Yandex self driving car

Прокатились на беспилотниках Яндекса: как ощущается будущее и почему оно ещё не наступило

Человечество давно мечтает об автоматизации многих рутинных процессов. И тут как в той фразе: «лень — двигатель прогресса». Лифт возит на нужный этаж, дома робот-пылесос, а еду можно заказать уже готовую к употреблению. Самостоятельное выполнение некоторых, казалось бы, привычных процессов становится больше осознанным решением и желанием, чем необходимостью. Так же с автомобилями. Вскоре автомобиль, который, как такси, встретит вас, довезёт куда надо и отправится искать парковку.

Одним из участников мирового движения беспилотных автомобилей является Яндекс. Я встретился с Юлией Швейко, руководителем пресс-службы беспилотных автомобилей Яндекса, и на себе опробовал, каково это, — передвигаться по Москве без участия водителя. В этой статье я расскажу, что к чему и почему мы до сих пор вынуждены лично сидеть за рулём.

Как оно едет? Технологии

Первое, про что хочется рассказать — техническая часть. Конечно, в глаза сразу бросаются сами автомобили. В парке Яндекса, по сути, две модели, это Toyota Prius и новая Hyundai Sonata. С ними связана интересная история. Так Prius Яндекс себе выбрал сам как платформу для работы. Но сама Toyota никак не участвовала в процессе и у IT-компании не было доступа к управлению системами автомобиля на более низком (читай через «мозги» автомобиля) уровне. А вот с Sonata получилось наоборот: по сути, это спецверсия автомобиля от Hyundai Mobis, в котором Яндексу дали доступ к более глубинным системам автомобиля, и автопроизводитель специально доработал электронный блок управления (ЭБУ) автомобилем. Нужно это для более тесной интеграции системы беспилотного управления и её взаимодействия с узлами автомобиля. Ведь изначально блоки автомобиля заточены под управление человеком, у автопилота другой подход к управлению. Также были учтены нюансы расположения различной аппаратуры.

В действительности, решение «поисковика» должно делать всё то, что делает человек. Но это сперва может показаться легко, ну распознавай разметку, включай поворотники, газуй/тормози да руль крути. Всё так. Но самый сложный момент — анализ и предсказание поведения других участников. И если в будущем беспилотные машины сами будут решать, как и куда двигаться, и делать это без эмоций, то сейчас у машины вокруг множество других участников, и всех их нужно проанализировать и предсказать, куда тот или иной поедет.

Конечно, не мог не спросить Юлию про «начинку». Что тут в наличии? Камеры, радары, лидары и всё управляется автономным (не требует соединения с интернетом) программно-аппаратным комплексом на борту автомобиля — в багажнике. Кстати, на базе двух серверных CPU и трёх GeForce 2080 Ti. Все элементы работают, дополняя друг друга. Машинное обучение и предсказание ситуаций в действии.

Так камеры помимо визуальной оценки ситуации по всем фронтам смотрят за цветом светофора. Также именно по камерам ПО узнает, где находятся объекты вокруг авто, и видит границы проезжей части. А с помощью стереокамер устанавливает расстояние до объектов вокруг.

Лидары за счёт отражения лучей формируют объёмную картину окружения всех объектов вокруг автомобиля. Также делает более точный замер расстояний. Кстати, отдельно из этих данных формируется картинка, которую можно увидеть на экране в тестовых автомобилях.

Радары же используют радиоволны. Нужно это для распознавания объектов на большом расстоянии и определения их скорости.

Как вы уже поняли, основная задача всех систем отслеживания — дать понять автомобилю, что вокруг. Далее специальный алгоритм Яндекса это анализирует и уже правит автомобиль в нужном направлении. Попутно реагируя на всё происходящее. Стоит понимать, что всё это делается ежесекундно и молниеносно. На дороге нет времени для задумчивости.

Катаясь по городу, машины Яндекса делают трёхмерный «слепок» местности — суперподробную карту для последующей обработки алгоритмами анализа, помогающую для лучшей ориентации на местности. А после смены с автомобилей скачивают весь объём данных, с которым потом работает команда компании для последующего улучшения систем.

А кто это за рулём? Как всё обстоит в наши дни

По фото вы уже наверняка заметили, что несмотря на способности автомобиля, за рулём есть человек. Один из главных нюансов, связанных с беспилотными автомобилями во всём мире, — юридический вопрос. Кого считать виноватым в случае ДТП, кто в целом ответственен за всё происходящее. В России, пока что, на водительском месте должен находиться человек. Но есть и подвижки, и прогресс к большим свободам для беспилотников.

Так, в 2020 году постановлением правительства РФ № 1415 беспилотникам расширили географию тестирования. К Москве и Татарстану добавились дороги общего пользования в Ленинградской, Московской, Владимирской, Нижегородской, Новгородской, Самарской областях, а также в Ямало-Ненецком и Ханты-Мансийском автономном округах, Краснодарском крае и Санкт-Петербурге.

Отдельно стоит упомянуть Иннополис в Татарстане. Пока что это единственное место, где беспилотникам позволено ездить с пустым водительским местом (сотрудник Яндекса сидит на пассажирском месте). Жители Иннополиса даже могут вызвать себе беспилотник в роли такси и доехать внутри разрешённой территории абсолютно бесплатно.

Но основной площадкой для компании остаётся Москва. Сложные развязки, непредсказуемый трафик, его изменчивость в зависимости от времени суток и времени года. Факторов сотни тысяч, и это отличная тренировочная площадка для компании. Есть, конечно же, и тестовый полигон, где все новшества проходят первичную обкатку.

Расскажу про человека на водительском месте. Тут всё также непросто. Во-первых это не человек с улицы, это опытный водитель, который к тому же понимает, что вообще происходит и что делает автомобиль. Для этого водитель проходит специальную подготовку, где, помимо всего прочего, обучается специальной посадке в автомобиле. Так нога всегда занесена над педалью тормоза, а руки находятся в непосредственной близости к рулю и повторяют манёвры ИИ. Кстати, перехват управления происходит моментально.

Что дальше?

Однозначного ответа на вопрос, когда мы все пересядем на беспилотные автомобили, нет. Техника уже сделала большой шаг вперёд. Инфраструктура города также развивается. Со временем появятся умные светофоры, которые будут управлять и перенаправлять потоки, а соответственно, заранее говорить автомобилю, когда замедляться и куда перестраиваться. А пробок может и вовсе не будет.

Во многих странах остаётся важным юридический вопрос. Но рано или поздно и он решится. Ведь ещё 20 лет назад никто и не задумывался о машинах без водителя, а сейчас, пожалуйста, они уже неплохо справляются и без нас. Нельзя забывать и о внешнем виде, сейчас беспилотники напоминают лаборатории на колёсах с грозными глазами по периметру. Со временем куда-то все эти камеры-радары-лидары нужно будет упрятать.

Радуют две вещи: в целом технология уже очень хорошо работает в реальной обстановке и у Яндекса уже огромный накат километров (более 8 млн) и база информации для анализа.

Рано или поздно мы будем как герои фильма «Я — робот», получать у автомобиля позволения на переход в ручной режим управления. А когда захотим прохватить на ретроавтомобиле, ваша подруга, возможно спросит: «Он что, на бензине, он же взрывоопасен!».

Беспилотники уже вовсю ездят по Москве (и не только). Присмотритесь!

Какие у Яндекса беспилотники?

Подавляющее большинство автопарка беспилотников Яндекса основано на хэтчбеке Toyota Prius. На дороге его легко заметить по яркому красно-белому кузову. Яндекс покупает подержанные авто с автоматической коробкой 2014-2017 годов выпуска – пока что компания купила около 90 таких машин и 50 из них уже переоборудовала в беспилотники.

«Переделка занимает всего пару дней, – рассказала Юлия Швейко, представитель пресс-службы беспилотных автомобилей Яндекса, – к концу 2021 года таких машин будет уже тысяча». Для достижения таких показателей нужно сотрудничать с производителями, поэтому весной Яндекс заключил контракт с Hyundai Mobis – дочерней компанией Hyundai Motors, ответственной за запчасти и техобслуживание – на разработку беспилотников. Уже готов один беспилотный седан Sonata, но в Яндексе хотят производить разные типы машин, например, внедорожники или микроавтобусы.

Беспилотник на базе Hyundai Sonata

У каждого автомобиля есть имя. До недавнего момента их называли в честь персонажей сериала про роботов-андроидов «Мир Дикого Запада»: Уайтт, Брайан, Кристофер, Долорес. «Но недавно персонажи закончились, и инженеры придумали специальную нейросеть, которая научилась генерировать новые имена по подобию уже имеющихся. То есть теперь робот придумывает имена роботов для роботов», – говорит Юлия.

Где они ездят?

Яндекс тестирует свои автомобили в Татарстане, Москве и Тель-Авиве. Сначала автомобили проходят испытания на закрытом полигоне в Подмосковье, который имитирует город с тоннелями, светофорами и разными дорожными ситуациями. Там они ездят круглосуточно в автономном режиме, приезжая к человеку, только когда у них заканчивается топливо. Пока что они не умеют заправлять сами себя, но это вопрос времени. По сути, это автомобили 4 из 5 уровней автономности, где человек нужен только в экстренной ситуации (согласно общепринятой классификации ассоциации инженеров-автомобилестроителей SAE International).

Тестирование беспилотников на специальном полигоне

Российские власти разрешили беспилотникам выезжать в реальный город осенью 2018 года. Причем чтобы получить это разрешение, автомобиль должен пройти долгую процедуру госсертификации – из 50 машин Яндекса это удалось сделать пока 35. По правилам, инженер по гарантии качества, должен сидеть на водительском месте на протяжении всей поездки и быть готов взять управление на себя.

Беспилотник в Иннополисе

Зона действия пока что небольшая, но сервис активно развивается: еще в начале лета 2019 года там был только один автомобиль, а осенью их число вырастет до семи. Кстати, в отличие от других тестовых городов, в Иннополисе место водителя пустует, а инженер сидит рядом как пассажир.

В Москве беспилотники тестируют с лета 2019 в районе метро Кунцевская, на нескольких улицах в центре и в спальных районах Бутово, Ясенево и Коммунарка. Компания планирует привезти свой автомобиль и в другие города – например, Санкт-Петербург и Нижний Новгород.

Тестирование беспилотника от Яндекс в Москве

В январе 2019 года Яндекс показал свой беспилотник в Лас-Вегасе на выставке Consumer Electronics Show, причем собирали его на месте из купленного в Америке Prius. Чтобы обучить автомобиль езде по Неваде, ушло две недели, говорит директор по развитию бизнеса беспилотных автомобилей Яндекса Артем Фокин: «Когда мы составили маршрут, то поняли, что можем смело пересадить инженера с водительского кресла на пассажирское. И желающих покататься было много: беспилотник работал по 10 часов каждый день».

Беспилотник Яндекса в Лас-Вегасе

В июне 2019 года беспилотное такси приехало в Израиль и в тестовом режиме кружит по Тель-Авиву. Как и в Москве, здесь за рулем находится инженер, который в случае необходимости возьмет на себя управление. Причем речь идет вовсе не о препятствиях – машина легко объедет и яму на дороге, и другие машины. Дело в том, что главный принцип робота-водителя – это строгое следование правилам дорожного движения. И если нельзя будет продолжать движение, не нарушив их, то машина просто остановится.

Яндекс беспилотник в Израиле

«Например, на полосе сломался автомобиль, и нужно выехать на встречную полосу, чтобы его объехать, беспилотник не будет этого делать, потому что это нарушение правил», – говорит Юлия. Для таких случаев и нужен инженер, который берет на себя управление.

В чем особенности российских беспилотников?

Технически все беспилотники мира более-менее похожи. На машину вешают сенсоры, камеры и лидары (лазерные дальномеры), которые сканируют пространство на расстоянии до 300 метров десятки раз в секунду. Таким образом авто определяет себя в пространстве относительно других объектов и выбирает оптимальный маршрут, корректируя его в зависимости от дорожной ситуации.

А дальше начинается самое интересное – машине нужно предсказать действия всех участников движения. Будет ли пешеход переходить улицу? Будет ли перестраиваться этот автомобиль в другой ряд, не включив указатели поворота? И главное – как траектория движения одного повлияет на другого? Опытный водитель нередко может предугадать развитие событий на дороге, и беспилотник должен набрать схожий опыт, накатывая десятки тысяч километров и собирая базу примеров поведения.

В Яндексе подчеркивают, что они создают не «автоматизированную систему помощи водителю, как, например, Tesla, а именно водителя-робота, который сам сможет принимать решения». Именно поэтому они испытывают машины в разных дорожных и погодных условиях. Единственная авария с участием беспилотника от Яндекса произошла в июле 2018 в центре Москвы на Трубецкой улице, когда в беспилотник на светофоре врезался невнимательный водитель, говорит Юлия. В результате повредили заднюю часть «умной машины» – бампер, крылья, багажник.

Всего за два года Яндекс наездил миллион беспилотных километров. Такие показатели есть только у американских компаний Waymo, Uber и китайской Baidu. Кроме Яндекса, свои машины в России тестируют университет МАДИ, КБ «Аврора», специализирующееся на робототехнике, производитель грузовиков «КамАЗ», лаборатория университета «Иннополис» и Таганрогский университет, но каких-либо серьезных успехов они пока не добились – у них есть только единичные прототипы.

А есть ли прибыль?

Как рассказали в пресс-службе «Яндекса», они планируют запустить функцию беспилотного такси в разных городах России уже в течение 5 лет, причем уже через 2-3 года такси может появиться в разных районах Москвы.

Яндекс.Такси в Иннополисе

Общие размеры инвестиций компания не раскрывает, однако говорит, что больше всего денег тратит именно на инженеров-разработчиков. Кроме того, Яндекс очень ждет, когда в России появится законодательное регулирование перевозок на таких автомобилях, вроде американского Self Drive Act.

Яндекс.Такси в Иннополисе

«В случае успеха проект может сделать Яндекс значительно более крупной компанией, выручка которой к 2030 году вырастет на 85% в сравнении с годом начала коммерческого запуска автономных автомобилей», — говорится в отчете.

Как Яндекс делает обычные автомобили беспилотными

Привет, меня зовут Антон Чистяков. Пару лет назад я работал в хелпдеске Яндекса и даже писал здесь про то, как мы придумали вендомат с аксессуарами. Теперь отвечаю за сборку беспилотных автомобилей и роботов-доставщиков. Под катом расскажу, как мы делаем простые машины беспилотными: от момента покупки авто и выбора имени до сборки и калибровки, на которых всё, впрочем, не заканчивается.

Шаг 1. Покупаем автомобиль

В 2019 году Яндекс и Hyundai Mobis заключили соглашение о сотрудничестве: договорились объединить усилия в разработке беспилотных автомобилей. Сейчас все наши машины — Hyundai Sonata 8-го поколения. Почему мы выбрали именно эту модель? Она оборудована всем, что нужно для программного управления рулём и ускорением. Hyundai Sonata, которые мы превращаем в беспилотные, ничем не отличаются от других автомобилей той же модели. Мы покупаем их в обычном дилерском центре. Но подготавливать оборудование — компьютер, комплект сенсоров, проводку — начинаем гораздо раньше. Чуть позже расскажу об этом этапе поподробнее.

После покупки все машины проходят стандартную процедуру постановки на учёт. Им выдают номера и СТС.

Это уже четвёртое поколение наших беспилотников. Как раз о нём Дмитрий Полищук рассказывал на YaC 2020:

Шаг 2. Выбираем автомобилю имя и зачисляем его в наш флот

Для учёта автомобиля в наших внутренних системах мы используем два параметра: его VIN-код и имя. Если перевести в IT-термины, VIN — это MAC-адрес, а имя машины — FQDN. Да-да, у каждой из наших машин есть своё имя. VIN-код слишком сложно запомнить, а госномер может измениться.

Сначала мы называли автомобили в честь героев сериала «Мир дикого запада»: Takoda, Kohana, Akecheta. Когда персонажи закончились, нам на помощь пришла нейросеть, которая сгенерировала 60 тысяч уникальных имён. Так появились Natelio, Keyro, Onipa.

Если встретите на дорогах наш беспилотник, без труда узнаете, как его зовут. Стикеры с именами мы наклеиваем всегда в одно и то же место: справа, под лобовое стекло.

Управлять немаленьким флотом беспилотников нам помогает обширная база данных. В ней хранится информация о каждой машине и событиях, которые с ней происходят. Это своего рода судовой или лабораторный журнал, где мы тщательно фиксируем логи всех поездок: отмечаем неисправности, храним фотографии, записываем изменения, следим за метриками по каждой отдельной машине и всему флоту в целом. Снова обращусь к IT-терминам — наша база очень похожа на ERP-систему.

Шаг 3. Переходим к сборке

Сборкой надо как-то управлять: считать метрики, выстраивать цепочки поставок, оптимизировать ресурсы. Мы делали несколько подходов к этой задаче, и самым эффективным из всех нам показался Scrum-фреймворк. Оказывается, он подходит не только для разработки ПО.

Каждый понедельник мы планируем задачи на неделю вперёд (по сути — устраиваем планирование спринта). Команду dev представляют механики и электрики; за Scrum-мастеров — менеджеры проектов; чтобы приоритизировать задачи и отработать гипотезы, подключаются заказчики.

Дальше всё тоже стандартно: выбираем задачи из бэклога и распределяем их между командами. Одновременно со сборкой машины, команда проводит эксперименты: например, улучшает качество сигнала модемов. Или модернизирует разъёмы для слива логов. Или оптимизирует систему очистки сенсоров.

В течение недели мы регулярно собираем в цеху летучки «на ногах» (daily standup). По пятницам подводим итоги. Story points только не ввели: не прижились они у механиков. Измеряем всё в часах.

Про технологии в целом

Каждый беспилотник собираем как Роллс-Ройс: вручную, стапельным методом. Это означает, что машина всё время стоит на месте, все необходимые узлы и агрегаты доставляют прямо к ней.

Цех беспилотных автомобилей

Мы выбрали этот подход осознанно: собираем очень маленькой серией, по пять машин, поэтому выстраивать даже полуавтоматический конвейер невыгодно. К тому же для конвейера важно, чтобы конфигурация автомобиля не изменялась, а мы всё-таки экспериментируем и можем менять расположение элементов внутри машины, добавлять или исключать элементы из конечной конфигурации.

После покупки и занесения в базу, будущие беспилотники отправляются в наш цех в Москве. Первое, что мы с ними делаем — оклеиваем фирменной ливреей Self-driving car.

Далее полностью разбираем весь салон, включая обшивку потолка и багажника. Чтобы превратить машину в беспилотник, необходимо протянуть почти 200 метров различных проводов от её мозга — вычислителя — ко всем устройствам и узлам периферии. Оборудование, которое находится на крыше (сенсор-бокс), подключаем оптическими кабелями, камеру — коаксиальными, для передачи данных между IP-устройствами используем UTP. Не забываем и про силовые провода: всем частям беспилотника нужно электричество.

Одновременно усиливаем шумо- и виброизоляцию багажника, заодно заглушаем гул системы охлаждения — простое, но очень важное улучшение. Мы используем беспилотники в качестве такси, а значит, должны позаботиться о комфорте клиентов.

Помните, я говорил, что сборка беспилотника начинается ещё до покупки подходящего автомобиля? Чтобы ускорить сборку, мы готовим комплектующие и собираем основные узлы ещё до того, как к нам приедет очередная Sonata.

Большую часть комплектующих мы разрабатываем самостоятельно. Для быстрого прототипирования и экспериментов мы изготавливаем некоторые детали своими силами: в нашем распоряжении несколько 3D-принтеров разных типов и размеров, токарный станок и фрезерный трёхосевой станок с ЧПУ. После продолжительной серии тестов мы заказываем серийные детали на внешних производственных площадках со строгим соблюдением стандартов, нормативов и контролем качества.

Гермобокс для электроники

Под обшивкой каждой машины прячется множество электронных устройств: камеры, лидары, радары, вычислители, система охлаждения, сетевое оборудование, электрические платы с различными входами и выходами. Обо всём этом подробно рассказывал Виталий Подколзин, не буду повторяться.

Корпуса для собственных плат мы также разрабатываем самостоятельно, часть покупных плат перекорпусируем. Например, один из нужных нам свитчей поставляют только в большом стоечном исполнении. Сама плата при этом занимает 60% корпуса. Замена оболочки в подобных ситуациях помогает нам не только сэкономить пространство (напоминаю, мы размещаем всё оборудование в багажнике обычного автомобиля), но и установить дополнительное охлаждение. Места мало, тепла выделяется много: воздух не должен застаиваться внутри корпуса. Приятный бонус — оборудование в одинаковых лаконичных корпусах выглядит стильно.

Пора установить силовую часть. Машина потребляет до 2 кВт. Львиная доля электроэнергии приходится на вычислитель, внутри которого трудятся два серверных процессора и три мощные видеокарты. Фактически каждая наша машина — миниатюрный центр обработки данных. Все вычисления происходят на борту автомобиля, он полностью автономен.

Бортовой компьютер в багажнике

Багажник после установки оборудования

Чтобы беспилотная часть машины могла продолжать функционировать длительное время, мы комплектуем автомобиль двумя дополнительными батареями, от которых питается вся электрическая сеть. К слову, энергопотребление всего беспилотного оборудования меньше, чем у штатных узлов и агрегатов. Упаковываем провода в аккуратные жгуты и разводим по всей машине. Подключения — только разъёмные и рассчитанные именно на автомобиль: чтобы выдерживали вибрации и многократные включения и отключения.

Главное в машине — это безопасность. На всю электронику нижнего уровня — включая устройство, которое подаёт управляющие сигналы автомобилю, — приходят две независимые линии питания. Мы контролируем обе из них. В случае отклонений хотя бы в одной линии машину просто не удастся перевести в автономный режим.

Монтируем заранее собранные узлы, хранившиеся на складе готовых изделий, и подключаем. Тестируем все системы, прежде чем вернуть машине привычный вид.

Автомобиль до и после установки фендера

Устройство фендера с боковым лидаром

Завершаем сборку установкой сенсор-бокса на крышу машины.

Про сенсор-бокс в частности

Большой белый багажник с башней на крыше — тот самый сенсор-бокс. Внутри него собрано самое большое количество «органов зрения». А вообще, чтобы беспилотник мог «видеть» всё, что его окружает, на машину устанавливается три вида сенсоров:

Передний лидар имеет складную конструкцию и в случае механического воздействия уходит во внутреннюю часть автомобиля. В беспилотниках предыдущего поколения все эти сенсоры соединялись проводами с вычислителем. Это было не очень практичное решение: появлялся большой жгут кабелей, который надо было тащить до багажника через полмашины. В четвёртом поколении большую часть этих проводов терминируем уже внутри герметичного сенсор-бокса и соединяем с багажником единым оптическим кабелем.

Сенсор-бокс и лидар Яндекса

Мы живём не в самом благоприятном климате: у нас выпадают все возможные виды осадков, да и резкие перепады температуры не редкость. Всё это загрязняет наши сенсоры и мешает машине «видеть». Поэтому мы разработали специальную систему очистки, которая подаёт на лидар и камеры воздух и воду в правильной пропорции. Радары умеют видеть через закрытые кожухи, скрыты внутри крыши и в очистке не нуждаются.

Компрессор, резервуар для воды, баллон со сжатым воздухом, гидравлическую и пневматическую трассы, из которых состоит система очистки, наши конструкторы сумели уместить в сенсор-боксе на крыше автомобиля. А дизайнеры постарались, чтобы всё это выглядело стильно.

◼︎ Гермобокс с электроникой
◼︎ Система очистки сенсоров
◼︎ Радары
◼︎ Камеры

Шаг 4. Калибруем

Важный этап создания беспилотника — калибровка. Это процедура нахождения некоторых внутренних параметров сенсора и/или его положения относительно машины или другого сенсора.

Как я рассказывал чуть выше, каждая машина снабжена большим количеством самых разных сенсоров. Всем им необходимо работать синхронно, как одно целое, поставляя данные в вычислитель, который определяет логику поведения машины. Ведущий «орган зрения» беспилотника — лидар разработки Яндекса. Все остальные сенсоры мы калибруем относительно него. А он сам калибруется относительно кузова автомобиля.

Калибровка выглядит так: автомобиль перемещается по большому помещению с множеством шахматных досок, расположенных в форме круга и установленных под разным углом. Когда беспилотник накопит достаточно кадров окружающего его пространства с разных ракурсов, сенсоры, используя эти данные, синхронизируются между собой.

Процесс калибровки

Шаг 5. Сертифицируем

После всех наших вмешательств автомобиль уже нельзя назвать обычной Hyundai Sonata. Значит, надо удостовериться, что получившаяся модель надёжна и соответствует стандартам безопасности серийных автомобилей. Поэтому отправляем наши машины на сертификацию в «НАМИ-Фонд». Там беспилотники испытывают и выдают сертификат соответствия, который разрешает эксплуатировать их на дорогах общего пользования.

Шаг 6. Запускаем. Тестируем. В путь

Осталось «вдохнуть жизнь» в машину: установить на бортовой компьютер операционную систему и ещё раз протестировать все узлы, агрегаты и сенсоры. Мы используем UNIX-подобную ОС.

Почти всё. До момента, когда беспилотник можно будет выпускать на улицы города, осталось 400 км. Проезжая это расстояние на нашем специальном полигоне, машина докалибровывается под присмотром водителя-испытателя. Лидары «видят» более чем на 200 м, поэтому идеально точно настроить их в помещении при скоростях меньше 40 км/ч невозможно, требуется доработка «в бою». Вместе с этим мы ещё раз проверяем надёжность всех узлов и агрегатов.

Только после завершения всех тестов мы считаем машину полностью готовой к езде в автономном режиме.

Уже более трёх лет десятки наших беспилотных автомобилей ездят на полигоне Яндекса 24 часа в сутки 365 дней в году без человека за рулём. Останавливаются они, только чтобы заправиться.

С 2018 года мы активно тестируем технологию на городских улицах в Москве (в районе Хамовников и Мичуринского проспекта) и в других странах: США и Израиле. За это время наши автомобили проехали больше 16 млн километров в беспилотном режиме. Из самых свежих новостей — начало открытого тестирования в Ясенево, на которое может подать заявку любой человек старше 18 лет.

Беспилотный автомобиль: оживляем алгоритмы. Доклад Яндекса

Подробная расшифровка еще одного доклада со встречи Яндекс.Железо — про разработку устройств для беспилотника.

— Всем привет, меня зовут Виталий Подколзин, я руководитель разработки встраиваемых систем проекта беспилотного автомобиля. И сегодня я хотел бы с вами поговорить о том, что такое беспилотный автомобиль, какие компоненты входят в его состав, как заставить машину двигаться и как работа автопилота и его компонентов зависят от применяемых устройств.

Чтобы понять, куда дальше ехать, человеку сначала надо выяснить, где он находится. Беспилотному автомобилю — тоже. За это у нас отвечает подсистема локализации. Потом нужно понять, что творится вокруг нас. За наше зрение, за восприятие мира отвечает система восприятия или perception. На основе данных о местоположении, об объектах вокруг нас, мы можем строить прогнозы по дорожной обстановке, по ее развитию, по поведению участников дорожного движения. И выбирать оптимальный маршрут движения, траектории, далее превращая это в управляющее воздействие.

Но все перечисленное — это, в общем случае, алгоритмы. И вы могли бы запустить эти алгоритмы на своем компьютере, будь он достаточно мощным. Конечно, это не сделало бы из компьютера беспилотный автомобиль. Не хватает двух важных вещей.

Первая — достаточно богатый набор сенсоров, основные из которых перечислены на слайде. И конечно, нам нужна платформа, которая будет исполнять наши команды. С ней нужно взаимодействовать.

Давайте подробнее остановимся на вопросе взаимодействия с автомобилем. Автопилоту, как и человеку, для управления автомобилем нужно делать простые вещи: крутить рулем, ускорять, тормозить. Логичным решением может показаться использование актуаторов для управления этими органами.

_{Ссылка со слайда}

Но такой подход имеет ряд существенных трудностей. Развитие беспилотного автомобиля все равно предполагает наличие водителя на тех или иных этапах — нужно отвозить машину на сервис или следить за автопилотом, когда мы тестируем разные особенности, особенно на ранних стадиях. Данные устройства существенно усложняют жизнь водителю.

Конечно, вся система сложная, и в целом такая механика может вносить неприятные задержки в органы управления. Это отрицательно сказывается на контуре управления автомобилем.

Да, нам еще на старте проекта требовалась простая платформа, но нужен был какой-то другой подход для взаимодействия с этой платформой. И мы начали копать вглубь автомобиля.

Изучив особенности разных платформ, мы обнаружили, что многие современные автомобили имеют возможности контроля собственных органов автомобиля. К примеру, ассистент управляет рулем во время парковки. Круиз-контроль воздействует на ускорение автомобиля, адаптивный круиз-контроль или система ограничения скорости могут воздействовать на систему торможения.

Все эти системы, как правило, в автомобилях закрыты. И чтобы взаимодействовать с ними, потребовалась разработка ряда специализированных устройств. Кроме взаимодействия с автомобилем, от системы требовалось предоставление удобного, понятного для автопилота интерфейса управления автомобилем. И конечно, система должна была быть простой, понятной и очень гибкой.

Мы пришли к такой платформе, где в зависимости от автомобиля разрабатываются небольшие платы контроля, которые взаимодействуют с конкретным узлом. Состав и функциональность этих плат отличаются от платформы к платформе, но все они объединяются в одну сеть, где есть головное устройство, которое мы у себя условно назвали gateway. Оно осуществляет контроль за этими устройствами. Кроме того, gateway предоставляет интерфейс для автопилота по удобным устройствам. Тут мы видим Ethernet, удобный для нашей инфраструктуры, и CAN, самый популярный автомобильный интерфейс. Помимо этого, наше головное устройство постоянно взаимодействует с автомобилем, производит мониторинг состояния узлов и агрегатов. Если обнаруживаются какие-то отклонения, то в зависимости от их природы совместно с автопилотом принимается решение о дальнейших шагах.

Реализовывать плату мы решили на достаточно популярных и зарекомендовавших себя микроконтроллерах. Мы взяли их с запасом по производительности и выбирали такие, которые поддерживают необходимые для работы интерфейсы: CAN, Ethernet и аналоговые цифровые входы-выходы.

Мы получили решение, которое для нас действительно оказалось гибким и позволило с меньшими проблемами переходить от платформы к платформе.

Поговорим о сенсорах. Каждый беспилотный автомобиль имеет богатый набор сенсоров. У каждого беспилотного автомобиля Яндекса четыре лидара на крыше и три во фронтальной части, шесть камер, которые ставятся на крышу, а также шесть радаров: два в задней части и четыре во фронтальной, два из которых расположены по бокам.

Берем радары, лидары, камеры, соединяем, загоняем в вычислитель. Но не все так просто. Очень важно добиться того, чтобы данные с сенсоров были адекватные и качественные. Мы провели большое количество экспериментов, чтобы понять, где располагать сенсоры, чтобы мы могли видеть мир лучше и четче.

Кроме того, нашим конструкторам пришлось хорошо поработать, чтобы все изменения в автомобиле, связанные с сенсорами, удовлетворяли требованиям сертифицирующих органов.

Вот что получилось. Шесть камер на крыше дают хороший обзор на 360 градусов с существенным перекрытием — темные зоны отмечены на слайде. Эти камеры также дают хороший вертикальный обзор. Камера — единственный сенсор, который видит светофоры, потому что они могут располагаться разных частях, в зависимости от перекрестка и прочего.

Радары — еще один важный сенсор каждого автомобиля. Они интересны тем, что имеют не очень широкий угол обзора, но хорошую дальность. Два фронтальных радара выполняют функцию мониторинга того, что творится впереди, задние радары в наших алгоритмах используются, как правило, при перестроении, обгоне и подобных маневрах. Радары, которые смотрят вбок, необходимы для проезда достаточно сложных перекрестков, где информации со стороны сенсоров может быть недостаточно.

Наверное, наиболее интересным сенсором является лидар. Он интересен информацией, которая с него приходит. Перед вами облако точек, point cloud, это данные с лидаров. На них видно пешеходов, автомобили, дорогу, даже края проезжей части и другие объекты. Коробочки — это уже результат работы наших алгоритмов распознавания.

В сумме все сенсоры дают примерно такую картину. Как видите, невозможно не заметить что-либо вокруг автомобиля с таким набором сенсоров.

Я хотел бы остановиться на двух примерах, с которыми мы столкнулись, когда нам потребовалась разработка аппаратной части. Начну с кейса локализации.

Основным источником являются карты высокой четкости. В каждый момент времени беспилотный автомобиль сравнивает данные с лидаров с этими картами. На основе такого сравнения он получает свое местоположение с сантиметровой точностью. GPS, Глонасс или любая другая спутниковая навигация просто не подходит для работы с беспилотным автомобилем ввиду низкой стабильности работы, высокой зависимости от внешних условий, от погоды, шумов, помех. В городе все это существенно осложняется перекрытиями сигнала, переотражениями от зданий и т. д. Но откуда нам взять эти карты? Карты строим мы сами, используя наши беспилотные автомобили с набором сенсоров.

Для построения этих карт нам нужны лидары и какая-то привязка на местности. Нужно как-то получить свою координату. GPS изначально мог бы дать координату, но его точность не очень высокая. Как я уже говорил, на точность GPS влияют атмосферные условия, помехи, а в городе еще и переотражения.

Тут на помощь приходит технология Realtime kinematic. Суть в следующем: где-то на местности ставится неподвижная базовая станция с таким же приемным устройством, как и на автомобиле. Если расстояние между автомобилем и базовой станцией не превышает 30 км (в некоторых случаях 50 км), то данные со спутников, получаемые автомобилем и базовой станцией, будут примерно похожи. Но базовая станция, зная свою точную координату (она неподвижна) и рассчитывая координату по данным со спутника, получает, условно, ошибку вычисления. На основе этой ошибки вырабатываются поправки, которые через интернет отправляются на автомобиль. Автомобиль, учитывая полученные поправки при расчете координаты по спутникам, получает свою координату с сантиметровой точностью. Конечно, для работы с этой системой нужен хороший канал интернета и хорошая погода, чтобы сигнал GPS был стабильным.

Чтобы получить работающее устройство с поддержкой RTK на автомобиле или базовой станции, нужен софт. Библиотеки, предоставляющие возможности RTK RTKLib, находятся в открытом доступе. Есть разные вариации с разными особенностями. Библиотеки, как правило, требуют окружение Linux и модули спутниковой навигации, которые выдают сырые данные.

Проведя пару экспериментов, запрототипировав пару вещей, мы получили структурную схему блока локализации, которую мы назвали GeoHub.

Кроме указанного модуля спутниковой навигации, там еще стоит модуль инерционных измерений, который мы используем в системе локализации. Интернет сейчас приходит по удобному для нашей инфраструктуры интерфейсу Ethernet.

Перед вами второе устройство, его второе поколение и основные технические характеристики.

Мы сделали заменяемым модуль инерциальных измерений и модуль спутниковых сигналов. Это в итоге позволило поставить ряд экспериментов на автомобиле и выбрать оптимальный с точки зрения различных параметров модуль инерциальных измерений, а что касается модуля спутниковых сигналов, мы в процессе смогли перейти на двухдиапазонный приемник, что существенно улучшило качество определения местоположения.

А зачем разрабатывать свое устройство, когда наверняка можно пойти на рынок и купить что-то похожее? Ответ в том, что для нас одним из самых важных параметров является гибкость устройства. В связи с быстро меняющимися требованиями в проекте, появляющимся новым функционалом, нам нужно иметь возможность очень быстро реагировать на это. Только имея внутри проекта, in-house, разработку железа и софта, мы получаем действительно высокую скорость отработки этих изменений.

Другим интересным сенсором с точки зрения беспилотного автомобиля является камера. Окей, камера есть в каждом телефоне и ноутбуке. Что тут может быть сложного? Но давайте посмотрим, с какими проблемами можно столкнуться, используя камеру в беспилотнике.

Первая проблема — мерцание источников светодиодного света. Большинство светофоров — это как раз такие источники. Видео остановилось на моменте, когда из-за мерцания красный сигнал практически пропал.

Для этой проблемы есть аппаратные решения, заложенные в сенсор, но чтобы с ними хорошо и качественно работать, нужно уметь активно взаимодействовать с сенсором.

Вторым требованием для камер является высокий динамический диапазон, то есть возможность работы в условиях любой освещенности, как ночью, так и при ярком солнце. Также важно наличие HDR, то есть возможности совмещения кадров с разной освещенностью в один для получения более качественной картинки.

Слева пример картинки, где где функция HDR используется, а справа — где она отключена.

Кроме этого, мы, конечно, должны получить картинку с достаточным разрешением и достаточной частотой кадров. На слайде выделены еще пара моментов, присущие в том числе беспилотным автомобилям. Камера должна выдавать несжатый видеопоток, желательно формата RGB888, потому что наши сети, алгоритмы работают с этим форматом, хотят получать кадры в этом формате.

Большинство камер, готовых решений на рынке, выдают данные в сжатом виде — H264, MPEG. Проблемы тут простые: мы теряем качество при сжатии и вносим задержку на сжатие и разжатие. Задержка может быть недетерминированной, особенно при высокой нагрузке системы. Камера с разрешением Full HD и частотой 30 кадров в секунду при битности 16 бит на пиксель выдает поток около гигабита в секунду чистых видеоданных.

Кроме этого, камеры, как правило, расположены на удалении от приемного устройства, а в машине, особенно при каких-то экспериментах, они могут располагаться вообще на другом конце автомобиля. Нам нужны были камеры, которые позволяют весь несжатый видеопоток передать на расстояние 6-8 метров с учетом прокладки кабелей. Для Full HD-камеры c 16 битами на пиксель видеопоток составляет 1 гигабит, что уже не дает использовать гигабитный Ethernet, так как в передаче участвуют различные служебные данные и прочее. Десятигигабитный Ethernet использовать не совсем целесообразно. Это дорого, высокое энергопотребление, высокий теплоотвод, повышенная сложность сетевой инфраструктуры.

Да, есть другие интересные интерфейсы. Я хотел бы рассказать о двух из них, с которыми мы поработали. Их предоставляют компании Maxim Integrated и Texas Instruments. Особенность в том, что видеопоток сериализуется в данные, которые идут по простому физическому уровню, в данном случае через коаксиальный кабель, на скорости 3-4, иногда 6 гигабит в секунду. Кроме того, данный интерфейс позволяет использовать обратный канал для управления камерой по этому же коаксиальному кабелю. И по нему же может идти питание камеры. Все перечисленное делает этот интерфейс очень привлекательным.

Когда мы начинали, то нашли решение на рынке, которое в принципе удовлетворяло большинству требований. Его мы какое-то время использовали на старте проекта.

Структурная схема решения перед вами. Это сенсор, данные из которого сериализуются в интерфейс GMSL/FPD-Link. На приемной части, которая может быть удалена на 15 метров, данные десериализуются и передаются в ресивер. В нашем решении этот ресивер далее выдавал данные по интерфейсу USB 3.0.

Но начав использовать это решение, мы столкнулись с рядом неприятных проблем. Главная проблема — решение работало крайне нестабильно, «отваливалось» в процессе работы, камеры плохо запускались при старте автопилота. Вдобавок решение не позволяло подстраивать параметры самих сенсоров с целью улучшения качества картинки. Был и еще ряд проблем. Например, было сложно получить точный timestamp камеры, время съемки, что достаточно важно, ведь на скорости 15 м/с при задержке в 100 мс машина уже проезжает полтора метра, и это может очень негативно сказаться на алгоритмах восприятия.

Был еще один интересный момент. Выходным интерфейсом выбранного решения был USB 3.0, и мы обнаружили, что он крайне шумный. Как мы это поняли? У нас стояло два не подключенных ни к чему автомобиля. На одном запустили камеру, на обоих очень сильно просел сигнал спутниковой навигации. Тогда мы начали изучать, что же происходит.

Проанализировав все эти недостатки в целом, изучив структурную схему перед вами и прочее, мы пришли к выводу, что проблема в приемной части. Дальше начали думать, что с этим делать. Посмотрели, что есть на рынке, решения других команд, и пришли к выводу, что нам нужно делать собственное приемное устройство, которое будет работать с камерой по интерфейсу GMSL или FPD-Link.

Мы взяли десериализаторы, которые, как правило, имеют на выходе интерфейс MIPI CSI2, и начали поиск модуля или процессора, который смог бы поддержать данный интерфейс. И мы нашли интересное решение с шестью интерфейсами MIPI CSI2, а также с высокой производительностью и богатой периферией. Это позволило нам в итоге использовать удобный для нашей сетевой инфраструктуры интерфейс Ethernet 10 гигабит в качестве выходного интерфейса этого устройства. Получив данные по GMSL/FPD-Link с 6 камер (или, в некоторых случаях, с 12 камер), обработав их, устройство по 10-гигабитному Ethernet передает уже обработанный видеопоток дальше — на вычислитель.

Перед вами само решение и его основные характеристики. Разработав такую штуку, мы научились не только надежно работать с 6 или 12 камерами, но также получили возможность тонкой настройки камер. Это позволило улучшить качество картинки, что положительно сказалось на работе алгоритмов восприятия. Мы также получили четкое понимание о времени съемки кадра, научились управлять этим временем. И высокопроизводительные ЦПУ, вычислительные мощности модуля позволили нам производить первичную обработку видео с минимальными задержками прямо на модуле.

Аппаратный кодек этого модуля позволил еще и сжимать видеоданные для последующего сохранения в логах.

Нам пришлось поработать не только с сенсорами локализации и с камерами. Аппаратные решения пришлось разрабатывать практически для всех сенсоров, что мы применяем. Все это было сделано для решения повышения надежности и качества данных, от которых зависят алгоритмы детекции, восприятия. А от них зависит то, насколько оптимальным будет решение, выдаваемое автопилотом.

Окей, мы научились управлять автомобилем, поработали над сенсорами, расположили их хорошо, научили их выдавать нам качественную картинку. Какую еще работу делают инженеры встраиваемых систем, «железячники» на нашем проекте? Мы следим не только за развитием сенсоров, ставших уже обыденными, но и за альтернативными источниками получения информации. Постоянно исследуем альтернативные ускорители нейросетей, других алгоритмов, в том числе с применением ПЛИС. И сложно представить развитие проекта без взаимодействия с опытным автопроизводителем.

Новая платформа — это всегда вызов для разработчиков встраиваемых систем, конструкторов, разработчиков ПО высокого уровня.

Сфера беспилотных автомобилей сейчас находится на очень активном этапе развития. Мне как инженеру очень приятно наблюдать за этим, но гораздо более приятно участвовать. И не за горами то время, когда для нас станет совсем обычным садиться в автомобиль и, направляясь к нужному нам месту, заниматься своими делами в комфорте и безопасности. На этом все, спасибо за внимание.

Беспилотный автомобиль Яндекс

Материал подготовил: Аркадий Софрыгин, основатель сайта Беспилот.
Присоединяйтесь к обсуждению темы в Facebook
Подписывайтесь на наш телеграм-канал

Сегодня мы подробно расскажем вам о беспилотных автомобилях Яндекса — IT-компания планирует массово внедрять беспилоты в своем российском сервисе Яндекс.Такси и в подобных сервисах за границей. А также о беспилотных технологиях Яндекса, которые могут использовать другие компании: автопроизводители, службы такси и каршеринга и т.д.

Для начала определимся с терминами, а затем уже читайте подробное описание с фото и видео:

Что такое беспилотный автомобиль?

Все полученные датчиками и сенсорами данные классифицируются. То есть машина «понимает» и может различать разные объекты: пешеходов, другие машины, препятствия, животных и т.д. Поток данных анализируется нейросетями и специальным софтом. Ежедневно все беспилоты Яндекса становятся все умнее, за счет огромного массива полученных и обработанных данных.

Исходя из анализа данных, беспилотный автомобиль предсказывает как будут себя вести другие участники движения и принимает решения о движении, поворотах, плавных и резких остановках и других действиях. Например «по опыту» беспилотник знает, что шагнувший на красный свет на дорогу пешеход нарушил правила и возможно будет двигаться дальше. В таком случае машина притормаживает, чтобы избежать столкновения. А затем, когда помехи на пути нет (пешеход перебежал дорогу или шагнул назад, чтобы пропустить автомобиль), продолжает путь.

Уже сейчас, в 2020 г. многочисленными испытаниями и тестами доказано, что беспилотные автомобили намного безопаснее управляемых людьми и, после массового внедрения, будут ежегодно спасать тысячи жизней.

Салон робокара не сильно отличается от салона обычного автомобиля. Отличие только в дисплее, на котором отображается движение машины, в кнопке экстренного торможения и кнопке включения автономного режима. Хотя уже есть концепты некоторых крупных автопроизводителей, на которых не предусмотрен руль и педали, например Chevy Bolt от General Motors, так как в беспилоте 5 уровня они будут просто не нужны.

Салон беспилотного автомобиля Яндекс

В 2020 г. еще слабая законодательная база в России и в мире по поводу автономных машин, да и сами технологии недостаточно готовы для внедрения во все новые автомобили, поэтому беспилоты пока только тестируются, хотя и ездят уже по обычным дорогам, в том числе в России. Но соответствующие законы будут приняты в 2020-2025 годах и это станет новым шагом к широкому распространению автономных машин.

В Яндексе нам подтвердили, что технически беспилотники компании уже готовы ездить полностью самостоятельно и без водителя-испытателя, сначала на ограниченных территориях, а затем и в городах. Например в казанском Иннополисе, где беспилотные автомобили Яндекса тестируются уже несколько лет, сервис готов работать без инженеров в машине и беспилоты могут 100% ездить сами.

С каждым годом будет приниматься новое регулирование и необходимые законы для расширения поездок беспилотников. Технически всё уже готово для запуска автономных такси и сейчас в компании ждут только принятия необходимых поправок к ПДД, разрешающих робокары сначала на определенных территориях, а затем и в большинстве городов и стран.

Какое устройство имеет беспилот Яндекса и как он работает

Технические характеристики беспилотов Яндекса: автомобиль имеет «зрение» и «органы чувств». Он сканирует и видит пространство вокруг себя и распознает другие машины, дорожные знаки и разметку, препятствия, людей, животных и другие элементы окружающей среды. В случае, если беспилотник не может объехать препятствие, машина останавливается и продолжает двигаться после того, как помеха устранена.

Датчики собирают информацию об окружающей среде, а специальный софт ее обрабатывает. Лидар (лазерный радар) создает 3D-карту пространства, сканируя его с полным обзором в 360 градусов. 3D-карта позволяет определить расстояния до объектов. Данные принимаются не только с лидара, но и с радаров, которые могут «видеть» намного дальше чем лидары.

В блок на крыше беспилота установлены 3 лидара, 5 камер, антенны GPS и мобильной связи GSM, антенна спутниковой системы навигации GNSS. В передней части машины 4 радара, могут присутствовать и дополнительные радары. Именно сочетание данных, полученных с разных приборов формирует наиболее точное позииционирование и безопасную траекторию движения беспилота.

Также для движения беспилот использует компьютерное зрение и специальные сенсоры для контроля безопасности движения машины. Точное местоположение определяется по HD-карте местности. На основе всех полученных данных специальный алгоритм принимает решения как будет двигаться автомобиль.

Во время движения беспилотник накапливает и анализирует данные, все данные поступают на компьютер, расположенный в задней части машины. Мощность компьютеров позволяет обрабатывать сотни гигабайт поступившей информации в течение каждой поездки. Данные с каждой машины анализируются в едином центре Яндекса после поездки.

То есть машины абсолютно автономны и в течение поездки информация не передается в центр управления. Благодаря этому беспилотники Яндекса не нуждаются в постоянном и быстром мобильном интернете, облачных вычислениях и защищены от внешнего взлома и хакерских атак.

При поездках на реальных дорогах и на полигонах оцениваются все возможные ситуации во время движения беспилотного автомобиля: неожиданные препятствия, тени и яркое освещение, проезд других машин на красный, перебегающий дорогу пешеход, подрезание другими автомобилями, снег, туман и дождь, проблемы со связью и т.д.

Беспилот оперативно реагирует на неожиданные препятствия: останавливается и продолжает движение, когда «решает» что путь свободен.

Тестирование беспилотного автомобиля Яндекс блогером Wylsacom.

На планшете отображается в реальном времени траектория движения машины, видео с камер беспилота, дорожные знаки, разметка, окружающая обстановка и другие участники движения. Пока еще люди не привыкли к беспилотным автомобилям и это отличная идея для того, чтобы пассажиры не чувствовали беспокойство во время поездки.

Кнопка перехода в ручной режим управления машиной. При нажатии на красную кнопку, автомобиль переходит в ручной режим работы и машиной можно управлять как обычно. Маленькая зеленая кнопка внось активирует поездку в беспилотном режиме.

Какие виды автономных машин есть у Яндекса

Kia Soul, Toyota Prius и Hyundai Sonata 2020.

Hyundai Sonata 2020.

4 поколение беспилотника Яндекс на базе той же Hyundai Sonata.

Выбор моделей связан с тем, что этими машинами можно проще управлять с помощью электроники. Хотя на самом деле марки машин не так важны, как сам беспилотный софт, технические и инженерные наработки, а также собранные и проанализированные массивы данных. Яндекс планирует не только использовать беспилотники в своем сервисе такси, но и продавать технологии другим компаниям, ведь беспилотный софт и модуль можно будет встраивать на автомобили практически любых марок.

Тестирования беспилотных автомобилей и где на них можно покататься

Первые тесты беспилотов Яндекс проводил рядом со своим офисом в Москве в 2017 г.

Затем тестирования начались в Сколково и казанском Иннополисе. Тесты проходят не только летом и в хорошую погоду, но и зимой, при заснеженных дорогах, а также в дождь и при других неблагоприятных погодных условиях.

Летом 2019 г. начались тестирования беспилота 4 уровня автономности на общих дорогах Москвы. На начало 2020 г. флот беспилотников Яндекса насчитывает около 110 автомобилей. Тестирования согласованы с правительством и проходят по всей Москве, маршруты могут меняться в зависимости от задач тестов. Во время испытаний на месте водителя по действующим нормам обязательно находится водитель-подстраховщик (инженер-испытатель), который в непредвиденной ситуации может взять управление автомобилем на себя.

Тесты пройдут до 1 марта 2022 г., после чего будет принято решение по дальнейшему массовому использованию беспилотного транспорта в РФ. Также будут выработаны единые стандарты и требования к эксплуатации беспилотов. Хотя уже сейчас можно спрогнозировать, что первыми отраслями, которые массово начнут использовать автономный транспорт станут: сельхозкомпании, сервисы такси, каршеринга, доставки продуктов и готовой еды и грузоперевозок.

Полигон Яндекса для тестирования беспилотов под Москвой

Летом 2018 г. начал работу полигон Яндекса для тестирования беспилотных автомобилей в Ступино. Полигон состоит из нескольких гаражей, мастерских и офисов, а также нескольких площадок, на которых 24 часа в сутки при любой погоде ездят беспилоты. На площадках имитируются разные дорожные ситуации: перекрестки, дорожные знаки, светофоры, пешеходные переходы, разная разметка, круговое движение, барьеры и конусы (ремонт дороги) и т.д.

Когда беспилоты Яндекса будут снабжены 4 и 5 уровнем автономности, то водитель-испытатель будет уже не нужен. Машина сама доставит вас в нужное место и припаркуется. Но пока еще идет отработка ситауаций с водителем. Хотя в компании нам рассказали, что уже готовы стартовать сервисы такси без водителей на ограниченных территориях, например в Иннополисе.

Полигон Яндекса в Ступино.

Были ли аварии беспилотов Яндекса

Были аварии и у мирового лидера Waymo (Alphabet, Google). В январе 2020 г. бывший сотрудник беспилотного подразделения компании Реймонд Тенг на своей Mazda подрезал беспилотник Waymo и спровоцировал аварию. В инцинденте никто не пострадал, а Тенга арестовали. Мотивы бывшего сотрудника остались неизвестны, но возможно так он решил отомстить компании за увольнение.

В ноябре 2019 г. случилось первое ДТП беспилота Яндекса на общей дороге. Авария произошла на небольшой скорости и в итоге никто не пострадал, только 2 машины, включая сам беспилотник, получили небольшие повреждения.

Можно ли купить автономную машину и где на ней покататься

Перспективы Яндекса в развитии беспилотников

Яндекс планирует использовать свои беспилотные технологии не только для сервиса Яндекс.Такси, но и продавать разработанный программно-аппаратный комплекс другим компаниям, в том числе производителям автомобилей.

IT-гигант уже активно проводит рекламные и PR-кампании в мире, и многие за границей уже знают Yandex Self-Driving cars. Например в 2019 году беспилот Яндекса был показан в Лас-Вегасе на выставке CES в США и известный видеоблогер Маркес Браунли протестировал машину и был в восторге от поездки. Также тестирования прошли в Тель-Авиве. В Израиле уже сейчас подготовлена законодательная база для автономного транспорта и в стране расположено несколько серьезных компаний-разработчиков беспилотных технологий, так что тестирования сотрудники Яндекса совместили с полезными встречами и переговорами.

Беспилот Яндекса в Лас-Вегасе в 2019 г.

В 2020 г. на CES Яндекс проводил демонстрационные поездки по Лас-Вегасу без водителей-испытателей. Подробное описание читайте в этом материале.

Смотрите видео поездки робокара Яндекса по реальным улицам Лас-Вегаса в 2020 г. без водителя за рулем.

Собственный лидар Яндекса

По словам представителей Яндекса, собственный датчик обходится в разработке в 2 раза дешевле, чем лидары мирового топ-производителя компании Velodyne. Новыми лидарами будут также оснащаться беспилотные роботы-доставщики Яндекса.

Четвертое поколение беспилотников Яндекса

Новая модель беспилотника была разработана в тесном сотрудничестве сотрудников Яндекса и команды Hyundai Mobis. Первоначально созданные для автомобилей под управлением водителя, электронные блоки управления Hyundai Sonata были модифицированы и доработаны разработчиками Mobis для эффективного взаимодействия с системами беспилотного автомобиля.

Основными отличиями от 3-й модели робокара Яндекса стали: добавление трех новых камер, более удобное расположение сенсоров и их большее количество, перемещение радаров на крышу и монтаж лидаров на передних крыльях для лучшего обзора беспилота. Подробнее о 4 поколении беспилотников Яндекса читайте в этом материале.

Расширение тестирований 100% беспилотов в США

В июне 2020 г. Яндекс объявил о начале тестирований беспилотников на общих дорогах в Энн-Арборе, штат Мичиган, США. В Мичигане разрешены поездки беспилотных автомобилей без водителей-испытателей за рулем и, по заявлениям представителей компании, это очень удобное новое место для поездок 100% беспилотников.

Энн-Арбор стал третьим городом, в котором беспилоты Яндекса тестируются на общих дорогах, в дополнение к Москве и Тель-Авиву. Подробнее о работе Яндекса в Мичигане читайте в этом материале. А ниже смотрите видео поездки робомобиля без водителя по реальным улицам Энн-Арбора в июне 2020 г.

Создание отдельной компании Yandex Self Driving Cars

После создания Yandex SDG материнская компания Яндекс увеличила свою долю в группе беспилотов до 73%, долей в 19% владеет Uber, оставшиеся 8% пойдут на мотивационные программы для сотрудников.

В то же время в компании сообщили, что будут продолжать работы по интеграции беспилотных технологий в транспортные сервисы, доставку продуктов питания, каршеринг, электронную коммерцию и логистические проекты в рамках собственной экосистемы Яндекса и за ее пределами.

Беспилотный робот-доставщик Яндекс.Ровер

В ноябре 2019 г. Яндекс представил беспилотного робот-курьера Яндекс.Ровер. Робот стал младшим братом беспилотного автомобиля от Яндекса, так как для его работы используется уже наработанные технологии автономного управления автомобилями.

Роботы будут использоваться для доставки еды, небольших грузов и работы на складах и в распределительных центрах. Читайте подробное описание Яндекс.Ровера в этом материале.

В феврале 2020 г. компания объявила, что ее рободоставщики начали доставлять покупки сервиса Беру. В дальнейшем Яндекс планирует связать разработанные беспилотные технологии Яндекс.Ровера со своими приложениями, в том числе Беру и с другими сервисами, где требуется доставка небольших грузов и продукутов, например с Яндекс.Лавкой.

Deploying self-driving cars worldwide

We began our self-driving car program to create a universal and scalable autonomous vehicle technology. We aim to create a self-driving car that safely and effectively operates regardless of geography and traffic conditions. As part of our strategy to realize our self-driving vision, we decided to test our vehicles in diverse locations around the world that challenge our system.

Since we first introduced our self-driving cars on public streets in December 2017, we’ve conducted testing in five different locations across three countries: Moscow, Innopolis, and Skolkovo in Russia; Las Vegas in the United States; and Tel Aviv in Israel.

Combined, the driving conditions and challenges of these locations ultimately help advance our self-driving system to better operate in new environments. As we continue testing in these locations, we plan to collect more data by introducing over 100 cars by the end of this year.

We’re excited to continue our work building a scalable autonomous technology that can operate in any number of driving conditions. Here are just some of the many dynamics that are helping us improve our technology.

Rules and road infrastructure

Though traffic lights universally use red, yellow, and green to direct traffic, the signals and layouts of traffic lights vary by country. Self-driving technology should be capable of detecting different signals on traffic lights regardless of location. Our self-driving technology relies on computer vision, machine learning, and highly detailed 3D maps to identify the correct lights and signals.

Israeli traffic lights have the standard three colors, but to direct traffic at large intersections, separate traffic lights control every possible way through them. Our cars identify the correct traffic light while ignoring the signals of the other lights to proceed along the route accordingly.

In Russia, there is usually one traffic light to regulate the entire intersection. In addition to the standard red-yellow-green signals, traffic lights may also include green arrows for left and right turns. Traffic lights in the US can have five or more signals, creating much more variety compared to typical lights in Russia and Israel. US traffic lights are also usually located on the opposite side of the intersection, whereas in Russia and Israel, vehicles stop at lights just before the junction. In the US, our self-driving car had to learn to properly recognize a large number of signals, in addition to detecting the lights 25 meters (82 feet) farther from their location in Russia and Israel.

Intersections which are not controlled by traffic lights, or uncontrolled intersections, present unique challenges as there are often different laws around the world governing the right of way and passing.

At uncontrolled intersections in Russia, vehicles on the right always have the right of way. In the US, uncontrolled intersections are managed by a unique law that gives priority to cars that first reach the intersection. Vehicles in the US also come to a complete stop at intersections with four-way stop signs, which is not common in our other testing locations.

In Israel, the road network includes a higher number of roundabouts compared to the other two locations. Our platform is learning to manage multiple traffic situations by frequently driving through roundabouts that include one or two lanes and numerous exits.

By collecting data and challenging the platform to improve how it manages diverse uncontrolled intersections, we are increasing the platform’s scalability.

Besides the official traffic rules, each location has its own so-called social rules — the way drivers behave on the roads. Self-driving cars must be prepared to respond to any number of unpredictable human driving behaviors. As we collect more data from reacting to social rules on the road, our self-driving system becomes better equipped to handle various situations on the streets.

In Israel, for example, due to limited parking in Tel Aviv, drivers often park their cars wherever they can find a spot. Passing illegally parked vehicles, such as double-parked cars, requires high precision and can be challenging even for skilled drivers, due to the narrow, winding roads of Tel Aviv. Self-driving cars must be quick to respond in these situations, especially considering the fast-paced driving there.

The hectic streets of Moscow, where drivers frequently flout the rules, challenged our cars to learn how to navigate safely through chaotic road conditions and speeding drivers. In Russia, for instance, drivers tend to exceed speed limits by up to 20kph (12mph) because that is the minimum threshold to receive a ticket. Anywhere we operate our self-driving vehicle, we strictly follow the rules and the speed limits, so in Moscow, we must also adjust to driving in a traffic flow that goes 10–15kph (6–10mph) faster than the car.

When we brought our car to Las Vegas, it was comparatively easier to drive, as the road network is an orderly grid, and drivers are more likely to follow the rules. Over a period of just two weeks leading up to CES 2019, we taught our self-driving system how to drive on American roads for the first time. Our car had to adapt to the different driving style in America, and one example of a difference in social rules concerned the dynamics of lane changes. The many multi-lane roads in Las Vegas and the less severe traffic compared to Moscow meant that it was far more common for drivers to suddenly cut across many lanes to reach their turn or exit. Our self-driving car had to learn how to adapt to these new driving conditions, and how to react when cars would abruptly cut in front of it before passing to the next lane.

By testing in three very different locations, our self-driving car has demonstrated the ability to adapt and respond to some of the distinct driving behaviors that exist around the world.

Weather presents any number of challenges for self-driving cars. With our multi-country testing strategy, we’ve put our self-driving tech to the test in dramatically different climates, challenging our vehicles to adapt to varying local weather conditions. Winter testing in Moscow forced our cars to learn how to drive in snowy weather, while testing in Tel Aviv subjected our autonomous hardware to high heat.

We started our tests in Russia, where the climate provides us with various weather conditions throughout the year. One of the most challenging situations is heavy snow. It covers road markings, obscures signs, and adds a lot of noise to the data we collect from the car’s sensors. One of the biggest challenges caused by snow is the way it interrupts LiDARs, as the laser beams hit the snowflakes and don’t reach the objects behind them. We’ve been developing ways to deal with snow from the very beginning of our work, and we have gathered many real-world examples to teach the car’s neural network to create a 3D picture of the surrounding world with minimal noise. Thanks to our winter testing, even in heavy snow, our self-driving cars can detect objects around them, remain in the correct lane, and recognize crosswalks.

When we launched our program in Israel, we faced an opportunity to test our hardware in high temperatures. Overheated equipment can have lower performance, interruptions in operation, or it can altogether stop working. To prevent these possible problems, before we started testing in Israel, we set up our hardware and sensors to adapt to the higher temperatures than we experienced in Moscow. We also built custom cooling systems for both the interior and exterior of the car. We continuously test the reliability of our sensors and components to ensure our preventative measures are continuing to manage the heat as spring turns to summer. This May in Tel Aviv, temperatures reached as high as 40° C (104° F), and our car successfully operated throughout the city all day long without issue.

Traffic conditions are dramatically different in each city we test in, requiring a diverse approach based on several factors. We began testing our self-driving cars in Moscow, a city of 12 million people with some of the worst traffic in the world. By testing our cars in the grueling driving conditions of Europe’s second largest city, our self-driving tech has shown that it’s capable of navigating challenging, crowded urban environments.

Testing in Tel Aviv brought a new set of challenges. Though our self-driving car was used to busy city streets, Tel Aviv’s narrow, windy roads are densely populated by two-wheeled vehicles, much more so than in Moscow. Our self-driving car had to learn how to share the road with bicycles, scooters, and motorbikes, along with the standard dynamics of cars, trucks, and pedestrians. Managing traffic in Tel Aviv provides our prediction algorithm with a large amount of data on two-wheeled vehicles and their behavior patterns, so our self-driving tech can be deployed in other cities with similar vehicle dynamics on the road.

Driving in lighter traffic presents a new set of challenges. In Innopolis, Russia, where we operate our robo-taxi service, there is lighter traffic, with citizens freely crossing the street anywhere or often riding bikes in any lane (and in any direction). This location allows us to interact with pedestrians in various unexpected situations rarely seen in big cities.

These are just a few examples of the challenges and opportunities we’re encountering across our test locations as we advance our self-driving technology to be universal and scalable. By teaching our tech how to process numerous road hazards around the world, such as two-wheeled vehicles, pedestrians, erratic driving, and challenging weather, we are better preparing our self-driving car to operate in new locations.

Of course, there are still many challenges ahead. Stay tuned to learn more about our self-driving technology!

Yandex Self-Driving Meetup

Controlling an autonomous car is a complicated task that requires a stack of technologies including computer vision, machine learning, AI, navigation, and assorted hardware solutions. We want to introduce you to how these pieces work together to create a driverless experience.

On June 8, we will hold our first big meetup dedicated to our driverless cars. It will take place in our garage, where we assemble and test our unmanned vehicles. We will show you how our cars work from the inside out, and talk about the challenges we face. We’ll be happy to answer your questions and demonstrate our vehicles in real-world conditions on Moscow roads.

What we want to share

First we’ll tell you how it all began, from choosing the right car for a prototype and passing early tests to our first attempt on city roads and testing abroad.

We’ll tell you about our hardware: how the cameras, LIDARs, radars, and other sensors work in bad weather conditions, dust storms, or snow. We’ll also explain how we deliver data from these sensors to the computer in the trunk of the car, guaranteeing seamless operation of the entire system.

We’ll also show how our car accurately determines its location within a couple centimeters: which sensors are responsible for that, and how we analyze their data.

One of our most serious challenges is predicting the behavior of others on the road. Our car recognizes objects around it (as well as their speeds and trajectories) in order to take the safest, most effective route. We’ll cover how we are solving this issue.

Although presentations are a good way to explain things, we have also tried to visualize some of our technologies to give you a chance to interact with them.

In particular, we’ll demonstrate our virtual simulator for running our vehicle and monitoring how it behaves. It enables a complex virtual environment with intersections, cars, pedestrians, and cyclists. You will be able to place obstacles in the car’s way and see how it reacts.

We will also examine our autonomous car hardware in detail: how the computer and network function, which resources they use, and why satellites and our own embedded devices are crucial. We will show you the difficulties and limitations we face, as well as how we overcome them.

If you’ve seen our videos, you probably noticed a tablet at the front of the car, showing how it sees the world around. This is called Yaviz, and you’ll get a chance to have a closer look at it. You will also learn how Yaviz collects data from sensors, draws a 3D model of the world, and helps us improve the system.

It is surely not enough to just install sensors — they not only need to be calibrated independently, but must be calibrated relative to each other. We will go through the types of calibration, reveal why this is critical for the algorithms to work properly, and the challenges we face in this department.

Last but not least, we will answer the most important questions: how do we see the future of our driverless cars, and why do we do what we do?

How to get to the event

If you want to spend Saturday, June 8 at our meetup from 10:30 AM to 8.00 PM, please fill out this form. We have only 100 spots to ensure every participant sees the booths, communicates with the team, and sees the vehicle in action. We will send you a task in response to your application — it must be completed before May 29!

That task may take time: it comes from our daily practice of segmentation of the LIDAR cloud based on real data. We provide an example of both real and synthetic clouds so you can test your solution more easily.

I rode in a self-driving car for the first time, and it was operated by the Google of Russia — here’s what it was like

Twitter LinkedIn icon The word «in».

LinkedIn Fliboard icon A stylized letter F.

Flipboard Facebook Icon The letter F.

Email Link icon An image of a chain link. It symobilizes a website link url.

Yandex is the Google of Russia, known for running a search engine that, by some measures, is more popular than Google in its home country. Like Google (via a spin-off company, Waymo), Yandex is also developing autonomous driving technology.

The company operates an autonomous ride-hailing service in two Russian cities and demonstrated its software at this year’s International Consumer Electronics Show (CES) in Las Vegas. I rode in a converted Toyota Prius on a 4.3-mile loop, my first experience riding in a self-driving car. The car was outfitted with three lidar sensors, five cameras, and eight radars.

Here’s what my ride was like.

This is what the car, a converted Toyota Prius, looked like.

It had three lidar sensors, which emit pulses of light to detect objects and determine how far they are from the car.

The car had five cameras, like the one pictured below.

It had a computer in the trunk.

Inside, there were two iPads that illustrated part of what the vehicle was seeing.

The ride was uneventful, and the route generally avoided difficult maneuvers like unprotected left turns and merges into busy lanes.

Had I not made a point of observing the car’s performance, I likely would have forgotten that it was driving without human assistance. There was a safety driver in the driver’s seat, but I did not see his hands did not touch the wheel at any point during our ride, and while I couldn’t see his feet, I had no reason to believe he was controlling the car’s braking and acceleration.

The car felt like it was being driven by a cautious human.

The car often drove slower than surrounding traffic (it briefly reached a top speed of around 45 mph), kept a safe distance behind the car ahead of it, and stayed within lane markings.

Aside from a few slightly abrupt stops, the ride didn’t have any major hiccups, and it suggested that Yandex’s technology could, at the least, be ready to carry passengers on short routes that won’t present many challenges.

Of course, I would have to observe more than one ride to know that for sure, but limited-scale, autonomous ride-hailing and shuttle services from Waymo and startups like May Mobility and Optimus Ride have indicated that current autonomous driving technology can handle relatively small, geofenced areas.

Dmitry Polishchuk, Yandex’s head of self-driving, said the company had not yet determined if it will keep testing in Las Vegas or elsewhere in the US after CES.

The company is currently running two autonomous ride-hailing services in the Russian cities of Innopolis and Skolkovo (the former covers 0.8 square miles, and the latter covers 2.38 square miles). Yandex hopes to expand its ride-hailing services to Moscow and Kazan when it receives regulatory approval, which could happen in 2019, Polishchuk said.

He also said Yandex vehicles may be able to drive as well as a human in certain cities within four years.

Challenges remain for Yandex’s autonomous driving division, the two most difficult of which are developing a vehicle’s ability to make decisions and predict what vehicles and people around it will do.

«This is where all the competition will happen in the future,» Polishchuk said. «This competition in self-driving is not about hardware. It’s about software.»

But Yandex has made a significant amount of progress in just a few years.

The company began working on autonomous driving technology in January 2017, Polishchuk said ( there appears to be some internal disagreement over whether the work began in December 2016 or January 2017, based on conflicting press releases, but Polishchuk insisted the company’s autonomous driving program began in January 2017), and by August 2018, the company launched what it says was the first autonomous ride-hailing service in Europe. Yandex has since given over 2,000 rides in autonomous vehicles.

Polishchuk said Yandex was able to start giving rides to customers so quickly because it had previously developed products that correspond to some of the capabilities needed for self-driving cars, including computer vision for image search, a navigation app, and a localization feature that can determine where people are using its search engine.

While Polishchuk said Waymo is the current leader in autonomous driving technology, he said he believes Yandex can compete with Waymo’s autonomous driving software.

«We are competing with Google for [search traffic in Russia] all the time, and we are beating them, so we know how to do this stuff,» he said. «We are happy to compete.»

Яндекс.Драйв — каршерин‪г‬ 4+

Аренда машин в Москве и СП‪б‬

Intertech Services AG

Разработано для iPhone

Снимки экрана

Описание

Яндекс.Драйв — каршеринг и подписка на машину.

В приложении есть 16 000 машин для быстрой аренды на минуты, часы, дни, и есть десяток моделей для очень долгой аренды от месяца. Машины можно взять в Москве, Петербурге, Сочи + 42 регионах для бизнеса.

А зачем нужен каршеринг
Чтобы ездить по делам или в бар, перевозить вещи, отвозить что-нибудь на дачу, выбираться за город, путешествовать по области. Если у вас свой бизнес, наши машины пригодятся курьерам, менеджерам по продажам, мерчендайзерам. В фургонах можно даже перевозить электросамокаты. Фантазия безгранична.

А подписка тогда зачем
Чтобы машина была вашей надолго. Это очень длинная аренда от месяца до года с оплатой по частям. И в неё включены страховки, техосмотр, замена резины, подгон машины к дому. Есть машины эконом-класса и бизнеса — все без оклейки. Так что никто ни о чём не догадается.

А как зарегистрироваться
Всё в приложении, ехать никуда не нужно. Нужно просто быть старше 21 года и иметь 2 года стажа вождения. Когда вы скачаете приложение, вас встретит робот. Он проведёт через всю регистрацию, а вы просто пришлёте фотографии документов и свои данные ему в чат. И, если всё хорошо, вы в Драйве.

А что входит в аренду машины
Всё: платные парковки, мойка, заправка, ремонт и все страховки.

А что за страховки
Есть ОСАГО, страхование жизни водителя и пассажиров на 2 000 000 ₽ и каско с франшизой «Виновника». С ней вы не заплатите больше 40 000 ₽ за ущерб обычной машины, 75 000 ₽ за особую и 150 000 ₽ за Джипы. А если взять каско без франшизы, то есть полное покрытие ущерба, то все риски мы возьмём на себя, и при любых повреждениях с вас вообще ничего не спишем, если ДТП оформлено верно. Так что в Драйве вы прикрыты со всех сторон.

А какие машины в Драйве
У нас около 16 000 машин 20-ти разных моделей. Есть эконом (Hyundai, KIA, Renault, Škoda, Genesis), бизнес (Audi, Mercedes, BMW), Джипы и электрокары, фургоны и микроавтобусы. Даже Мустанги 60-х годов.

А что за тарифы
Есть «Фикс», где вы указываете конечную точку, и стоимость поездки фиксируется. Есть «Минуты», цена каждой из которых динамическая и зависит от спроса. Есть «Часы и дни» — это тариф-конструктор, где вы сами выбираете, сколько нужно времени и километров. Ещё есть «Межгород», чтобы ездить, не поверите, между городами.

А в чём технологичность Драйва
Во всём. Доступы к машинам выдают алгоритмы. Радар может сам забронировать машину. Прогреть, охладить или открыть авто можно через приложение. В машинах есть бортовой компьютер Яндекс Авто. Двери открываются и закрываются по блютусу. Даже в регистрации помогает робот.

А где можно ездить
Драйв есть в Москве, Санкт-Петербурге и Сочи. Так что можно ездить по этим городам, по их областям и даже между ними по тарифу «Межгород».

А скидки и промокоды есть
Есть сразу несколько способов экономить или ездить вообще бесплатно. Первый — приводить в Драйв друзей, получать бонусы с их поездок и оплачивать ими свои. Второй — подключить Яндекс Плюс и получать кэшбэк баллами, который потом снова тратить на Драйв, чтобы снова получать кэшбэк, и так бесконечно.

А есть ли машины для бизнеса
Есть. Все наши 16 000 машин (и даже больше под запрос) можно брать для бизнес-задач: для курьеров, менеджеров и мерчендайзеров. Варианта аренды два — подписка на автопарк и корпоративный каршеринг. Детали есть в приложении.

Yandex self driving car

At the beginning of 2018, the start of the second year of our self-driving program, we graduated from closed-track testing to autonomous driving on the public roads of Moscow. Since then, we have made significant progress operating on the public streets of Russia, the United States, and Israel. Here’s a look at our progress in the last year since we made our public debut.

Public Roads & Winter Weather

A year ago, in February 2018, we advanced our self-driving operation from closed test tracks to the public streets of Moscow. The car successfully navigated the snow-covered roads of the city’s Khamovniki district with a safety engineer in the driver’s seat, managing pedestrians and traffic in fully autonomous mode. As we continued operating the vehicles against public driving conditions in Moscow, the world’s second most congested city, we continued to fine-tune our software on features such as smoother stops and changing lanes on busier roads.

Long Distance Drives

In the summer of 2018, we began testing our self-driving car for long-distance highway travel. Most notably, during our testing, our vehicle completed a 780 kilometer (485 miles) trip on a federal highway from Moscow to Kazan. Our self-driving car completed nearly the entire 11-hour ride (99%) in autonomous mode. City traffic tests the car against more challenging conditions, but as we advance to the future of autonomous systems for public transportation and cargo shipping, long-distance travel will be an essential part of the future of self-driving.

Robo-Taxi Programs

In August, we launched Europe’s first autonomous ride-hailing service in the tech hub of Innopolis, Russia. Within a few months, we expanded the service to the Skolkovo district of Moscow. This landmark achievement marked our first step integrating self-driving cars into Yandex’s ride-hailing service and is the first service of its kind in Europe with no one behind the driver’s wheel and a safety engineer in just the passenger seat. The program serves as a critical early step in the proliferation of self-driving technology, as we see the general public embrace the technology for their daily routines. To date, we have provided over 2,300 robo-taxi passenger rides between the two service locations, and the service has continued operating throughout the winter months.

Scalability & International Expansion

At the same time, we continued our expansion outside Russia to Tel Aviv, Israel, where the unique driving challenges there include narrow streets and heavy motorcycle and moped traffic.

The Road Ahead

Since first venturing out to the public streets of Moscow last February, our self-driving program has reached many significant milestones in a short time. We are proud of the team who drove the program to new heights and thankful to the members of the public who have been participating in the journey as well. We look forward to even more achievements in 2019, as we continue in our goal of making autonomous vehicles an everyday part of people’s lives.

To learn more about our work and opportunities to join our self-driving team, read on here.