Дороги

У природы нет плохой погоды, каждая погода благодать. Слова этой лирической песни можно понимать образно, интерпретировав погоду как отношения между людьми. Можно понимать и буквально, что также верно, ибо не было бы снежной и холодной зимы, мы бы не так ценили лето, и наоборот. Но беспилотные автомобили лишены лирических чувств и поэтического мироощущения, для них далеко не вся погода благодать, особенно зимняя. Одной из основных проблем, с которыми сталкиваются разработчики робомобилей, это снижение точности датчиков, указывающих машине куда ей ехать, во время плохих погодных условий. Ученые из Мичиганского технологического университета создали базу данных погодных условий на дорогах глазами беспилотных авто. Эти данные были нужны дабы понять что нужно изменить или улучшить, чтобы зрение робомобилей во время снежной бури было не хуже, чем в ясный летний день. Насколько плохая погода влияет на датчики беспилотных авто, какой метод решения проблемы предлагают ученые, и насколько он эффективен? Ответы на эти вопросы мы найдем в докладе ученых. Поехали.

Основа исследования

Работу беспилотных авто можно сравнить с уравнением, в котором очень много переменных, которые нужно учесть все без исключения для получения верного результата. Пешеходы, другие авто, качество дорожного покрытия (видимость разделительных полос), целостность систем самого беспилотника и т.д. Многие исследования ученых, провокационные заявления политиков, колкие статьи журналистов базируются на связи между беспилотным автомобилем (далее просто авто или автомобиль) и пешеходом. Это вполне логично, ибо человек и его безопасность должны стоять на первом месте, особенно учитывая непредсказуемость его поведения. Морально-этические споры о том, кто будет виноват, если автомобиль собьет пешехода, выскочившего на дорогу, продолжаются до сих пор.

Однако, если убрать из нашего образного уравнения переменную пешеход, то все равно останется много потенциально опасных факторов. Погода является одним из них. Очевидно, что в плохую погоду (ливень или снежная буря) видимость может снизиться настолько, что порой приходится просто остановиться, ибо ехать нереально. Зрение автомобилей, конечно, сложно сравнить со зрением человека, но их датчики страдают от снижения видимости не меньше нас. С другой стороны у машин есть более широкий арсенал этих датчиков: камеры, радары диапазона миллиметровых волн (MMW), система глобального позиционирования (GPS), гиростабилизатор (IMU), система обнаружение и определение дальности с помощью света (LIDAR) и даже ультразвуковые системы. Несмотря на это многообразие органов чувств, автономные машины все еще слепы во время плохой погоды.

Дабы понять, в чем же дело, ученые предлагают рассмотреть аспекты, совокупность которых тем или иным образом влияет на возможное решение этой проблемы: семантическая сегментация, обнаружение проходимого (подходящего) пути и объединение датчиков.

При семантической сегментации вместо обнаружения объекта на изображении каждый пиксель классифицируется индивидуально и присваивается классу, который пиксель представляет лучше всего. Другими словами, семантическая сегментация это классификация на уровне пикселей. Классическая семантическая сегментация сверточная нейронная сеть (CNN от convolutional neural network) состоит из кодирующей и декодирующей сетей.

Кодирующая сеть понижает дискретизацию входных данных и извлекает функции, а декодирующая использует эти функции для восстановления и повышения дискретизации входных данных и, наконец, присваивает каждому пикселю тот или иной класс.

Двумя ключевыми компонентами в декодирующих сетях являются так называемые слой MaxUnpooling и слой свертки Transpose. Слой MaxUnpooling (аналог слоя MaxPooling операция пулинга с функцией максимума) необходим для снижения размерности обрабатываемых данных.


Пример операции MaxPooling.

Существует несколько методов распределения значений (т.е. пуллинга), которые имеют общую цель сохранить местоположения максимальных значений в слое MaxPooling и использовать эти местоположения для размещения максимальных значений обратно в совпадающие местоположения в соответствующем слое MaxUnpooling. Этот подход требует, чтобы сеть кодирования-декодирования была симметричной, в которой каждый уровень MaxPooling в кодере имеет соответствующий уровень MaxUnpooling на стороне декодера.

Другой подход разместить значения в заранее определенном месте (например, в верхнем левом углу) в области, на которую указывает ядро. Именно этот метод и был использован в моделировании, речь о котором пойдет немного позже.

Транспонированный сверточный слой противоположен обычному сверточному слою. Он состоит из движущегося ядра, которое сканирует входные данные и свертывает значения для заполнения выходного изображения. Объемом вывода обоих слоев, MaxUnpooling и транспонированного можно управлять, регулируя размер ядра, отступы и шаг.

Второй аспект, играющий важную роль в решении проблемы плохой погоды, является обнаружение проходимого пути.

Проходимый путь это пространство, в котором машина может безопасно двигаться в физическом смысле, т.е. обнаружение проезжей части. Этот аспект крайне важен для различных ситуаций: парковка, плохая разметка на дороге, плохая видимость и т.д.

По словам ученых, обнаружение проходимого пути может быть реализовано как предварительный шаг к обнаружению полосы движения или какого-либо объекта. Этот процесс вытекает из семантической сегментации, цель которой состоит в том, чтобы сгенерировать попиксельную классификацию после обучения на наборе данных с пиксельной разметкой.

Третий, но не менее важный, аспект это объединение датчиков. Под этим подразумевается буквальное объединение данных от нескольких датчиков для получения более полной картины и уменьшения вероятных погрешностей и неточностей в данных отдельных датчиков. Существует однородное и неоднородное объединение датчиков. Примером первого может быть использование нескольких спутников для уточнения местоположения по GPS. Примером второго является объединение данных камер, LiDAR и Radar для беспилотных авто.

Каждый из вышеперечисленных датчиков по отдельности действительно показывает отличные результаты, но только в нормальных погодных условиях. В более суровых условиях работы их недостатки становятся очевидными.


Таблица преимуществ и недостатков датчиков, используемых в беспилотных авто.

Именно потому, по мнению ученых, объединение этих датчиков в единую систему может помочь в решении проблем, связанных с плохими погодными условиями.

Сбор данных

В данном исследовании, как уже упоминалось ранее, были использованы сверточные нейронные сети и объединение датчиков для решения проблемы обнаружения пути, по которому можно проехать, в неблагоприятных погодных условиях. Предлагаемая модель представляет собой многопотоковую (по одному потоку на датчик) глубокую сверточную нейронную сеть, которая будет понижать дискретизацию карт функций (результат применения одного фильтра к предыдущему слою) каждого потока, объединять данные, а затем повторно повышать дискретизацию карт для выполнения попиксельной классификации.

Для проведения дальнейших работ, включающих расчеты, моделирование и тестирование, необходимо было много данных. Чем больше, тем лучше, говорят сами ученые, и это вполне логично, когда речь идет о работе различных датчиков (камеры, LiDAR и Radar). Среди множества уже существующих наборов данных был выбран DENSE, которые охватывает большую часть необходимых для исследования нюансов.

DENSE также является проектом, нацеленным на решение проблем нахождения пути в суровых погодных условиях. Ученые, работавшие над DENSE, проехали порядка 10000 км по Северной Европе, записывая данные с нескольких камер, нескольких LiDAR, радаров, GPS, IMU, датчиков дорожного трения и тепловизионных камер. Набор полученных данных состоит из 12000 выборок, которые можно разбить на более мелкие подгруппы, описывающие конкретные условия: день+снег, ночь+туман, день+ясно и т.д.

Однако для правильной работы модели необходимо было провести коррекцию данных из DENSE. Исходные изображения камеры в наборе данных имеют размер 1920 х 1024 пикселей, их уменьшили до 480 х 256 для более быстрого обучения и тестирования модели.

Данные LiDAR хранятся в формате массива NumPy, который нужно было преобразовать в изображения, масштабировать (до 480 x 256) и нормализовать.

Данные радара хранятся в файлах JSON, по одному файлу для каждого кадра. Каждый файл содержит словарь обнаруженных объектов и несколько значений для каждого объекта, включая x-координаты, y-координаты, расстояние, скорость и т.д. Такая система координат параллельна плоскости автомобиля. Чтобы преобразовать ее в вертикальную плоскость, нужно учитывать только y-координату.


Изображение 1: проецирование y-координаты на плоскость изображения (слева) и обработанный кадр радара (справа).

Полученные изображения подвергались масштабированию (до 480 x 256) и нормализации.

Разработка CNN модели

Изображение 2: архитектура разработанной CNN модели.

Сеть была спроектирована так, чтобы быть как можно более компактной, так как глубокие сети кодирования-декодирования требуют немало вычислительных ресурсов. По этой причине сеть декодирования не была спроектирована с таким количеством уровней, как сеть кодирования. Сеть кодирования состоит из трех потоков: камера, LiDAR и радар.

Поскольку изображения с камеры содержат больше информации, поток камеры сделан глубже, чем два других. Он состоит из четырех блоков, каждый из которых состоит из двух сверточных слоев слоя пакетной нормализации и слоя ReLU, за которым следует слой MaxPooling.

Данные LiDAR не столь массивны, как данные от камер, потому его поток состоит из трех блоков. Точно так же поток Radar меньше, чем поток LiDAR, потому состоит всего из двух блоков.

Выходные данные от всех потоков изменяются и объединяются в одномерный вектор, который подключен к сети из трех скрытых слоев с ReLU активацией. Затем данные преобразуются в двумерный массив, который передается в сеть декодирования, состоящую из четырех последовательных этапов MaxUnpooling и транспонированной свертки для повышения дискретизации данных до размера ввода (480x256).

Результаты обучения/тестирования CNN модели

Обучение и тестирование проводились на Google Colab с использованием GPU. Подмножество данных, размеченных вручную, состояло из 1000 выборок данных камеры, LiDAR и радара 800 для обучения и 200 для тестирования.


Изображение 3: потери в обучающих выборках во время фазы обучения.

Выходные данные модели были подвергнуты постобработке с расширением и эрозией изображения с различными размерами ядер, чтобы уменьшить количество шума в выходных данных классификации пикселей.


Изображение 4: точность в тестовых выборках во время фазы тестирования.

Ученые отмечают, что самым простым показателем точности системы является пиксельная, т.е. отношение правильно определенных пикселей и неправильно определенных пикселей к размеру изображения. Пиксельная точность рассчитывалась для каждой выборки в наборе тестирования, среднее из этих значений и представляет общую точность модели.

Однако этот показатель не является идеальным. В некоторых случаях определенный класс недостаточно представлен в выборке, от чего точность пикселей будет значительно выше (чем на самом деле) из-за того, что не хватает пикселей для тестирования модели для определенного класса. Посему было решено дополнительно использовать MIoU среднее отношение области пересечения к области объединения.


Визуально представление IoU.

Подобно точности пикселей, точность по IoU вычисляется для каждого кадра, а конечный показатель точности это среднее от этих значений. Однако MIoU рассчитывается для каждого класса отдельно.


Таблица значений точности.


Изображение 5

На изображении выше показаны четыре выбранных кадра движения по снегу с камеры, LiDAR, радара, наземных данных и выходных данных модели. Из этих изображений очевидно, что модель может очертить общую окружность области, в которой транспортное средство может безопасно двигаться. Модель при этом игнорирует какие-либо линии и края, которые в противном случае можно было бы интерпретировать как края проезжей части. Модель также показывает хорошие результаты в условиях пониженной видимость (например, во время тумана).

Также модель, хоть это и не было основной целью данного конкретного исследования, избегает пешеходов, другие машины и животных. Однако этот конкретный аспект необходимо усовершенствовать. Тем не менее, учитывая, что система состоит из меньшего числа слоев, она обучается гораздо быстрее, чем ее предшественники.

Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых и дополнительные данные к нему.

Эпилог

Отношение к беспилотным автомобилям неоднозначное. С одной стороны, робомобиль нивелирует такие риски, как человеческий фактор: нетрезвый водитель, лихачество, безответственное отношение к ПДД, малый опыт вождения и т.д. Другими словами, робот не ведет себя как человек. Это хорошо, так ведь? И да, и нет. Во многом автономные транспортные средства превосходят водителей из плоти и крови, но далеко не во всем. Плохая погода тому яркий пример. Человеку, конечно, непросто ехать во время снежной бури, но для беспилотных авто это было практически нереально.

В данном труде ученые обратили внимание на эту проблему, предложив сделать машины немного человечнее. Дело в том, что у человека тоже есть датчики, которые работают командно для того, чтобы он получал максимум информации об окружающей среде. Если датчики беспилотного авто также будут работать как единая система, а не как отдельные ее элементы, можно будет получить больше данных, т.е. повысить точность нахождения проходимого пути.

Конечно, плохая погода это собирательный термин. Для кого-то легкий снегопад это плохая погода, а для кого-то буря с градом. Дальнейшие исследования и тестирования разработанной системы должны научить ее распознавать дорогу в любых погодных условиях.

Благодарю за внимание, оставайтесь любопытствующими и хорошей всем рабочей недели, ребята. :)

Немного рекламы

Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).

Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?

В последние 70 лет проектировщики транспортной системы в Америке использовали одну и ту же модель, решая, что лучше построить. Проблема в том, что она часто ошибается.

В ноябре 2011 года проектная организация мостов Луисвилля и Южной Индианы через реку Огайо опубликовала документ на 595 страниц, который должен был поставить финальную точку в споре по поводу шоссе, длившемся несколько десятилетий. Проект, мягко говоря, оказался противоречивым.

В то время, как множество городов по всем США пытались понять, нужны ли им городские шоссе в деловых районах, Луисвилл принялся за их строительство с удвоенной силой. Он не только хотел оставить печально известную спагетти-развязку им. Кеннеди, где узлом завязываются шоссе 64, 65 и 71 он хотел её надстроить. Политический альянс, продвигающий этот проект, пытался расширить шоссе I-64, чтобы удвоить количество полос, а также построить новый мост недалеко оттуда, вниз по течению. Это удвоило бы количество полос пересекающих реку, с 6 до 12, всего за $2,5 млрд.


Спагетти-развязка в Луисвилле

Но чтобы получить разрешение на использование федерального бюджета на это недешёвое предложение, сторонникам проекта нужно было предоставить свидетельства того, что Луисвиллю требуется это расширение. Они воспользовались юридически дозволенной в индустрии практикой под названием моделирование запросов на перемещения (Travel Demand Modeling, TDM), и наняли инженерную фирму, которая должна была предсказать, как будет выглядеть тамошний трафик через 20 лет то есть, к 2030 году. Фирма пришла к выводу, что количество поездок увеличится на 29%. Последствия были очевидны: если ничего не делать, пробки только усилятся. В итоге проект получил финансирование и был запущен.

Но в двух последовавших исследованиях, финансируемых тем же самым проектом, были сделаны совсем другие выводы.

Через два года инженерная фирма CDM Smith изучила, насколько на самом деле изменилось движение по дорогам, пока проект пытался получить одобрение. Обнаружилось, что с 2010 по 2013 года трафик через реку упал на 0,9%.

Другое исследование, по заказу потенциальных акционеров, вызвало больше вопросов, чем ответов. В заключении было указано, что к 2030 году количество поездок через реку составит 132 000, на 15% меньше, чем предсказывалось в SDEIS [проектный документ, оценивающий влияние строительства на окружающую среду / прим. перев.]. Что ещё хуже, по 12 полосам, которые в сумме будут пересекать реку, в день проедут на 4000 меньше машин, чем по одному только мосту I-65 в 2007 году. Это опровергало аргументацию о том, что Луисвиллю необходимы эти новые мосты.

Аарон Ренн, исследователь в области стратегии развития городов, часто критиковавший проект мостов через реку Огайо, подробно документировал всю эту возню. Каким бы безумным не казался этот проект, писал он в 2013 году, когда вышло исследование для потенциальных акционеров, ему всё время удаётся найти способы продемонстрировать, что он ещё безумнее, чем я думал.

Сегодня проект закончен, и жители Луисвилля сами могут увидеть, какое из предсказаний оказалось более точным. В 2018 году в исследовании, проведённом по окончанию строительство, было показано, что с 2013 по 2018 года количество переездов через реку упало на 2%. В итоге Vox и другие назвали проект пустой забавой эпических масштабов.

Проект шоссе в Луисвилле это далеко не первый раз, когда модели запросов на перемещения сильно промахиваются. Несмотря на то, что закон обязывает использовать их при защите любого инфраструктурного проекта, претендующего на федеральный бюджет, один из самых грязных секретов урбанистов заключается в том, что эти модели, в лучшем случае, можно назвать подверженными ошибкам, а в худшем фундаментально неверными.

Недавно я спросил Ренна, насколько эти изначальные красивые предсказания о росте трафика на двузначные проценты реально повлияли на то, что проект был действительно реализован.

Думаю, что повлияли очень сильно, сказал Ренн. Не думаю, что они получили бы разрешение на реализацию проекта без всех этих предсказаний о трафике, утверждавших, что он значительно увеличится. Если увеличения трафика не будет, как оправдать строительство двух мостов?

TDM бывают разные. Они могут полностью покрывать территории больших городов, простираться за границы штатов, или относиться к небольшому отрезку пригородного шоссе. Со временем они становятся всё сложнее. Однако все они основаны на т.н. четырёхэтапном процессе грубом приближении процесса принятия решений людьми, желающими переместиться из точки А в точку Б. В итоге модель выдаёт числа, оценивающие количество поездок, которые люди совершат по определённым маршрутам.

Чтобы выдать это число, модель проходит через четыре этапа. Сначала она составляет алгоритмическую карту на основе ожидаемых закономерностей использования площадей (к примеру, количество поездок в места, где есть коммерческие организации, будет больше, чем в места, где стоят жилые дома) и социально-экономических факторов (к примеру, чем меньше безработица, тем больше будет поездок). Затем модель оценивает, откуда и куда поедет большинство людей. Третий шаг догадаться, как они туда поедут, а четвёртый построить их маршруты на основе времени поездки. В итоге получается число поездок, которые будут совершены на заданной территории, и время на преодоление заданного расстояния. Потом инженеры и планировщики добавляют в модель новое шоссе, дорогу, мост или другую часть дорожной инфраструктуры, и смотрят, что это меняет. Или они меняют числа на первом шаге, чтобы учесть ожидаемую популяцию или рост занятости в будущем. Часто эти цифры затем используются людьми, определяющими политику, для оправдания конкретных проектов будь то расширение шоссе или новая узкоколейка.

Хотя причин того, почему упомянутый проект мостов через Огайо потерпел фиаско, довольно много, одна из них, на которую мало кто обратил внимание это роль TDM в приукрашивании $2,5 миллиардного проекта. Одна из возможных причин этого состоит в том, что специалисты в этой области ничего другого и не ожидали.



Конечно, не все специалисты в этой области так считают. Инженеры-строители с большой вероятностью будут защищать эти модели, говоря, что это полезный инструмент, который иногда не совсем верно применяют. Профессор инженерного строительства в Кентуккийском университете Грег Эрхардт, большую часть двух десятилетий работающий с этими моделями, сказал, что они, в лучшем случае, послужат препятствием на пути выдачи желаемого за действительное. Однако другие эксперты, с которыми я общался, особенно специалисты по урбанистике, считают, что эти модели поддерживают устоявшиеся мифы о том, что увеличение количества шоссе и расширение дорог уменьшит их загруженность.

В любом случае, все соглашаются с тем, что самый большой вопрос не в том, могут ли модели выдать результаты получше, но в том, почему мы вообще на них так сильно полагаемся. В центре обсуждения находятся не дебаты по поводу TDM или моделей вообще, а процесс того, как мы решаем, как должны выглядеть наши города.

Критики говорят, что TDM это яркий пример устаревшего процесса планирования, оптимизирующего поток машин и продвигающий строительство шоссе. Они говорят, что давно пора уже изменить представления о том, для чего мы что-то строим.

Это фундаментальная проблема моделирования поездок и метода его использования, сказала Бет Осборн, директор некоммерческой организации Перевозки для Америки. Мы думаем, что модель даёт нам готовый ответ. Это безответственно. Ничто не может дать нам ответ. Ответ нам даём только мы сами.

В 1953 году шоссейные агентства Детройта запустили первое исследование при помощи TDM, чтобы разработать долгосрочный план разработки шоссе. Академическая история TDM говорит, что идея была обезоруживающе простой. Чтобы запустить такой массивный общественный проект, как система шоссе, планировщикам нужно было примерно представлять, куда люди будут ездить в будущем. Они сообразили, что нет смысла тратить несколько десятилетий на строительство шоссе, только чтобы выяснить, что они слишком большие, или слишком маленькие, или ведут не туда.

В рамках исследования трафика в городском округе Детройта, как назвали эту работу, было проведено 39 000 интервью с местными жителями и 7200 интервью с водителями грузовиков и таксистами (что характерно для того времени, общественный транспорт вообще не учитывали). Используя компьютер IBM 407, работающий с перфокартами, для частичной автоматизации процесса, исследователи провели экстраполяцию недавних тенденций, и предсказали будущие схемы путешествий, чтобы создать сеть быстрых дорог, которые пригодятся Детройту не только в 1955 году, когда было опубликовано исследование, но и в 1980-м.

Это был инновационный подход к планированию перевозок, и он, учитывая технологии и мышление того времени, был невероятно передовым. Другие города, включая Чикаго, Сан-Хуан и Вашингтон, О.К., вскоре тоже его приняли. Не прошло много времени, как этот подход начали экспортировать и в другие страны, и он стал распространённым инструментом для планирования перевозок во всём мире.

Оглядываясь назад, видно, что у этой концепции было несколько очевидных недостатков. Для начала, базовый подход модели предполагал, что то, что происходило в последнее время, будет происходить и дальше. Если население Детройта росло, оно и дальше будет расти. Если стоимость топлива падает, оно и дальше будет падать. Но мир так не работает. За несколько десятилетий может многое измениться.

Возьмём, к примеру, закономерности роста населения и использования земли, входные данные первого шага четырёхэтапной модели. Это две самых важных переменных в любой TDM, поскольку чем больше людей живёт в данной области, тем больше поездок они совершат, а то, где они живут и где работают, будет определять маршруты поездок. И оба этих фактора в Детройте радикально поменялись. В 1950-х Детройт испытывал внезапный и беспрецедентный рост. В 1950-м, на пике населения, его численность достигала 1,8 млн человек, как утверждает историк Томас Сегрю в книге "Истоки городского кризиса: расы и неравенство в послевоенном Детройте". К 1970 из города уехала почти пятая часть жителей, в частности, из-за бегства белых людей в пригороды. Многие предприятия тоже перенесли свои штаб-квартиры или производства за пределы города, что кардинально изменило схемы передвижения. Планировщику из 1955 года вряд ли удалось бы предсказать что-то подобное.

Критики типичного подхода к моделированию отмечают и менее очевидную проблему модель не совпадает с реальным поведением людей. Допустим, вы живёте в Пасадене, а ваш друг из Калвер-сити приглашает вас на ужин в шесть вечера в рабочий день. Поедете ли вы туда? Или вы скажете, что он с ума сошёл, если считает, что вы поедете через весь Лос-Анджелес по пробкам? Скорее всего, последнее или же такого приглашения изначально бы не было, исходя из банальных приличий и поездка не состоялась бы.

Но предсказания трафика так не работают. В моделях любая сегодняшняя поездка будет бесконечно повторяться в будущем, вне зависимости от того, насколько ухудшится дорожная ситуация.

Эксперты называют это фиксированным спросом на поездки, что, по сути, оксюморон поскольку спрос на поездки не фиксирован почти по определению. Мы всегда решаем, стоит нам ехать, или нет, перед тем, как поехать. И один из главных факторов в принятии этого решения сколько эта поездка займёт времени. TDM работает, исходя из противоположных предположений если люди захотят куда-то поехать, они поедут. И потом уже подсчитают, сколько времени у них на это ушло.

Поэтому некоторые урбанисты иронически называют такой подход лемминговой теорией спроса, сказал Джо Кортрайт, урбанист-экономист, работающий в консалтинговом агентстве Impresa и занимающийся сайтом City Observatory. Она предполагает, что люди будут продолжать выползать на шоссе вне зависимости от пробок.

Проблема не столько в неправильных измерениях, сколько в неправильном основном предположении, сказал профессор Коннектикутского университета Норман Гэррик. Вы не думаете о том, как люди ведут себя, как используют систему. Вы просто говорите вот так это было в прошлом, и вот так будет в будущем, хотя при этом вводите такое большое изменение в систему.

Обратная сторона проблемы фиксированного спроса на поездки столь же вредна. Допустим, в Лос-Анджелесе каким-то образом удвоили количество полос на шоссе 110 и 10, соединяющих Пасадену и Калвер-Сити. Теперь поездка на ужин к другу уже не кажется такой плохой идеей. Вот только так же подумают десятки тысяч других людей. Они тоже начнут совершать поездки, которых раньше не совершали. В долгосрочной перспективе они могут переехать подальше, туда, где дома дешевле, поскольку скорость в поездках на работу будет выше, что означает, что они будут сидеть за рулём дольше. В итоге все эти новые полосы заполнятся, и трафик станет таким же плохим.

Это явление называется вынужденным спросом, и это не просто мысленный эксперимент. Ровно это и произошло практически в каждом случае, когда города строили новые шоссе или расширяли старые.

Недавний опыт с автострадами в крупных городах США говорит о том, что пробки будут вечными, писал экономист Энтони Даунс в своей работе 1962 года "Закон пробок на автостраде в час пик". Как видно, вне зависимости от того, сколько новых сверхдорог, соединяющих пригороды с деловым районом, мы построим, ездящие на машинах люди всё равно будут медленно ползти во время утреннего и вечернего часа пик.

Эксперты уже много поколений знают про вынужденный спрос, но мы всё равно продолжаем добавлять новые автострады, подобно Сизифу безуспешно пытаясь выйти из ситуации с пробками в час пик. Чтобы как следует осознать абсурдность попыток решить эту задачу, достаточно взглянуть на проект автострады в Кэйти, Техас, обошедшийся в $2,8 млрд. Он должен был уменьшить время на проезд на работу и с работы по 23-полосному шоссе, самому широкому в мире. Предсказуемо, пробки там лишь усилились, а время в пути увеличилось.



В работе 2011 года "Фундаментальный закон дорожных заторов" сделан вывод, что увеличение количества дорог или общественного транспорта вряд ли ослабит заторы, поскольку как только добавляются новые полосы дороги, пропорционально увеличиваются и расстояния поездок. Чем больше шоссе и дорог мы строим, тем больше ездим. Обратное тоже верно: в редких случаях, когда шоссе временно закрываются, как это было с Аляскинским виадуком в Сиэтле, трафик не сильно ухудшается. А TDM это полностью игнорируют.

Хорошо известно, что четырёхэтапная парадигма, разработанная 50-60 лет назад, представляет собой просто удобную формулу для вычислений, и не учитывает поведенческие факторы, писал планировщик и консультант перевозок Дэвид Т. Хартген в 2013, и не отражает процесс принятия решений путешественником.

Доказательство можно найти на шоссе. В своём знаковом исследовании прогнозов трафика в 14 странах и на пяти континентах от 2007 года, профессор Бент Фливбьорг из Оксфордского университета обнаружил, что половина прогнозов о будущем трафике ошибается более, чем на 20% и это происходит повсеместно. В исследовании от 2006 года, проведённом в рамках Национальной совместной программы шоссейных исследований, было обнаружено, что в 15 проектах строительства платных дорог реальный трафик в среднем оказался на 35% ниже предсказанного. В ещё одном исследовании было обнаружено, что эта ошибка в среднем составляет 42%.

Думаю, что в целом наличие проблем с точностью общепризнано, сказал Фред Джонс, главный менеджер проектов в компании-планировщике Michael Baker International. Иногда на порядок, от 30% до 50%.

Что ещё хуже, никто на этих ошибках не учится. Неточность не менялась за 30 лет, изученных в этом исследовании, писал Фливбьорг. Прогнозы со временем не улучшаются.

Непонятно даже, считают ли градостроители или фирмы, использующие эти модели, что такая неточность это плохо. Они утверждают, что их просят совершить невозможное и предсказать будущее естественно, что там будут неточности. Это как строить маршрут на картах Google. Если мы говорим о 20-минутной поездке, карты смогут с неплохой точностью предсказать её длительность. Если это поездка часов на 8, то оценка длительности будет просто догадкой, поскольку даже Google не умеет предсказывать будущее, и узнать, будет ли авария на I-95 на выезде из О.К., когда вы доберётесь туда через пять часов. Выполненное по государственным стандартам предсказание на 20 лет вперёд, как говорит профессор Чаньюнг Ли из Южно-Флоридского университета, примерно из той же серии.

В итоге градостроители со своими моделями преуменьшают важность точных чисел и рассуждают об изменении тенденций во времени более широко. Они говорят, что в идеале разработчики политик должны прогонять модель с различными предсказаниями по количеству населения, использованию земли, и занятости, чтобы получать диапазон ожиданий. И затем они должны оценить, для какого из диапазонов этих ожиданий проект подходит.

Проблема в том, что когда результаты публикуются, все эти нюансы теряются, и итоги воспринимаются разработчиками политик, как факт. Как сказал Кортрайт, модели это, по сути, инструменты для продажи того, что хотят делать дорожные департаменты.

Но со всеми этими проблемами, модели всё же умнеют. Особенно в последние лет десять всё больше штатов работают с динамическими моделями путешествий, гораздо лучше отражающими поведение людей. Они лучше принимают во внимание альтернативные методы передвижения велосипеды, походы пешком, общественный транспорт. В отличие от предыдущих версий, они способны моделировать, как расширение одной части дороги может привести к появлению узких мест на других отрезках.

И всё-таки эксперты предупреждают, что если мы не поменяем весь процесс принятия решений, на котором базируются эти проекты, улучшенной моделью мы ничего не добьёмся. Обычно эти модели даже не прогоняют, и результаты не публикуют, до тех пор, пока транспортный департамент штата не выберет наиболее подходящий проект.

Побеседовав с 10 экспертами в этой области, мне стало ясно одно: имеющиеся препятствия не технологические, а социальные и политические. Ведь проект мостов в Луисвилле точно смоделировал запрос на передвижение для акционеров. Предсказать-то это можно. Вопрос не в том, почему модели ошибаются, а в том, почему правильные модели ни на что не влияют.

Когда я спросил Ренна, пристально наблюдавшего за проектом в Луисвилле, как можно лучше спроектировать строительство большого транспортного проекта, он сказал, что не уверен. Есть идея, что мы должны избавиться от политики в этом процессе, свести политические решения к объективным критериям. Думаю, что многие из наших споров идут из-за соперничества систем ценности в наших представлениях о том, что будет хорошо для людей.

Тут опять проект из Луисвилля служит хорошим примером. Составлявшие SDEIS инженеры оценили, что к 2030 году население города с пригородом вырастет на 15%. Предсказание выглядит надёжным Ренн сказал, что с 2007 по 2020 население в этих округах выросло на 7,85%. Однако в SDEIS предсказано, что практически всё это увеличение придётся на пригороды и окраины города. Из-за этого предположения, и предсказанного роста занятости на 42%, в SDEIS указано 52% увеличение времени поездок и 161% увеличение времени, потерянного в пробках в текущей инфраструктуре. Эти оценки стали критическими для принятия проекта строительства двух мостов.

Однако эти тенденции не являются неизменными законами человеческого существования. Это классическое самоисполняющееся пророчество, замаскированное под техническую объективность, сказал Кортрайт. Прогнозы роста населения подразумевают бесконечную децентрализацию домашних хозяйств и коммерческих предприятий.

По этим причинам критики TDM говорят, что точность прогнозов а точнее, её отсутствие практически не важна, поскольку любой реализованный проект, меняющий инфраструктуру, меняет и поведение людей. Вопрос не в том, точны ли предсказания моделей касательно поведения людей, а в том, какого поведения людей нам хотелось бы добиться.

Мне, в общем, всё равно, точной была модель шоссе или нет, сказал Кевин Дегуд, директор инфраструктурной политики из Центра американского прогресса, часто критикующий подобные модели при планировании шоссе, поскольку даже если она была точной, проект всё равно может провалиться.

Поэтому он считает, что нам нужно пересмотреть наши цели на этапе планирования, уйти от предполагаемой скорости транспорта, трафика и пробок, к другим вопросам, касающимся качества жизни. К примеру: какой процент домохозяйств находится в четверти мили от высококачественного общественного транспорта? Какой процент способен ездить на работу без личного транспорта, или живёт рядом с городским парком?

Транспортные проекты обращаются к самым основам общественных ценностей. Хотим ли мы, чтобы пригороды разрезали переплетённые шоссейные развязки, чтобы людям легче было добираться из пригорода в деловую часть города? Или мы хотим районы города, предназначенные для пешеходов, с более чистым воздухом, тихими улицами, близостью к рабочим местам и коммерческим предприятиям так, чтобы людям не обязательно было покупать машину, если им этого не хочется?

В зависимости от ответов на эти вопросы штаты будут тратить деньги на инфраструктуру совершенно по-разному. В первом случае у нас будет гораздо больше проектов, подобных Луисвиллскому. Во втором внимание переместится с дорог на общественный транспорт и изменение законов о плотности застройки.

Слова Ренна подтверждает тот факт, что в большинстве городов Америки мнение жителей по этим вопросам разделено. Возможно, самая большая польза от этой модели состоит в том, что она прячет эти дебаты за покровом научной определённости. За чёткими, конкретными цифрами. С точки зрения жителя эти цифры появляются из чёрного ящика, сказал он. Вы не имеете понятия о том, как эти цифры получаются, поэтому их и критиковать нельзя.

Иначе говоря, модель затыкает рот людям. Она, возможно, и не правдивая, зато в мире транспортной политики нет качества более ценного.