?

лан сяньпэн:что касается 50 миллиардов, вам нужно решить, является ли это разовой инвестицией или долгосрочной инвестицией. как уже упоминалось сегодня, мы инвестируем 1 миллиард долларов сша в исследования и разработки в области интеллектуального вождения каждый год, если это будет продолжаться в течение 10 лет подряд. оно превысит 50 миллиардов.

комплексная техническая архитектура + vlm является переломным моментом.раньше мы все еще использовали традиционные методы автономного вождения. начиная с этого поколения, мы действительно используем искусственный интеллект для автономного вождения. далее, в исследованиях и разработках в области автономного вождения основная конкуренция заключается в том, имеется ли больше и более качественных данных и соответствующая вычислительная мощность для обучения модели. приобретение вычислительной мощности и данных зависит от того, сколько денег потрачено и сколько ресурсов вложено. некоторые из этих вещей нельзя купить за деньги, например данные тренировок и пробег тренировок. каждая автомобильная компания имеет свои собственные данные и не делится ими друг с другом.

еще одна вещь, требующая инвестиций, — это вычислительная мощность.ожидается, что к концу этого года наша текущая вычислительная мощность в 539 миллионов eflops составит 800 миллионов eflops. это уже не 1 миллиард юаней, а стоимость в 2 миллиарда юаней, которая будет потреблять 2 миллиарда юаней в год. при переходе на этап l4 в будущем ежегодный рост данных и рост вычислительной мощности будут экспоненциальными, а это означает, что каждый год потребуется не менее 1 миллиарда долларов сша (от шести до семи миллиардов юаней). и через 5 лет нужно будет продолжать итерации. на этом уровне будет очень сложно, если прибыль и прибыль компании не смогут поддерживать инвестиции. поэтому сейчас нам не нужно обращать внимание на то, сколько миллиардов вложено в автономное вождение. вместо этого мы начинаем с сути и смотрим, достаточно ли вычислительных мощностей и поддержки данных, а затем смотрим, сколько денег нужно вложить. .

вопрос: как обеспечить безопасность модели, когда объем данных не очень велик? с концептуальной точки зрения мы теперь тоже своего рода «две модели»?

лан сяньпэн:«безопасность» — это вопрос, который привлек большое внимание, есть ли проблемы с координацией, существуют ли независимые модули безопасности и т. д. причина, по которой у всех возникают эти проблемы, заключается в том, что все думают с точки зрения прошлых исследований и разработок автономного вождения, не связанных с искусственным интеллектом. например, я катался на лошади. он спрашивал меня, есть ли на машине седло. это потому, что все еще не совсем поняли, что такое практики ии и что такое практики, не связанные с ии. это первый момент.

во-вторых, многие сейчас говорят, что у них есть сквозная модель, но реальная сквозная модель по-прежнему зависит от двух возможностей: достаточно ли данных и достаточна ли вычислительная мощность. в противном случае, я думаю, будет сложно добиться истинного сквозного подхода, потому что сквозной подход — это подход ии.

в-третьих, верхний и нижний пределы сквозных возможностей очень высоки. позвольте мне провести аналогию. до появления cnn (модель глубокой нейронной сети) все еще использовали традиционные методы машинного обучения для выполнения некоторых задач, например, для задач классификации изображений, с которыми мы знакомы. в то время алгоритмы svm сталкивались с узкими местами. но как только вышел cnn, они были ошеломлены улучшением на 10%+. я хочу сказать, что еще не все по-настоящему поняли сквозные возможности, и мы не будем спешить предлагать их внутренним бета-пользователям.

когда мы используем методы, не связанные с искусственным интеллектом, нам приходится учитывать множество сценариев с точки зрения деталей вертикального контроля. таким образом, при разработке правил сцены нам необходимо установить множество условий, чтобы определить, какие действия необходимо предпринять в определенных случаях. условия. но когда была обучена наша первая версия сквозной модели, я обнаружил, что она будет очень комфортна на каждом перекрестке или в условиях, требующих продольного контроля. мы не проводили отладку для особых ситуаций, это была способность модели обучаться. можно обнаружить, что у нас возникает большая проблема при создании правил, поскольку сценарии слишком разнообразны, и мы не можем установить правила для всех сценариев. но когда мы используем ии для создания комплексной модели, мы обнаружим, что он обладает этой волшебной силой. когда мы даем ему данные, он действительно может изучить опыт вождения этих людей. он не только может изучить верхний предел. , но также может значительно улучшить модель. нижний предел улучшения. несмотря на то, что у него все еще есть свои ограничения, мы можем решить эту проблему уже не путем установления правил, а в предоставлении большего количества и более качественных данных.

точно так же у нас также есть простая стратегия в отношении модуля управления. поскольку входные данные нашего сквозного датчика подаются на выходные данные траектории, а выходные данные траектории передаются модулям рулевого управления и торможения. здесь у нас есть политика безопасности. например, если он планирует сделать резкий поворот на 180 °. ограничения мы будем реализовывать, но подобных правил очень мало, которые можно игнорировать по сравнению с предыдущим подходом.

в то же время мы улучшили нижнюю границу безопасности и верхний предел возможностей. наш подход заключается в том, чтобы постоянно предоставлять ему высококачественные данные, и он обязательно научится многим навыкам безопасного вождения.

вопрос: как обеспечить чистоту сквозных данных +vlm?

жан кун:независимо от того, используете ли вы сквозную модель или vlm, данные являются наиболее важными, а в больших моделях всегда особое внимание уделяется высококачественным данным.итак, наш первый шаг — очистить источники данных.наш отбор данных о вождении очень строгий. у нас есть внутренняя оценка для каждого владельца автомобиля, которая включает в себя различные параметры и взвешивается, например, есть ли нарушение правил дорожного движения, была ли нажата линия в течение длительного времени, была ли остановка. была ли припаркована линия, и был ли процесс вождения. лучшие 3% пользователей будут выбраны как «опытные водители» на основе оценок, полученных по различным показателям, например, при среднем или резком повороте рулевого колеса или ощущении дискомфорта. в случае идеальных крупномасштабных данных даже первые 3% — это очень большой объем данных. это все равно может гарантировать, что получаемые нами данные будут очень хорошими. по крайней мере, поведение вождения будет стандартизированным, комфортным и разумным. если данные передаются сквозным образом.

на втором уровне также проводится проверка. в процессе обучения модели нам также необходимо сопоставить и классифицировать образцы моделей в некоторых сценариях. существует множество экстремальных и сложных сценариев, и там будут модели оценки, методы оценки и некоторые правила. может очищать данные и классифицировать каждый тип данных по очень подробным тегам.

на последнем уровне мы узнаем, какие образцы трудно изучить в процессе обучения, и скорректируем стратегию обучения, включая намеренное построение некоторых синтетических данных для обучения с подкреплением и контрастного обучения. внесите некоторые корректировки в методы обучения наших данных, чтобы все наши сквозные данные и данные vlm были хорошо проверены и очищены, а полученная модель стала лучше. этот процесс не происходит в одночасье.

лан сяньпэн:есть еще одна проблема — проблема грязных данных. наш объем данных для обучения по-прежнему относительно велик. даже если позже у нас будет очень мало грязных данных, поскольку обучение способностям ии не имеет пятен, которые могут испортить весь эффект, поэтому, пока объем точных данных достаточно велик, они будут достаточно велики. будут небольшие помехи. данные тоже не имеют большого значения.

вопрос: за последние несколько лет битва технологий умного вождения быстро изменилась и претерпела несколько крупных итераций. будет ли сквозная + vlm структура с долгосрочной жизнеспособностью?

лан сяньпэн:сквозное + vlm — это архитектура, которая имитирует человеческое мышление и познание, потому что, когда мы занимаемся искусственным интеллектом, мы в конечном итоге надеемся достичь антропоморфизма или человекоподобия. я был очень вдохновлен прочтением книги «думай быстро и медленно» и, наконец, захотел узнать, как люди познают и думают. мы считаем, что нынешняя структура искусственного интеллекта очень разумна, и мне также очень приятно видеть это после. мы предложили это, многие компании в отрасли начали упоминать о преимуществах теории дуальной системы и пытаются продолжить ее. более того, теорию двойной системы можно использовать не только в автономном вождении, она также является парадигмой для будущего искусственного интеллекта и даже интеллектуальных роботов. можно сказать, что автономное вождение представляет собой колесный интеллектуальный робот, но сферой его действия является дорога. поэтому я думаю, что у него есть определенные долгосрочные возможности, но технологическое развитие бесконечно. мы будем внимательно следить за передовыми технологиями, и если появятся новые технологии, мы также будем их отслеживать.

вопрос: в настоящее время ideal чувствует, что между мной и умным вождением tesla существует большой разрыв, и когда я смогу наверстать упущенное?

лан сяньпэн:в прошлом году я ответил, что меньше полугода, а в этом году может быть чуть меньше. во-первых, по технической архитектуре мы мало чем отличаемся от tesla и даже немного опережаем, потому что у нас есть vlm и system 2, а у tesla есть только system 1, впритык. во-вторых, с точки зрения вычислительной мощности и данных обучения в китае, мы считаем, что, по крайней мере, с этого момента мы опережаем tesla, поскольку tesla все еще подвергается некоторым ограничениям в китае с точки зрения соответствия данных, а также обучения. вычислительных мощностей еще предстоит создать в китае. с этой точки зрения разрыв между нами в китае и tesla может быть не таким уж большим. мы также особенно надеемся, что tesla сможет присоединиться, учиться друг у друга и сосредоточиться на своем совершенствовании.

вопрос: существует мнение, что путь ии для интеллектуального вождения не совсем правильный, и я не думаю, что этот путь может работать, поскольку l2 уделяет больше внимания низкой стоимости или универсальности, а l4 может достичь универсальности только после безопасность решена, поэтому массовое производство может ли машина быть l4?

лан сяньпэн:первый,мы считаем, что все должно начинаться с потребностей пользователей и их ценности.любой продукт, производимый li auto, должен превосходить ценность пользователя или удовлетворять его. мы производим его только в том случае, если пользователи находят его ценным. мы считаем, что у пользователей должен быть спрос на автономное вождение, поэтому мы не можем обеспечить, чтобы пользователи могли водить l4 только в чэнду, а не где-либо еще.

во-вторых, прогрессивный или скачкообразный технический путь позволяет каждому бренду обсуждать и выбирать свой собственный технический путь.но li auto обязательно выберет технический маршрут, отвечающий потребностям пользователя.теперь мы решили использовать искусственный интеллект для автономного вождения. ранее называвшаяся «ассистируемое вождение», система помогала людям управлять автомобилем, а предметом были люди. но после этапа сквозной + vlm мы верим, что машина поедет сама. после обучения полной модели модель сможет хорошо управлять автомобилем. я буду контролировать, где машина не работает или есть подсказки, что ее нужно взять на себя. однако предметом должна быть машина и люди. будет выполнять вспомогательную роль в надзоре. если он достигнет этого уровня, это удовлетворит спрос пользователей на автономное вождение — наша логика.

вопрос: планирует ли li auto взимать плату за интеллектуальное вождение высокого класса?

лан сяньпэн:стандартная и бесплатная стратегии, которые ideal сформулировал с первого дня умного вождения. «автономное вождение под присмотром» бесплатно для всех владельцев ad max. объем поставок относительно хороший, а деятельность компании стабильна. у нее также есть достаточные ресурсы для инвестиций в исследования и разработки в области интеллектуального вождения. объем поставок является очень важным показателем. для нас речь идет не только об объеме поставок, но и о том, что они могут обеспечить больше миль для обучения автономным вождениям.