தானோட்டிக் கார்கள் – தொழில்நுட்ப அறிமுகம் – குழந்தைக்கு சொல்லிக் கொடுப்பது போல் கம்ப்யூட்டருக்கு சொல்லித் தருவது எப்படி? -பகுதி 8

சமீபத்தில், மும்பையைச் சேர்ந்த நண்பர் ஒருவர் வந்திருந்தார். ஒரு 60 ஆண்டுகளாக மும்பையில் வசிக்கும் தமிழர் அவர்.

காரில் பயணம் செய்யும் பொழுது, இளையராஜாவின் பாடல்களில் அவருக்கு ஒரே குழப்பம். எந்தப் பாடலை எஸ்.பி.பி. பாடுகிறார், எந்தப் பாடலை யேசுதாஸ் பாடுகிறார் என்று எவ்வளவு முறை தெளிவுபடுத்தினாலும், அவருக்குச் சரிவரப் பிடிபடவேயில்லை. பத்து நாட்களுக்குப் பின் இந்தியா சென்று விட்டார்.

அவருக்குப் பழைய இந்திப் பாடல்கள் மிகவும் பிடிக்கும், மன்னாடே, ஹேமந்த் குமார் பாடல்களை யூடியூபில் கேட்ட வண்ணம் இருப்பார். எனக்கு, எந்தப் பாடல் மன்னாடே பாடியது, எது ஹேமந்த் பாடியது என்று அந்தப் பத்து நாட்களும் குழப்பம்.

இருவருக்கும் இசை மீது ஈர்ப்பு இருந்தும், ஒருவருக்குச் சட்டென்றுத் தெரிந்த குரல்கள், இன்னொருவருக்குப் பிடிபடவில்லை. ஏன்?

இருவருக்கும் இசையார்வம் இருந்தும், ஏன் பாடல் குரல்களைக் கண்டுபிடிப்பதில் இத்தனைத் தடுமாற்றம்?  இத்தனைக்கும், இருவரும் ஒன்றும் நேற்று பிறந்த குழந்தைகள் அல்ல.

எனக்கு, கேட்கும் மொழி இந்தி என்றும், அவருக்கு நான் இசைக்கும் பாடல்கள் தமிழ்ப் பாடல்கள் என்றும் தெரியும். ஆனாலும், இருவருக்கும் மொழி, இந்தச் செயலுக்கு உதவவில்லை.

ஒன்று மட்டும் நிச்சயம், அவரது மூளையும், என்னுடைய மூளையும் வெவ்வேறு முறையில் செயல்படுகிறது. இதை வேறு விதமாகவும் சொல்லலாம். அவருடைய மூளையும், என்னுடைய மூளையும், வெவ்வேறு முறைகளில், பயிற்சி அளிக்கப்பட்டுள்ளன.

~oOo~

செயற்கை நுண்ணறிவு (artificial intelligence) என்பது, கணினிகள் கண்டுபிடிக்கப்பட்டதிலிருந்து ஒரு மதம் போன்ற விஷயமாக இருந்தது. வேகமாகச் செயல்படும் கணினி, மனித மூளையை ஒரு நாள் தூக்கிச் சாப்பிட்டுவிடும் என்று 1950 மற்றும் 60 –களில் நிறைய எழுத்தாளர்கள் பூச்சாண்டி காட்டி வந்தார்கள். மனித மூளையைத் தோற்கடிப்பது ஒன்றே கணினிகளின் லட்சியம் என்று ஒரு கணினி மதவாத கோஷ்டி இயங்கி வந்தது.

இந்தக் காலக் கட்டத்தில், சதுரங்க விளையாட்டில், மனிதர்களை விடக் கணினிகள் எப்படி சிறப்பாக ஆடுகின்றன என்று காட்டுவதே செயற்கை நுண்ணறிவுத் துறையின் குறிக்கோளாக இருந்தது. அதாவது, லாஜிக் விஷயத்தில், கணினிகள் மனிதர்களை, வெகு எளிதில் வெற்றி பெற்று விடும் எந்திரங்கள். அந்தக் காலத்தில், இது வெறும் பலகலைக்கழகப் பொழுது போக்கு விஷயம்; மற்றபடி வேலைக்கு ஆகாது என்று முடிவெடுத்துச் சமுதாயத்தால் ஒதுக்கப்பட்டது.

1957 –ல் கார்னெல் பல்கலைக்கழகத்தில், Perceptron என்ற ஓர் மென்பொருள்

நெறிமுறை (algorithm) ஒரு ஐபிஎம் கணினியில், ஃப்ரான்க் ரோஸன்ப்ளாட் (Frank Rosenblatt) என்பவரால் உருவாக்கப்பட்டது. படங்களில் உள்ள பொருட்களை அடையாளம் காட்டும் என்று சொல்லப்பட்டாலும், இந்த நெறிமுறை அதிக வெற்றி பெறவில்லை. இதன் பிறகு வந்த பல முயற்சிகள் எப்படியாவது லாஜிக் மூலம் செயற்கை நுண்ணறிவுத் துறையை முன்னேற்றிவிடலாம் என்று பல விஞ்ஞானிகள் முயன்றும் அதிக வெற்றி கிடைக்கவில்லை.

1980 –களில், சற்று மாறுபட்ட சிந்தனையால்,  செயற்கை நுண்ணறிவுத் துறையைமீண்டும் ஒரு புத்துயிரூட்டத் தொடங்கியது. இந்தக் காலக் கட்டத்தில், மனித மூளையின் நரம்பணுவைப் போல, விஞ்ஞானிகள் ஒரு செயற்கை நரம்பணு வலையமைப்பை (artificial neural network) மென்பொருள் மூலம் உருவாக்கத் தொடங்கினர். ரோஸன்ப்ளாட் உருவாக்கிய பெர்செப்ட்ரான் 1980 –களில், ஆராய்ச்சியாளர்களுக்கு, ஒரு தூண்டுதலாக அமைந்தது. இவ்வகைச் செயற்கை நரம்பணு வலையமைப்புகள் ஆரம்பத்தில் நிறைய நம்பிக்கை அளித்தது. சிக்கலான முடிவெடுக்கும் விஷயங்களில் பயன்படத் தொடங்கியது. இங்கு ஒன்றைக் குறிப்பிட வேண்டும் – செயற்கை நரம்பணு வலையமைப்புகள் 1943 –ல் முதலில் முன்வைக்கப்பட்டது.

சில விஞ்ஞானிகள் நுண்ணறிவின் எல்லா ரகசியங்களையும் இவ்வகை வலையமைப்புகள் உடைத்து விடும் என்று நம்பிக்கைத் தெரிவித்தார்கள். ஓரளவிற்கு மேல், இந்தப் பயணம் முன்னே செல்லவில்லை. பல பிரச்னைகளில், அதுவும் படங்களை அடையாளும் காட்டும் பிரச்னைகளில் இதன் வெற்றிப் பெரிதாக இல்லை.

இன்னொரு முறை, சற்று நம்பிக்கை அளித்துவிட்டு, செயற்கை நுண்ணறிவுத் துறை முடங்கிவிட்டது. சில விஞ்ஞானிகள் மட்டும் இந்த முயற்சியில் புதிய அணுகுமுறைகள் பயனளிக்கலாம் என்று தொடர்ந்து உழைத்து வந்தனர். சொல்வனத்தில், ‘தகவல் விஞ்ஞானம்’ என்ற கட்டுரைத் தொடரில், எந்திரக் கற்றலியல் (machine learning) எவ்வாறு தகவல் விஞ்ஞானத்திற்கு உதவும் என்று மேல்வாரியாக எழுதியிருந்தேன். எந்திரக் கற்றலியல், செயற்கை நுண்ணறிவுத் துறையின் ஒரு பகுதி.

ஆரம்பத்தில் எந்திரக் கற்றலியல் என்பது ரோபோக்களை நுண்ணறிவுடன் செயல்பட வைக்கும் துறையாக இருந்தது. ரோபோக்களின் தேவை, பார்ப்பதை எல்லாம் அடையாளம் காண வேண்டும் என்பதல்ல. தூரம், அகலம், மற்றும் ஆழம் சார்ந்த விஷயங்களைத் துல்லியமாக ஒரு குறுகியச் சூழலில் கணக்கிட முடிந்தால் போதும். பெரும்பாலும் தயாரிப்பு ரோபோக்கள் (manufacturing robots) , தொழிற்சாலையில், ஒரு வேலையை மட்டுமே செய்கிறது. ஒரு மனிதனைப் போல, பல்வேறு வேலைகளைச் செய்வதில்லை.

செயற்கை நரம்பணு வலையமைப்புக்கள் வளர்ந்து வந்தாலும், இவற்றின் திறன்கள் அதிகம் வளராதது, விஞ்ஞானிகளுக்குச் சற்று வியப்பளித்தது. இதற்குப் பல காரணங்கள் உண்டு.

முதலில், நாம் எப்படிக் கற்கிறோம்?

பெரும்பாலும் நாம் கற்பது, கண்களை வைத்துத் தான். சின்னக் குழந்தைகள் இந்த உலகை அறிவது/கற்பது ஓர் இயற்கை அதிசயம். பள்ளியில் சிவப்பு ஆப்பிள் என்று ஒரு படத்தைக் காட்டி விளக்குகிறோம். மரம் என்று இன்னொறுப் படத்தைக் காட்டுகிறோம். சில முயற்சிகளில் தடுமாறினாலும், முதலில் இந்தக் குழந்தை, தக்காளிக்கும் ஆப்பிளுக்கும் உள்ள வித்தியாசத்தைக் கற்கிறது. இந்தக் குழந்தையைப் பச்சை ஆப்பிள் வளரும் ஒரு மரத்தைக் காட்டினால், அது ஆப்பிள் மரம் என்று எப்படிக் கூறுகிறது? குழந்தைக்கு நாம் கற்பித்ததோ சிவப்பு ஆப்பிள். மரம் கூட ஏதோ ஒரு ஆல மரப் படமாயிருக்கலாம்.

நாம் காட்டிய ஆப்பிள் நிறம் மட்டுமல்லாமல், அந்தக் குழந்தையின் மூளையில் உள்ள இயற்கை நரம்பணு வலையமைப்பில் ஆப்பிளின் வளைவுகள், அதன் உருவம் பற்றிய விவரம் பதிவாகி விடுகிறது. நம் மூளையில் பல நூறு கோடி நரம்பணுக்கள் பல வலையமைப்புகளில் இருக்கின்றன. கண்ணுக்குள் பாயும் ஒளியை, இந்த வலையமைப்புகளில் பதிவு செய்யப்படுகிறது. இந்தக் குழந்தை, ஆப்பிளைத் தவிர எந்தப் பழத்தையும் காண்பிக்கப்படவில்லை என்று வைத்துக் கொள்வோம். வாழைப் பழத்தைக் காட்டினால், அது என்னவென்று அதற்குத் தெரியாது. ஆனால், சற்று வேறுபட்ட உருவம் மற்றும் நிறம் முக்கியமல்ல. தான் பார்த்த ஆப்பிள் படத்திற்குச் சற்று முன்னும் பின்னும் இருந்தாலும், குழந்தையால் அடையாளம் காட்ட முடிகிறது.  எப்படி நிகழ்கிறது இந்த விஷயம்?

  • பச்சை ஆப்பிளைப் பார்த்தவுடன், குழந்தையின் கண்கள் மூலமாக, இந்தக் காட்சி, மூளையின் இயற்கை நரம்பணு வலையமைப்பை அடைகிறது.
  • இந்தப் பல அடுக்கு (அடுக்குகள் மிகவும் முக்கியம்) வலையமைப்பில் ஏதோ சில நரம்பணுக்கள் இயங்கத் தொடங்குகின்றன. நரம்பணுக்கள், பல பக்கத்தில் உள்ள நரம்பணுக்களுடன் இணைக்கப்பட்டிருக்கும். அருகே உள்ள நரம்பணுவின் இயக்கம் மற்ற தொடர்புடைய நரம்பணுக்களை இயக்கலாம்; இயக்காமலும் போகலாம்.
  • இந்த விஷயத்தில் தான் நம்முடைய நினைவு, கற்றல், கேள்வி எல்லாமே இயங்குகிறது. இதை ஒரு நரம்பணுவின் synaptic strength  என்று சொல்லப்படுகிறது. இந்த முறையில்தான் நாம் அனைவரும் உலகில் பல விஷயங்களைக் கற்கிறோம்.

இயற்கை நரம்பணு வலையமைப்புகளை மையாகக் கொண்டு உருவான செயற்கை நரம்பணு வலையமைப்புகள், ஏன் வெற்றி பெறாமல் தடுமாறுகின்றன?

இயற்கை நரம்பணுவின் வலையமைப்பில் மூன்று அம்சங்கள் நம்மை அறியாமல் நடக்கிறது;

  1. ஒரு சிவப்பு ஆப்பிள் பழத்தைப் பார்பதாக வைத்துக் கொள்வோம். அத்துடன் நாம் நிற்பதில்லை. அதைப் போன்ற பல பொருட்களை முதலில் ஆப்பிள் என்று நினைக்கிறோம். கூட இருப்பவர்களோ அல்லது நாம் பார்த்த முதல் ஆப்பிளைக் கொண்டோ, புதிதாக நாம் பார்க்கும் பொருளுக்கும், திட்டவட்டமான ஆப்பிளுக்கும் என்ன வித்தியாசம் என்று கணக்கிடுகிறோம். (கணக்கு என்றவுடன் கூட்டல் கழித்தல் என்று நினைக்க வேண்டாம். மனிதன் கணிதத்தைக் கண்டுபிடிக்கும் முன்னமே இயற்கை இதைப் பல மில்லியன் வருடங்களாகச் செய்து வருகிறது) இன்னொரு முறை சிவப்பு மாதுலம்பழத்தைப் பார்க்கும் பொழுது, அது ஆப்பிள் என்று முதலில் சொன்னாலும், நம்முடைய சிவப்பு ஆப்பிள் படத்தைப் பார்த்து, ‘அட, காம்புகள் வேறு விதமாக இருக்கிறதே. வடிவத்தில் ஆப்பிளைப் போல வளைவுகள் இல்லையே’ என்று அதை ஆப்பிளல்ல என்று முடிவு செய்கிறோம். இதனால், முதலில் ஆப்பிள் பற்றிய நமது பதிவுகள் நம் நரம்பணு வலையமைப்புகளில் உள்ள இணைப்பு சக்திகள் சற்று மாறுபடுகின்றன. இதை feedback  அல்லது பின்னூட்டம் என்று சொல்கிறோம்
  2. இவ்வகை நரம்பணு வலையமைப்புப் பின்னூட்டம் (feedback) மனிதர்கள் இதுவரை உருவாக்கிய எந்த ஓர் எந்திரத்திலும் இல்லை. நாம் இதுவரை உருவாக்கியப் பின்னூட்ட அமைப்புகள், இயக்கத்தை முன்னும், பின்னும், மேலும், கீழும். இடது அல்லது வலது புறம், அல்லது மூடி/திறந்து இயக்கும் முறைகள். இந்தப் பின்னூட்டம், மிகவும் சன்னமான ஒரு வலையமைப்பிற்கு அனுப்பப்படும் குறிகை. உதாரணத்திற்கு, முன் பகுதியில் பார்த்த குமார் என்ற சிறுவன், எத்தனையோ கார்களை அன்றாடம் பார்த்தவன். அவனை அறியாமல், அவனுடைய நரம்பணு வலையமைப்பு, சின்னச் சின்ன வடிவம் சார்ந்த விஷயங்களை வலையமைப்பில்,  மிகச் சிறிய இணைப்பு சக்திகளாக வேறுபடுத்தும். இந்த இணைப்பு முதல் அடுக்கில் இல்லாமல், மூன்றாவது, நான்காவது அடுக்கில் உள்ள சன்னமான மாற்றமாக இருக்கலாம். இப்படித்தான், அவனால், தான் பார்த்திராத பி.எம்.டபிள்யூ காரை அடையாளம் காட்ட முடிகிறது. இரவில் அதிக வெளிச்சமற்ற வேளையில், அவன் வீதியில் செல்லும் மாருதியையும், இப்படியே அடையாளம் காட்ட முடிகிறது
  3. அன்றாட வாழ்க்கையில் நாம் ஒவ்வொரு பொருளாக அடையாளம் காட்டுவதில்லை. மிகவும் நெரிசலான ஒரு சாலைக்குச் சென்றால், நம்மால், அங்குள்ள பல பொருட்களை உடனே அடையாளம் காட்ட முடிகிறது. அதாவது, நம் மூளையில் உள்ள நரம்பணுக்கள் காட்சியின் பல்வேறு வடிவங்களை, ஒரே நேரத்தில் செயலாற்றி, தன்னுடைய பல வலையமைப்புகள் மூலம் உடனே பல்வேறு பொருட்களாகப் பிரித்து அடையாளங்களைப் பதிவு செய்கிறது. இதற்குச் நேர் எதிராக, சிலருக்கு ‘ஆறு வித்தியாசம்’ போன்ற விளையாட்டுக்கள் கடினமாகவும்/ எளிதாகவும் இருக்கும். இரண்டு படங்கள், பல அம்சங்களிலும் ஒரே மாதிரி இருந்தாலும், சில வேறுபாடுகளைக் கண்டுபிடிக்கும் விளையாட்டு இது. ஒவ்வொருவரின் மூளையின் கற்றல் தன்மையைப் பொறுத்து, இது எளிதாகவோ, கடினமாகவோ அமைகிறது. என் மும்பய் நண்பர் மற்றும் என்னுடைய தடுமாறலும் இந்தக் கற்றல் தன்மையினால் வரும் வித்தியாசம். என்னுடைய மூளை யேசுதாசின். எஸ்பிபி யின் குரல்களைப் பல பாடல்களில் கேட்டு, அதன் நரம்பணு வலையமைப்பை அங்கங்கு அட்ஜஸ்டு செய்து வைத்துள்ளது. என் நண்பரின் மூளை மன்னாடே மற்றும் ஹேமந்த்தின் குரல்களைப் பல பாடல்களில் கேட்டு, அதன் நரம்பணு வலையமைப்பை அங்கங்கு அட்ஜஸ்டு செய்து வைத்துள்ளது

 

அது சரி, இதை எப்படிக் கணினி மென்பொருளுக்குள் கொண்டு வருவது? லாஜிக் முறைகள், ஒவ்வொரு முறையும் அதே சட்டங்களைப் பின்பற்றும் – இது புதிய கற்றலுக்கு உதவாது. ஒவ்வொரு முறையும் சிறிய மாற்றங்களை எப்படியோ இந்தச் செயற்கை நரம்பணு வலையமைப்பில் கொண்டு வருவது ஒரு கணினி விஞ்ஞானச் சவால்.

மூளையின் ஆழத்தில் நடப்பதைக் கணினி விஞ்ஞானம் மூலம் ஆராயும் இந்ததுறை ஆழக் கற்றலியல் (Deep Learning)  என்று அழைக்கப்படுகிறது.  கனேடிய விஞ்ஞானி ஜெஃப் ஹிண்டன் (Google) , மற்றும் யாஷுவா பெஞ்சியோ, ப்ரெஞ்சு விஞ்ஞானி யான் லகூன் (Facebook), அமெரிக்க விஞ்ஞானி ஆண்ட்ரூ இங் (Baidoo),  இந்தத் துறையின் முன்னேற்றத்திற்காக நிறையப் பங்களித்த விஞ்ஞானிகள். இன்றைய தானோட்டிக் கார்களின் முன்னேற்றத்திற்கு, இவர்களது ஆராய்ச்சியே காரணம்.

பல அடுக்குகள் கொண்ட செயற்கை நரம்பணு வலையமைப்பு என்பது 1980 –களில் வந்து விட்டது. இவ்வகைச் செயற்கை நரம்பணு வலையமைப்புகளில், சரியான விடையா அல்லது சரியில்லையா என்பதைப் பின்னூட்டம் செய்வதற்கும் வழி இருந்தது. இதை back propagation algorithm என்று  சொல்லப் படுகிறது. ஆயினும், சரியான கையெழுத்து, மற்றும் குரல் அல்லது படங்களை அடையாளம் காட்டுவது அவ்வப்பொழுது சரியாக இருந்தாலும், முழுவதுமாக வெற்றி பெறவில்லை.

சாதாரணப் பின்னூட்ட வழிகள் அதிகம் பலன் தராது போகவே, இதற்கான புதிய அணுகுமுறைகள் தேவை என்று தெளிவாகியது.  கனேடிய விஞ்ஞானி ஜெஃப் ஹிண்டன், இந்தப் பிரச்னைக்கு இரண்டு அணுகுமுறைகளை முன் வைத்தார்.

  1. பின்னூட்டம் என்பது சாதாரண முறைப்படி அல்லாமல், அதை ஒரு நுண்கணக்கியல் (calculus) மற்றும் அணிகணக்கியல் (matrix manipulation) முறைப்படிச் செயற்கை நரம்பணு வலையமைப்பில் உள்ள கணுக்களில் (nodes) சார்பை (bias) மற்றினால் பயன் தரலாம்
  2. பின்னூட்டம் என்பது இரு அடுக்களின் சமாச்சாரம். மற்ற அடுக்குகளைப் பற்றிக் (RBM) கவலைப் பட வேண்டாம். இது dot product  என்று சொல்லப்படுகிறது. ஒரு சாதாரண உதாரணம், வங்கிகளில் கணக்கிடப்படும் நாள் வட்டியைப் போன்றது. ஒவ்வொரு நாளும், ஒரு கணக்கில் பாக்கி இருக்கும் கடன் பணத்திற்கு, வட்டி அன்றைக்கு எத்தனை என்று கணக்கிடுவதை interest product  என்று வங்கிகள் சொல்கின்றன. இத்தகைய அடுக்குக் கணக்கிடல்கள், ஒவ்வொரு தருணத்திலும் இரு அடுத்தடுத்து இருக்கும் அடுக்குகளில் நிகழ வேண்டும். முதல் மற்றும் இரண்டாம் அடுக்கில் இந்தக் கணக்கிடல் முடிந்தவுடன், இரண்டு மற்றும் மூன்றாவது அடுக்குகளுக்குள் நிகழ வேண்டும். இவ்வகைக் கணக்கீடல்கள் ஒரு படத்தையோ, ஒலியையோ அல்லது எழுத்தையோ சார்ந்தது

சரி, எல்லாம் சரியாகிவிடுமா என்றால், அவ்வளவு எளிமையான பிரச்னை அல்ல இது. 2006 –ல் வெளியான இவ்வகை ஆராய்ச்சி முடிவுகளில், பயன்பாட்டிற்கு வருவதற்கு இன்னும் பல முயற்சிகள் தேவைப்பட்டது. இவ்வகைப் பல்லடுக்குச் செயற்கை நரம்பணு வலையமைப்புகளுக்கு Convolutional Neural Networks  அல்லது Conv Net என்று அழைக்கப்பட்டது. இன்று உலகில் சோதிக்கப்படும் தானோட்டிக் கார்கள் அனைத்தும் Conv Net கொண்டே இயங்குகின்றன.

எந்திரக் கற்றலியல் என்பது மிகவும் வேகமாக வளர்ந்து வரும் ஒரு கணினி மென்பொருள் தொழில்நுட்பம். இதில் வாசகர்களுக்கு ஆர்வமிருந்தால், விரிவாகத் தமிழில் கட்டுரைகள் எழுத முடியும்.

முதலில், பல அடுக்குச் செயற்கை நரம்பணு வலையமைப்புகளில் இவ்வகைக் கணக்கிடல்கள் என்பது மிக வேகமாக நிகழ வேண்டிய அவசியம் இருந்தது. ’சொல்வனம்’ பத்திரிகையில், ’விடியோ விளையாட்டுக்களும் கணினி இணையாளலும்’ என்ற தலைப்பில் வடிவியல் செயலிகளைப் பற்றிக் கட்டுரைகள் எழுதியிருந்தேன். வடிவியல் செயலிகள், இவ்வகைக் கணிதக் கணக்கீடல்களை வெகு எளிதில் ஒப்பிணைவு (parallel computing) முறைகளில் நிகழ்த்தக் கூடியவை. 1980 –ன் பல முயற்சிகள் இவ்வகை வசதிகள் இல்லாமல், முடங்கிப் போயின.

இரண்டாவது, மனிதர்கள், பல விதக் காட்சிகளைக் கொண்டு தங்களுடைய மூளையைப் பயிற்சிக்கிறார்கள். செயற்கை நரம்பணு வலையமைப்புகளுக்கும் இவ்வகை விவரமானப் பயிற்சி தேவை. அப்பொழுதுதான் பயனளிக்கும் என்று தெளிவாகியது.

பிரச்னை, உலகில் உள்ள பல கோடிக் காட்சிகளை எப்படிக் கணினிகளுக்குப் பயிற்சி அளிப்பது?

அடுத்தப் பகுதியில், இந்தத் தொழில்நுட்பம் எப்படி வளர்ந்து இன்று தானோட்டிக் கார்களில் பயனளிக்கத் தொடங்கியுள்ளன என்று பார்ப்போம்.

தமிழ்ப் பரிந்துரை

தமிழ்ச் சொற்கள் எல்லோருக்கும் புரிய வேண்டும் என்று சில ஆங்கிலச் சொற்களை கட்டுரையில் பயன்படுத்தியுள்ளேன். கார் சம்பந்தமான பல தொழில்நுட்பச் சொற்கள் தமிழில் அதிகம் புழக்கத்தில் இல்லை. உதாரணம், ஆக்ஸிலரேட்டர் மற்றும் ப்ரேக். இதை தமிழில் மொழிபெயர்த்தால், நம்மில் பலருக்கும் புரியாது. இதனால், இது போன்ற வழக்குச் சொற்களை அப்படியே பயன்படுத்தியுள்ளேன். சில புதிய சொற்களுக்கு நிகரான சில தமிழ்ச் சொற்களை இங்கு பரிசீலனைக்கென முன்வைக்கிறேன்

ஆங்கிலச் சொல் தமிழ்ப் பரிந்துரை
Artificial intelligence செயற்கை நுண்ணறிவு
Algorithm மென்பொருள் நெறிமுறை
Artificial neural network செயற்கை நரம்பணு வலையமைப்பு
Machine learning எந்திரக் கற்றலியல்
Manufacturing robots தயாரிப்பு ரோபோக்கள்
Feedback பின்னூட்டம்
Deep Learning ஆழக் கற்றலியல்
Calculus நுண்கணக்கியல்
Matrix algebra அணிகணக்கியல்
Nodes கணுக்கள்
Bias சார்பு
Parallel computing ஒப்பிணைவு கணிமை

சொல்வனம் – மே 2017

Advertisements

தானோட்டிக் கார்கள் – தொழில்நுட்ப அறிமுகம் – தானோட்டிக் கார் ஐபேடுக்குச் சக்கரம் வைத்தது போன்றது -பகுதி 7

”தானோட்டிக் கார் ஐபேடுக்குச் சக்கரம் வைத்தது போன்றது’

இதைப் போன்ற அபத்தங்களைத் தொழில்நுட்ப வல்லுனர்களே எழுதி வருகின்றனர். இதில் கவனிக்க வேண்டிய பல குறைகள் உள்ளன;

  1. ஒரு கார் சாலையில் பயணிக்கப் பெளதிக விதிகள் மற்றும் எந்திரப் பொறியியல் விஷயங்களை, ஒரு 150 வருடங்களாகப் பொறியாளர்கள் மெருகேற்றி வந்துள்ளார்கள். இப்படி எழுதுவது, எந்திரப் பொறியியலையே துச்சமாக மதிப்பதற்குச் சமம்
  2. சில புதிய கார்களில் ஐபேடைப் போன்ற திரைகளைப் பார்த்த இந்த எழுத்தாளர்கள், அட, கணினி, இங்கேயும் வந்துவிட்டதே என்ற பாமர அதிர்ச்சியின் வெளிப்பாடே இவ்வகைக் கருத்துக்கள்
  3. கடந்த 25 ஆண்டுகளாக, கார்களில் பெட்ரோலையும் காற்றையும் எந்த விகிதத்தில் கலப்பது, எந்த வெப்பத்தில் பெட்ரோலை உட்பாய்ச்சுவது போன்ற மிக முக்கிய விஷயங்களைக் கணினிகளே செய்து வந்துள்ளன. பாமரர்ப் புரிந்து கொள்ளும் வசீகரத் திரை மற்றும் வண்ணம் இந்தக் கணினிகளுக்குக் கிடையாது. இவற்றை ECU அல்லது Electronic Control Unit  என்று கார்த் தொழிலில் சொல்வதுண்டு
  4. சமீபத்தில் என்னிடம் ஒரு மெக்கானிக் அலுத்துக் கொண்டார் – வர வர, ஒவ்வொரு கார் மாடலுக்கும் ஒரு பிழை ஆய்வுக் கணினி (diagnostic computer) வாங்க வேண்டியுள்ளது. கடந்த 25 ஆண்டுகளாக, கார்களில் என்ன கோளாறு என்பதைக் கணினிக் குறிகைகள் வைத்துதான் முடிவு செய்கிறார்கள்

’எத்தனையோ வருடங்களாக விமானங்களில் ஆட்டோ பைலட் வசதி உள்ளது. காரில் இதைக் கொண்டு வர ஏகத்தும் பில்டப் கொடுத்து மிகைப்படுத்துகிறார்கள்’

இதுவும் தொழில்நுட்ப எழுத்தாளர்கள் அதிகச் சிந்தனையின்றி எழுதிய ஒன்று என்பது என் கருத்து. இதற்குப், பல காரணங்கள் உள்ளன.

  1. விமானங்களில் ஆட்டோ பைலட் வசதி பல ஆண்டுகளாக இருப்பது உண்மை. ஆரம்பத்தில் சம அளவில் பறப்பதற்கே (level flight) பயன்படுத்தப்பட்ட இந்த வசதி, இன்று மேல் செல்வது, கீழ் இறங்குவது (takeoff and landing) என்று எல்லா நிலைகளிலும் பயன்படும் அளவிற்கு வளர்ந்து வந்துள்ளது
  2. ஆனால், விமானத்தைச் செலுத்துவதற்கும் தானாகக் காரைச் செலுத்துவதற்கும் நிறைய வித்தியாசம் உள்ளது. விமானத்திற்கு மேலே சென்றவுடன் பாதை இருந்தாலும், வரைபாதை (traffic lanes) போன்ற ஒரு விஷயமே கிடையாது
  3. சிக்னல் கிடையாது, குறுக்கே கடக்கும் பாதசாரி கிடையாது, திரும்பும் திசைகாட்டி கிடையாது, மிக முக்கியமாக வேக எல்லைகள் கிடையாது
  4. மிகவும் முக்கியமானக் கார் சவால், எத்தனை மணித்துளிக்குள் ரியாக்ட் செய்ய வேண்டும் என்பது. எப்பொழுதாவது இன்னொரு விமானம் அருகில் பறந்தாலும், பெரும்பாலும், ஒரு 5 முதல் 6 நிமிட முன்னறிவிப்புக் கிடைக்கும் – தானோட்டிக் கார் மென்பொருளுக்கு 1 வினாடி என்பது பெரிய விஷயம். சாலை விபத்துக்களைத் தவிர்ப்பது 10 வினாடிக்குட்பட்ட முடிவுகளில்! மனித ரியாக்‌ஷன் பெரும்பாலும் ஒரு நொடியில் 3 மூன்று பங்கு நேரத்திற்குள் அடங்கும். எந்திரங்கள் இதைவிடச் சிறப்பாகச் செயல்பட வேண்டும்

சொன்னால் நம்புவதற்குக் கடினமாக இருக்கும் – தானோட்டிக் கார்களின் மென்பொருள், விமான ஆட்டோ பைலட்டை விட பல நூறு மடங்கு சிக்கலானது.

அப்படி என்ன தொழில்நுட்பம் இதில் அடங்கியுள்ளது?

கவனி – சீரமை – முடிவெடு – செயலாற்று Observe, Orient , Decide and Act (OODA)  என்பதே காரோட்டுவதன் அடிப்படை. இதுவே, தானோட்டிக் கார்களின் வடிவமைப்பு ரகசியமும். இந்த நான்கு படிகளைச் சற்று விரிவாக ஓர் உதாரணம் மூலமாகப் பார்ப்போம்.

மேற்குலகில், சாலையில் ஒரு விபத்து நடந்தால், சம்பந்தப்பட்ட இரு வாகனங்களும் (இரு வாகன விபத்து என்று கொள்வோம்) அங்கேயே நிறுத்திவிட்டு, போலீசாரை வரவழைக்க வேண்டும். விசாரணை நடத்திய போலீஸ் அலுவலர், தன்னுடைய அறிக்கையின் நகலை இரு வாகன உரிமையாளருக்கும் கொடுத்து விடுவார். யார் மீது தவறு என்பதை நீதிமன்றம் முடிவு செய்யும், வாகனச் சேதத்தை, தவறுக்கேற்றாற் போல, சம்பந்தப்பட்ட ஒரு வாகன உரிமையாளரின் காப்பீடு நிறுவனம் ஏற்றுக் கொள்ளும். இதற்கு முக்கியமான ஆதாரம், போலீசாரின் அறிக்கை. இந்த அறிக்கையைக் கூர்ந்து கவனித்தால், கவனி – சீரமை – முடிவெடு – செயலாற்று என்னவென்று எளிதில் புரிந்துவிடும்.

விபத்து நடந்த இடம் ; 4 -வது அவென்யூ, 14 -ஆம் தெருச் சந்திப்பில்

விபத்து தேதி ; 12-ஜனவரி 2017

விபத்து நேரம்; காலை 11 மணி 20 நிமிடம்

விபத்து விவரம்

வாகனம் 1 – 4 –வது அவென்யூ வில் கிழக்கிலிருந்து மேற்கு நோக்கி சுமார் 75 கி.மீ. வேகத்தில் பயணித்துக் கொண்டிருந்தது. சிக்னல் ஆரஞ்சிற்கு மாறிய பொழுது வாகனம் 1, சிக்னலைக் கடந்தது.

வாகனம் 2 – 14 –ஆம் தெரு சிக்னலில் காத்திருந்தது. ஆரஞ்சிற்கு மாறிய சிக்னலில் 4-வது அவென்யூவின் கிழக்குப் பக்கமாகத் திரும்பக் காத்திருந்து, வாகனம் 1 –ஐ கவனிக்காமல், சிக்னலில் அந்தக் காரின் வலப்பக்கத்தில் மோதியது. வாகனத்தின் வேகம் 25 கி,மீ. இருக்கலாம்.

வாகனம் 1 –ன் வலப்பக்கத்திலும், வாகனம் 2-ன் முன்பக்கத்திலும் சேதம் ஏற்பட்டுள்ளது. வாகனம் 1 –ன் ஓட்டுனர் மற்றும் முன் சீட்டுப் பயணி இருவரும் பெரிய அடி ஏதும் இல்லாமல் தப்பித்தனர். வாகனம் 2 -ன் ஓட்டுனரும் பெரிய அடி ஏதும் இல்லை. இருவரும் மருத்துவ மணையில் உள் காயம் மற்றும் சுளுக்கு ஏற்பட்டுள்ளதா என்று பார்த்துக் கொள்ள வேண்டும்.

இதில் சில வார்த்தைகளைச் சாய்வெழுத்தாகச் சொல்லியுள்ளேன்.

முதலில் கவனி – வாகனம் 1 மற்றும் வாகனம் 2-ன் ஓட்டுனர்கள், சிக்னலில் ஆரஞ்சு விழுந்ததைக் கவனித்துள்ளார்கள். ஆனால், வாகனம் 1, சிக்னலில் இன்னொரு கார் திரும்புவதற்காகக் காத்திருக்கிறது என்பதைப் பற்றிக் கவலைப்படவில்லை. அதே போல, வாகனம் 2, ஆரஞ்சு விழுந்தும், 4-ஆவது அவென்யூவில் வேகமாக வரும் காரின் வேகத்தைச் சரியாகக் கவனிக்காமல், சிக்னலை நோக்கிப் (சீரமை) பயணித்தது. 4-ஆவது அவென்யூவில் வேகமாக வரும் வாகனம் 1, சிக்னலில் நின்றுவிடும் என்று முடிவு செய்து, சிக்னலை கடக்க முடிவு செய்தது. (முடிவெடு, செயலாற்று).

அதே போல, வாகனம் 1 –ன் ஓட்டுனர், சிக்னலில் ஆரஞ்சு விழுந்ததைக் கவனித்துள்ளார். வாகனம் 2, சிக்னலில் காத்திருந்ததையும் பார்த்திருப்பார். ஆக, பிரச்னை, கவனிப்பதில் இல்லை. ஆரஞ்சு சிக்னலில், கடப்பது தன்னுடைய உரிமை (சீரமை) என்று முடிவு செய்துள்ளார். தன்னுடைய காரை இதனால், சிக்னலை 75 –கி.மீ. வேகத்தில் கடக்க முடிவும் செய்துள்ளார். (முடிவெடு, செயலாற்று).

இந்த மனிதக் காரோட்டும் பிரச்னயான விபத்தில், கவனிப்பது ஒரு பிரச்னையாக இல்லை. எப்படிக் காரைச் சீரமைத்தார்கள், முடிவெடுத்தார்கள் மற்றும் செயலாற்றினார்கள் என்பதே பிரச்னை. இந்தச் சூழலில் முடிவு என்பது சில வினாடிக்குள் எடுக்க வேண்டிய ஒன்று. ஒரு 75 கி.மீ. வேகத்தில் பயணிக்கும் கார், நொடிக்கு ஏறக்குறைய 21 மீட்டர்கள் பயணிக்கிறது. ஒரு வட அமெரிக்க சிக்னல் ஊரின் உள்பகுதிகளில், (இரு வரைபாதைகள் கொண்ட சாலைகள்) 100 மீட்டருக்குள் கடக்கும் ஒரு தூரம். அதாவது, 5 நொடிக்குள் பயணிக்கும் விஷயம். இந்த விபத்து, 5 நொடிக்குள் நிகழ்ந்த ஒரு விஷயம். எந்த ஒரு தானோட்டிக் காருக்கும் முடிவெடுக்க 5 நொடிகள் கூடக் கிடைக்காது. இதில் உள்ள ஒரு முக்கியப் பிரச்னை, 75 கி.மீ. வேகத்தில் பயணிக்கும் ஒரு காரை நிறுத்த எத்தனை இடைவெளித் தேவைப்படும்? 5 நொடிக்குள் நிறுத்தும் வேகமல்ல இது.

கூகிளின் தானோட்டிக் கார் நிகழ்வின் தலைவர், ‘நாங்கள் தானோட்டிக் காரை உருவாக்கவில்லை. தானோட்டிக் காரின் ஓட்டுனரை உருவாக்க உழைத்து வருகிறோம்’

ஆக, தானோட்டிக் கார்களை வடிவமைப்பவர்களுக்கும் இதே பிரச்னைதான். இயக்குவது மற்றும் கவனிப்பது இரண்டும் பிரச்னை இல்லை என்று சொன்னோம்.

இதற்கு முந்தைய பகுதியில், எவ்வளவு விதவிதமான உணர்விகள், அருகே, மற்றும் தூரத்தில், முன்னும், பின்னும் நிகழ்வுகளைக் காரின் கணினிக்கு உடனுக்குடன் அனுப்பி விடுகின்றன என்று பார்த்தோம். இதனால், கவனிப்பது என்பது தானோட்டிக் கார்களின் பிரச்னை இல்லை.

கடந்த 10 ஆண்டுகளாக, கார்களில் பல முக்கியத் தானியக்க முயற்சிகள் உருவாக்கப்பட்டுள்ளன. குறிப்பாக;

  • காரை நிறுத்தும் உதவி அம்சம் (park assist)
  • வரைபாதையிலிருந்து சறுக்கு எச்சரிக்கை அம்சம் (lane departure warning)
  • சாலையில் சூழலுக்கேற்ப வாகனத்தில் வேகத்தைக் கட்டுப்படுத்தும் அம்சம் (adaptive cruise control).

இவற்றால், கார்கள்,  ஒரு ஓட்டுனரின் மேல்பார்வையுடன் தானே நிறுத்திக் கொள்ள இயலும், வரைபாதையில் தவறாமல் பயணிக்கவும் முடியும், வேகத்தைக் கட்டுப்படுத்தவும் குறைக்கவும் முடியும். காரின் இயக்கம் வேகத்தைக் கூட்டுவது அல்லது குறைப்பது, சீராக பயணிப்பது என்று சுறுக்கமாகச் சொல்லலாம்.

இன்றைய தானோட்டிக் கார்களின் வடிவமைப்பாளர்கள், இத்தகைய விஷயங்களை vehicle platform  என்று எளிதில் தனிப்படுத்தி விடுகிறார்கள். அதாவது, முன்னே, பின்னே, இடது, வலது பக்கம் செல்வது, வேகத்தை அதிகரிப்பது, குறைப்பது என்பதெல்லாம் மிகவும் எளிமையான செயலாற்றல் விஷயம்இவற்றைச் செய்ய காரின் கணினிகள், பல ஆண்டுகளாகச் சோதனை செய்யப்பட்டு நன்றாகவே இயங்கி வந்துள்ளன. இவற்றைத், தானோட்டிக் கார்களுக்காக மாற்ற வேண்டிய அவசியம் இல்லை.

சீரமைப்பு மற்றும் முடிவெடுத்தல் என்பது மனிதர்களுக்கே மிகவும் சிக்கலான விஷயம். அதுவும், நொடிகளுக்குள் முடிவெடுப்பது என்பது மிகவும் கடினமான விஷயம். தானோட்டிக் கார் என்பதன் மிக முக்கிய வடிவமைப்புச் சவால் இதுவே.

உணர்விகள் உள் அனுப்பும் குறிகைகள் முதலில், ஒருங்கிணைக்கப்பட வேண்டும். இதை Sensor fusion  என்று வடிவமைப்பாளர்கள் சொல்கிறார்கள். பல காமிராக்கள், லேசர்கள், கேளா ஒலி (ultrasonic), ஜி,பி.எஸ்., மற்றும், ஜைரோ (gyros) போன்ற உணர்விகள் ஒவ்வொரு நொடிக்கும் அனுப்பும் குறிகைகளை, ஒருங்கிணைக்க வேண்டும். இது மிகவும் முக்கிய ஒரு தேவை. இவற்றைச் செய்ய இன்று பல வசதிகள் உள்ளன. இதற்கான கணினி மென்பொருள் நெறிமுறை (algorithm) இன்று பல கார் சம்பந்தப்பட்ட உணர்விகளுக்கு விஞ்ஞானிகள் உருவாக்கியுள்ளார்கள்

கார் எங்கு உள்ளது என்பதைத் தானோட்டிக் கார்களில், முதலில் காரே முடிவெடுக்க வேண்டும். நிகழ்வுகள் அனைத்தும் காரின் இருப்பிடத்தைச் சார்ந்தது (location). இதை localization  என்று அழைக்கிறார்கள். உதாரணத்திற்கு, மனித ஓட்டுனர்களுக்கு 4-வது அவென்யூவில் பயணிக்கிறோம் என்று வழக்கமாகப் பயணிப்பதால் தெரியும். தானோட்டிக் காருக்கு ஜி.பி.எஸ். மூலம் கிடைக்கும் இருப்பிட குறிகை, மற்றும் காரின் கணினியில் உள்ள தரவு கொண்டு இந்த முடிவை ஒவ்வொரு நொடியும் முடிவெடுக்க வேண்டும்.

இயங்கும் காரைச் சுற்றி என்ன உள்ளது என்பதையும் தானோட்டிக் கார் அறிந்து கொண்டே இருக்க வேண்டும். தனக்கு முன்னால், பின்னால், இடப்புறத்தில், வலப்புறத்தில் என்ன இருக்கிறது, சாலையில் என்ன சைகைகள் (traffic signs) உள்ளன, சிக்னல் மற்றும் மின், சிக்னல், சைகைகள் கம்பங்கள் எங்கு உள்ளன என்பதும் காருக்கு தெரிய வேண்டும். இதை World Model என்று பொறியாளர்கள் அழைக்கிறார்கள்.

தானோட்டிக் காரின் மிக முக்கிய முதல்படி இந்தச் சுற்றுப்புறமறிதல். நமக்கு வெகு எளிதான இந்த விஷயம், தானோட்டிக் கார்களுக்கு மிகப் பெரிய சவால். இதை

Sensing is easy, perception is difficult

என்று சொல்வதுண்டு. முடிவெடுத்தலுக்கு மிக முக்கிய முன் படிச் சுற்றுப்புறமறிதல். பார்வை மூலம் நாம் இந்த முடிவைக் கண்ணாடிகள் உதவியினாலும் செய்கிறோம். கார்கள், பல உணர்விகளின் குறிகை ஒருங்கிணைப்பு, மற்றும், ஜி.பி.எஸ். குறிகைகள், ஜைரோக்கள் உதவியினாலும் (ஜைரோக்கள் ஒரு வாகனம் எவ்வளவு சாய்ந்துள்ளது, மற்றும் சாலை சம நிலையிலிருந்து எவ்வளவு எந்தப் பக்கத்தில் சாய்ந்துள்ளது போன்ற விஷயங்களை டிஜிட்டல் குறிகைகளாய்த் தரும் உணர்வி) காரின் கணினி மூலம் உணர்கிறது.

ஒன்றை இங்குக் குறிப்பிட வேண்டும் – நாம் சுற்றுப்புறத்தை அறிதலுக்கும் ஒரு எந்திரம் அறிதலுக்கும் நிறைய வித்தியாசம் உள்ளது. அடுத்த காரில் உள்ள நபர் அணிந்திருக்கும் தொப்பி, கணினிக்கு முக்கியமல்ல. சாலையில் முன்னே செல்ல எது தேவையோ அது மட்டுமே முக்கியம். அத்துடன் எப்படி முன் செல்வது – பாதை, கோணம், எத்தனை வேகம், எந்த வரைபாதையைத் தாண்டிச் செல்ல வேண்டும், எந்த சைகைகளை இந்த முடிவில் கொள்ள வேண்டும் என்பவை காரின் கணினிக்கு முக்கியம். இதை trajectory generation என்று சொல்லப்படுகிறது. சுற்றுபுறமறிதலினால், தானோட்டிக் கார்கள் பல கோடி கணக்கிடல்கள் மூலம் உணருகிறது.

கூகிளின் தானோட்டி கார் ப்ராஜக்டின் தலைவர் இந்தக் கார்களின் பார்வையில் உலகம் எப்படி இருக்கும் என்பதை இங்கு அழகாக விளக்குகிறார். நாம் பார்ப்பதைப் போல இந்தக் கார்கள் தான் இயங்கும் பாதையைப் பார்ப்பதில்லை.

கடைசியாக, மிக முக்கியமான முடிவெடுத்தல் தானோட்டிக் கார்களில் எப்படி நிகழ்கிறது என்று அடுத்த பகுதியில் பார்ப்போம். இதன் பின்னணி, செயற்கை நுண்ணறிவுத் தொழில்நுட்பத்தின் (artificial intelligence technology ) சமீபத்திய அபார வளர்ச்சி. இந்த செயற்கை நுண்ணறிவுத் தொழில்நுட்பத்தின் வளர்ச்சி பற்றிய சுறுக்கமான வரலாற்றிற்குப் பிறகு, இன்றைய தொழில்நுட்பம் எப்படி தானோட்டிக் கார்களின் மிடிவெடுத்தல் பிரச்னைகளை தீர்க்கிறது என்று பார்ப்போம்.

தமிழ்ப் பரிந்துரை

தமிழ்ச் சொற்கள் எல்லோருக்கும் புரிய வேண்டும் என்று சில ஆங்கிலச் சொற்களை கட்டுரையில் பயன்படுத்தியுள்ளேன். கார் சம்பந்தமான பல தொழில்நுட்பச் சொற்கள் தமிழில் அதிகம் புழக்கத்தில் இல்லை. உதாரணம், ஆக்ஸிலரேட்டர் மற்றும் ப்ரேக். இதை தமிழில் மொழிபெயர்த்தால், நம்மில் பலருக்கும் புரியாது. இதனால், இது போன்ற வழக்குச் சொற்களை அப்படியே பயன்படுத்தியுள்ளேன். சில புதிய சொற்களுக்கு நிகரான சில தமிழ்ச் சொற்களை இங்கு பரிசீலனைக்கென முன்வைக்கிறேன்

ஆங்கிலச் சொல் தமிழ்ப் பரிந்துரை
Diagnostic computer பிழை ஆய்வுக் கணினி
Level flight சம அளவில் பறப்பது
Traffic lanes வரைபாதை
Park assist feature காரை நிறுத்தும் உதவி அம்சம்
Lane departure warning feature வரைபாதையிலிருந்து சறுக்கு எச்சரிக்கை அம்சம்
Adaptive cruise control feature சூழலுக்கேற்ப வாகனத்தில் வேகத்தைக் கட்டுப்படுத்தும் அம்சம்
Ultrasonic கேளா ஒலி
Algorithm கணினி மென்பொருள் நெறிமுறை
Location இருப்பிடம்
Traffic signs சாலைச் சைகைகள்
Artificial intelligence (AI) technology செயற்கை நுண்ணறிவுத் தொழில்நுட்பம்

சொல்வனம் – மே 2017

தானோட்டிக் கார்கள் – தொழில்நுட்ப அறிமுகம் – பகுதி 6

அறிவு இருக்கா?

இந்தச் சொற்களைத் தமிழர்கள் பெரும்பாலும் பயன்படுத்தும் ஒன்று.

இருக்கே..

இந்தப் பதிலைப் பெரும்பாலும் நாம் எதிர்பார்ப்பதில்லை. ஏனென்றால் முதலில் சொன்னவருக்கும் அதற்கு மறுமொழி அளித்தவருக்கும் பெரும்பாலும் அறிவு என்றால் என்னவென்று சொல்வது கடினம். மேலும், சில சமயம், நாம் ‘மூளை இருக்கா?” என்றும் சொல்வதுண்டு, அறிவுக்கும் மூளைக்கும் சம்பந்தம் உண்டு என்று நாமறிவோம். ஆனால், இந்தச் சம்பந்தத்தைத் தெளிவாகச் சொல்ல பெரும்பாலும் தடுமாறுவோம்.

மனித மூளை மிகவும் சிக்கலானது – மனித அறிவு என்பதும் அதைவிடச் சிக்கலானது. மனித மூளை, பல்வேறு விஷயங்களைச் செய்யும் ஒரு முக்கிய உறுப்பு. ஆனால், மனித மூளையைப் பற்றிய உடலியலுக்கு இங்கு இடமில்லை. இந்தப் பகுதியில், மனித அறிவின் சில விஷயங்களை நாம் புரிந்து கொள்ளுதல் அவசியம். இந்தப் புரிதலே தானோட்டிக் கார்களின் மென்பொருளைப் புரிந்து கொள்ள உதவும்.

மனித மூளைப் பல்வேறு செயல்களை ஆற்றினாலும், இங்கு நமக்கு மிகவும் ஆர்வமான பகுதிகள் சில உண்டு;

  • எப்படி மனிதர்களால் (விலங்குகளால்) பொருட்களைப் பார்த்து அடையாளம் காண முடிகிறது?
  • எப்படி மனிதர்களால் (விலங்குகளால்) ஒலிகளைக் கேட்டு முடிவெடுக்க, மற்றும் மகிழ, கோபப்பட, சிரிக்க முடிகிறது?
  • எப்படி மனிதர்களல் (ஓரளவிற்கு விலங்குகளால்) சொல்லிக் கொடுத்ததைச் செய்ய முடிகிறது?

இவை மிகவும் முக்கியமான அறிவு சார்ந்த கேள்விகள். ஏனென்றால், பிறக்கும் பொழுது, எந்தக் குழந்தையும் பொருட்களை அடையாளம் காட்டுவதில்லை, எந்த மொழியிலும் உரையாடுவதில்லை, எந்தக் காரையும் ஓட்டியதுமில்லை.

மனித அறிவு சார்ந்த விஷயங்களில், மூன்று விஷயங்கள் நமக்கு மிகவும் காரோட்டுதலுக்கு அவசியம்.

  • நினைவாற்றல்
  • காட்சிகளில் காரோட்டுதலுக்கான முக்கிய விஷயங்களைப் பிரித்தெடுக்கும் திறன் – இதைக் காட்சித் திறன் என்று சொல்வோம்
  • சொல்லிக் கொடுத்ததைச், சரியாகப் பின்பற்றும் கற்றலியல். அதைவிட, மிக முக்கியமாக, சொல்லிக் கொடுத்ததைச் சற்று மாறுபட்ட சூழ்நிலைகளில் பயன்படுத்தும் திறமை. எந்த ஒரு காரோட்டல் பயிற்றுனரும் எல்லாச் சூழ்நிலைகளையும் உங்களுக்குப் பயிற்சியின் பொழுது  முன்வைக்க முடியாது. இவை அடிப்படைக் காரோட்டும் முறைகள் – இவற்றில் தேர்ந்து விட்டதால், சில மாறுபட்ட சூழ்நிலைகளையும் உங்களால் சமாளிக்க முடியும் என்பது எந்த ஒரு பயிற்சியின் நம்பிக்கை ஆகும்.

இந்த நம்பிக்கை விஷயத்தில் இயற்கையும் சிலவற்றைச் செய்கிறது. உதாரணத்திற்கு, விலங்குகள் மற்றும் மனிதர்களுக்கு, இரண்டு வகை அடிப்படை அறிவை இயற்கை அவசியம் தருகிறது;

  • தற்காப்பு (self-defense) மற்றும் எஞ்சுதலுக்காக (survival) அறிவுத் திறன்
  • இனப்பெருக்கத்துக்கான (reproduction) அறிவுத் திறன்

மனிதர்கள் சமுதாயமாக வாழ்வதால், சமூக நன்மை மற்றும் தீமை சார்ந்த அறிவுத் திறன். இதில், சொல்லிக் கொடுக்கும் அறிவுத் திறன் அடங்காது. உதாரணத்திற்கு, உதவுபவருக்கு நன்றி சொல்வது என்பது சொல்லிக் கொடுக்கப்பட்ட அறிவில் சேறும். ஆனால், கண்பார்வையற்றவருக்கு உதவுவது என்பது நம்மில் பலருக்கும் சொல்லிக் கொடுக்காமலே வரும் அறிவுத் திறன்.

இதைத் தவிர, மனிதர்களுக்கு உள்ளார்ந்த அறிவு (innate intelligence) என்றும் ஒன்று உண்டு.

‘அவன் பார்வையே சரியில்லை. பஸ்ஸிலிருந்து இறங்கி விடலாம்’

இவ்வாறு பல பெண்கள் சொல்வது உள்ளார்ந்த அறிவு.

’சக்கரையா பேசறான். ஆட்சிக்கு வந்தால் கஜானாவைக் காலி பண்ணிருவான்’

இவ்வாறு நம்மில் பலர் சொல்வதும் உள்ளார்ந்த அறிவு.

இவ்வகை அறிவை இதுவரை எந்திரங்களுக்குச் சொல்லிக் கொடுப்பது என்பது இயலாத ஒன்று.

இவற்றைப் பற்றி இங்கு எழுதுவதற்குக் காரணம் உள்ளது. சில சமயங்களில், உள்ளார்ந்த அறிவு நம்மைக் காரோட்டும் பொழுது விபத்துகளிலிருந்து காப்பாற்றுகிறது. உதாரணத்திற்கு,

‘என் உள்மனம், இந்தக் கார் சிக்னல் பச்சையானவுடன் மிக வேகத்தில் சந்திப்பைக் கடக்கும் என்று சொன்னது. அந்தக் காரோட்டியின் முகத்தில் அத்தனை பதட்டத்தைக் கண்டேன். நல்ல வேளையாக, சந்திப்பிற்குள் என் காரை உடனே செலுத்தவில்லை. பின்னால் வரும் கார்களில் ஹார்ன் எரைச்சலைப் பற்றி எனக்குக் கவலை இல்லை’

சரி, எந்த வகைக் காரோட்டும் அறிவுத்திறன் இன்று எந்திரங்களுக்குக் கற்றுக் கொடுக்க முடியும் என்று பார்ப்போம்.

முதலில் நினைவாற்றல். கால்குலேட்டர்கள் வந்ததலிருந்து நமக்கெல்லாம், வாய்ப்பாடுகள் மறந்து விட்டன. வாய்ப்பாடுகள் நினவாற்றலின் மிகவும் முக்கியமான ஒரு வெளிப்பாடு. அதுவும், மிக முக்கியமான விஷயம், வாய்ப்பாடு என்பது இயற்கையான விஷயமல்ல. மனிதர்களால் உருவாக்கப்பட்ட ஒன்று. வாய்ப்பாடுகளை நாமெல்லாம் பயிற்சியினாலே நினைவில் கொண்டோம். திருக்குறளும் அப்படியே. இதைக் கணிணிகள் எளிதில் செய்துவிடும். ஆனால், நாம் இங்கு சொல்லும் நினைவாற்றல், காட்சி/பொருள் சார்ந்தது.

‘1972 –ல், கடைசியாக மவுண்ட் ரோடு ஸ்பென்ஸரில் உங்களைக் கடைசியாகச் சந்தித்தேன்’

இன்றும், இப்படிச் சில நண்பர்களைச் சந்திக்கும் பொழுது நினைவு கூறுபவர்கள் இருக்கத்தான் செய்கிறார்கள். எப்படி இவர்களால் முடிகிறது? மனித முகத்துடன் இப்படிச் சில முக்கியத் தகவல்களும் எப்படியோ இணைக்கிறார்கள்.

’அடுத்தத் திருப்பத்தில், ஏடாகூடமாக 6 சாலைகளுக்கு இடையில் ஒரு மேட்டின் மேலே ஒரு சிக்னல் இருக்குமே. சற்று கவனமாக இருக்கவும். நான் 2003 –ல் அமெரிக்கா வந்தபொழுது பாஸ்டனில் இந்த வகைச் சிக்னலைப் பார்த்ததாக நினைவு’

இப்படிச் சொல்பவர்களும் இருக்கிறார்கள். இவ்வகை நினைவாற்றல் காரோட்டலுக்கு அவசியம் என்றாலும், இன்றைய ஜி,பி.எஸ். வாங்கிகள் பெரும்பாலும் இந்த வேலையைச் செய்து விடுகின்றன.

எந்த ஒரு கருவியும் செய்யாத ஒரு செயல், காட்சிகளிலிருந்து காரோட்டலுக்குத் தேவையான விஷயங்களைப் பிரித்தெடுத்தல்.

‘அட, இப்படியா அட்டைப் பெட்டிகளை நடு ரோட்டில் போட்டுப் போவது? காரில் நசுங்கினால் நானா பொருப்பு?’

இது, மிகச் சாதாரண மனித உரையாடல். ஆனால், எந்திரங்களுக்கு மிகச் சிக்கலான விஷயம். அட்டைப் பெட்டிக்கும் பெரிய சதுரப் பாராங்கல்லுக்கும் என்ன வித்தியாசம்? எப்படி, சர்வ சாதாரணமாகக், காரை அதன் மேல் எந்தக் குறையும் வராமல் ஏற்றிச் செல்ல முடியும்?

இன்றைய எந்திரங்களுக்குப் பல பொருட்களை அடையாளம் காட்டும் திறன் இருந்தும், இவ்வகை மனிதச் சாதாரணங்கள் மிகப் பெரிய சவாலாகவே இருந்து வருகின்றது. அடுத்தப் பகுதியில், இவ்வகைச் சவால்களை விஞ்ஞானிகள் எப்படி சமாளிக்கிறார்கள் என்று பார்ப்போம்.

‘சாயங்கால மங்கலான வெளிச்ச நேரத்தில், சாம்பல் நிற ஜாக்கெட் அணிந்து குறுக்கே ஓடினால், எப்படித்தான் விபத்தைத் தவிர்ப்பது?’

வட அமெரிக்காவில், குளிர் மாதங்களில் மிகச் சாதரண மனித உரையாடல். இது, மனிதர்களின் விழி மற்றும் அதன் வழியாகக் கிடைக்கும் ஒளியைச் செயலாக்கும் மூளைக்கும் உள்ள காட்சிப் பிரச்னை. பெரும்பாலும், மனித விழிகள் சுற்று வட்டாரத்தையும், தேவையான பொருளையும் சரியாகவே பிரித்து உணரும் தன்மை கொண்டது. இந்தப் பிரச்னைத் தானோட்டிக் கார்களுக்கு இருக்காது – காரணம், வெறும் காமிராவை மட்டும் வைத்து, இவை முடிவெடுப்பதில்லை. மற்ற உணர்விகளுக்கு ஒளி முக்கியமல்ல.

இரு பெரும் காட்சித் திறன் சவால் விஷயங்களை இங்கு சொல்ல வேண்டும். நகர் மத்தியில், குறுகிய சாலைகளில் காரோட்டும் பொழுது, நிறுத்தப்பட்ட காரின் கதவைத் திறந்து கொண்டு மனிதர் ஒருவர் வெளி வருவது மிகச் சாதாரண விஷயம். இந்தக் காட்சியைக் கண்ட நாம், சற்று வளைந்து, கதவைத் திறப்பவருக்கு இடஞ்சல் இல்லாமல் கார் ஓட்டுகிறோம். எந்திரத்திற்கு, இது ஒரு மிகப் பெரிய சவால் (machine vision challenge). கதவைத் திறந்த காருக்கும் கதவுத் திறக்காத காருக்கும் முதலில் வித்தியாசம் தெரிய வேண்டும். மேலும் திறந்த கதவிலிருந்து வெளியே வரும் மனிதரையும் அடையாளம் கண்டு கொள்ள வேண்டும். தானோட்டிக் கார்கள் ஏதோ ஒரு பெரிய பாறை சாலையின் நடுவிலே வந்தது போல நின்று விடும் ☺

கார் ஓட்டும் பொழுது, பாதசாரி ஒருவர் சாலையைக் கடப்பது சாதாரண விஷயம். சற்று மழை பெய்கிறது என்று வைத்துக் கொள்வோம். திடீரென்று, பாதசாரி ஒருவர் குடையைத் தன் உடலுக்கு முன் திறக்கிறார் என்று வைத்துக் கொள்வோம். அவர், தன் தலைக்கு மேல் சில நொடிகளில் அதை உயர்த்துவார் என்று நமக்குத் தெரியும். எந்திரங்கள் கதி கலங்கி விடும். இதென்ன முதலில் மனிதர் என்று கண்டு பிடித்தோம் – திடீரென்று எப்படி இவ்வாறு உரு மாறியது? இதனால் காருக்கு ஆபத்து என்று நின்றுவிடும் ☺

எந்திரக் காட்சித் திறன் என்பது பல வினோத சவால்கள் நிறைந்த ஒரு தொழில்நுட்ப உலகம். ஒரு காட்சியிலிருந்து, அக்காட்சியில் உள்ள பொருட்கள் என்னென்ன என்பதைத் தனித்து அடையாளம் காட்டுவது என்பது மிகவும் சிக்கலான விஷயம். பல வெள்ளை நிற வண்டிகள் ஒரு சந்திப்பில் பல கோணங்களில் நின்றிருக்கலாம் – கொளுத்தும் வெய்யிலில், பாலைவனச் சூழலில் (பாலைவனச் சூழலில், வெள்ளை நிறம் அதிகமாக இருக்கும்) இவற்றை அடையாளம் கண்டு கொள்வது ஒரு எந்திரத்திற்கு மிகவும் சவாலான விஷயம். இந்தச் சவாலை இன்று வெற்றிகரமாகத் தானோட்டிக் கார்கள் செய்து வருகின்றன. இதைப் பற்றி விரிவாக அடுத்தப் பகுதியில் பார்ப்போம்.

 

மாறுபட்டக் கற்றல் பற்றி ஒரு சின்ன உதாரணத்தைப் பார்ப்போம்.

தமிழகத்தில் ஆரணியில் வசிக்கும் 10 வயது குமார், தன் வீட்டிற்கு ஓடினான். அவன் அம்மாவிடம்,

‘அம்மா, கடைத் தெருவில, நம்ம செல்வமணி, சென்னைலிருந்து, பெரிய பள பளன்னு ஒரு கார்ல வந்து இறங்கினாம்மா…’

’பெரிய வக்கீலாக இருக்கான்னு கேள்வி’

குமாரின் அண்ணன் ரகு, உடனே, குமாரிடம்,

‘காரை சரியா கவனிச்சயா? என்ன நிறம்? அதனுடைய தலை விளக்கு எப்படி இருந்தது? மாருதியை விட எத்தனை பெரிசு?” என்று அடுக்கினான்.

“பெரிய கார். அவ்வளவுதான் தெரியும். உன்னைப் போல நான் ஒன்றும் கார் பைத்தியம் இல்லை’

இந்த சாதாரண உரையாடலை/சம்பவத்தைச் சற்று அலசுவோம். செல்வமணியின் கார் ஒரு BMW X1 என்ற பெரிய கார். குமார் அதுவரை BMW –வைப் பார்த்ததில்லை. எப்படி அது ஒரு கார் என்று முடிவெடுத்தான்? அத்துடன், ஆரணியில் அவன் இந்த மாதிரியான காரைப் பார்த்ததில்லை. அவனுக்கு நிறமும் நினைவில்லை, மற்ற காரின் அம்சங்கள் அவனுக்குப் பரிச்சயமில்லை. ஆனால், பார்த்தது கார் என்று உடனே முடிவெடுத்து விட்டான். இத்தனைக்கும் அவனுக்குத் தெரிந்த மாருதி மற்றும் ஹூண்டாய் காரைப் போல இந்தக் கார் இல்லை. இவன் எப்படி முடிவெடுத்தான் என்பது மிகவும் முக்கியமான விஷயம். நான்கு சக்கரத்தை வைத்துக் கார் என்று முடிவெடுத்தானா? அல்லது, Windshield மற்றும் காரின் கண்ணாடிகளைக் கொண்டு முடிவெடுத்தானா? ஏன் செல்வமணி பள பள லாரியில் வந்ததாக குமார் சொல்லவில்லை?

குமாரின் கார் என்ற முடிவுக்கும், இன்றைய தானோட்டிக் கார்கள் எடுக்கும் முடிவுக்கும் நிறைய வித்தியாசம் இல்லை. ஒரே வித்தியாசம், தானோட்டிக் கார், பளபளப்பைப் பற்றி அதிகம் கவலைப்படாது. அதன் பார்வையில், 1990 மாருதியும் இன்றைய BMW X1  -ம் ஒன்றுதான். சாலையைக் கவனித்துக் காரைச் செலுத்தும் பொழுது, காரின் விலை, அந்தஸ்து முக்கியமில்லை. அது கார் என்று தெரிய வேண்டும், அதன் இயக்க சமாச்சாரங்கள் (திசை, அகலம், நீளம், ஆழம், வேகம், இடைவெளி) முக்கியம். இந்த அணுகுமுறையையே இன்றைய தானோட்டிக் கார்கள் பின்பற்றுகின்றன.

அடுத்த பகுதியில், விரிவாகத் தானோட்டிக் கார்களின் மென்பொருள் பற்றி அலசுமுன், இத்துறையின் தந்தை என்று போற்றப்படும் Geoff Hinton  என்ற கனேடிய செயற்கை நுண்ணறிவு  விஞ்ஞானியுடன் ஒரு நேர்கானல்.

 

தமிழ்ப் பரிந்துரை

தமிழ்ச் சொற்கள் எல்லோருக்கும் புரிய வேண்டும் என்று சில ஆங்கிலச் சொற்களை கட்டுரையில் பயன்படுத்தியுள்ளேன். கார் சம்பந்தமான பல தொழில்நுட்பச் சொற்கள் தமிழில் அதிகம் புழக்கத்தில் இல்லை. உதாரணம், ஆக்ஸிலரேட்டர் மற்றும் ப்ரேக். இதை தமிழில் மொழிபெயர்த்தால், நம்மில் பலருக்கும் புரியாது. இதனால், இது போன்ற வழக்குச் சொற்களை அப்படியே பயன்படுத்தியுள்ளேன். சில புதிய சொற்களுக்கு நிகரான சில தமிழ்ச் சொற்களை இங்கு பரிசீலனைக்கென முன்வைக்கிறேன்

ஆங்கிலச் சொல் தமிழ்ப் பரிந்துரை
Survival எஞ்சுதல்
Innate intelligence உள்ளார்ந்த அறிவு
Machine vision challenge எந்திரப் பார்வை சவால்

சொல்வனம் – ஏப்ரல் 2017

தானோட்டிக் கார்கள் – தொழில்நுட்ப அறிமுகம் – பகுதி 5

மனிதர்கள், மோசமான ஓட்டுனர்கள் – இவர்களது மோசமான 100 வருட கெட்ட அனுபவத்தைச் சரிசெய்யத் தானோட்டிக் கார்கள் முயன்று வெற்றிபெற்றால், பல உயிர்கள் பாதுகாக்கப்படும்,  மருத்துவ வசதிகள் தவிர்க்க முடியாத நோய்களை மட்டுமே சரிசெய்யப் பயன்படும். சமூகத்தில், கார் ஓட்டத் தெரியாதவர்கள்/ முடியாதவர்களையும்  வேண்டிய இடத்திற்குப் பயணிக்க வைக்க முடியும். மேலும், போக்குவரத்து நெரிசல் மற்றும் பெட்ரோல் வீணாக்கம் போன்ற விஷயங்களைக் கட்டுப்படுத்த முடியும். இதுவரை நாம் பார்த்த விஷயங்களின் சாராம்சம் இது.

தானோட்டிக் கார்களை உருவாக்குபவர்கள் இதற்குத் தலை கீழாகச் சிந்திக்க வேண்டும். மனிதர்கள் மோசமான ஓட்டுனர்கள் என்று சொல்லி ஜல்லியடிக்க முடியாது. மனிதர்கள் தவறுகள் செய்யத்தான் செய்கிறார்கள். அதற்காக, ஓட்டும் ஒவ்வொரு மணியும் தவறு செய்வதில்லை.

  1. அமெரிக்கப் புள்ளிவிவரப்படி, 2011 –ல், சராசரி, 3.3 மில்லியன் மணி நேர கார் ஓட்டலுக்கு ஒரு முறை தான், விபத்தில் உயிர்ச் சேதம் ஏற்பட்டது
  2. சராசரி, ஒவ்வொரு 64,000 மணி நேர கார் ஓட்டலுக்கு ஒரு முறைதான், கார் விபத்து நேர்ந்தது

தானோட்டிக் கார்கள் மேலே சொன்ன புள்ளிவிவரத்தைவிடப் பன்மடங்கு ஒழுங்காகக் கார் ஓட்ட வேண்டும். அப்பொழுதுதான் தானோட்டிக் கார்கள் மனிதர்களால் ஒப்புக் கொள்ளப்படும்.

மனிதர்கள் இவ்வாறு கார் ஓட்ட முக்கியக் காரணம் என்ன?

  1. முதல் விஷயம், மனிதப் பார்வை. மிகவும் சிக்கலான உணர்வி மனிதக் கண். முப்பரிமாணத்தில், வண்ணத்தில் பார்ப்பதோடு அல்லாமல், மூளையுடன் பார்ப்பதை வைத்துச் செயலாற்றவும் வல்லது. இன்றுவரை, மனிதக் கண்ணை மிஞ்சும் உணர்வி கண்டு பிடிக்கப்படவில்லை
  2. மனிதர்களில், இதர துணை உறுப்புக்கள் – காது (ஒலி), கழுத்து, கை மற்றும் கால் – சரியாகக் காரைச் செலுத்த முக்கியமான உறுப்புக்கள் இவை

பார்வையற்றவர்கள், உடல் ஊனமுற்றவர்களுக்குக் கார் ஓட்டும் அனுமதி வழங்கப்படுவதில்லை. கண்ணாடி அணிபவர்கள் கார் ஓட்டும்பொழுது கண்ணாடி அணிந்திருக்க வேண்டும்.

சில தருணங்களில் மனிதக் கண், கார் ஓட்டுதலில் பல அதிசயமான ஆனால் நமக்குச் சாதாரணமாகத் தோன்றும் விஷயங்களை நாள்தோறும் செய்து வருகின்றன.

  1. இருட்டில், கருப்பு உடை அணிந்த மனிதர் குறுக்கே போனால், பெரும்பாலும், இதைக் கண்டு காரை நிறுத்தி விடுகிறோம். இதென்ன பெரிய விஷயம்? ஓர் எந்திரத்திற்கு இதைச் சொல்லிக் கொடுப்பதற்குள் போதும் என்றாகி விடுவதோடு, பல்லாண்டு ஆராய்ச்சியும் தேவைப் படுகிறது
  2. மஞ்சள் லாரிக்கு அருகே உள்ள மஞ்சள் ஆட்டோவைப் பெரும்பாலும் அடையாளம் கண்டு கொள்கிறோம். எந்திரங்களுக்கு இது சாதாரண விஷயமல்ல. இதைப் பற்றி விவரமாகப் பிறகு பார்ப்போம்
  3. ஏராளமான பனிப்பொழிவின் பொழுது, மனிதர்கள் கார் ஓட்டுவது ஒரு வினோத விஷயம். வரைபாதை எதுவும் பனிப்பொழிவின் பொழுது தெரியாது. மேலும், முன்னே சென்ற வாகனத்தின் பனியில் விழுந்த தடயங்களே (அழுத்தங்களே) பாதையாகிறது. எவ்வளவோ முன்னேறியும், இன்றும் தானோட்டிக் கார்கள், பனிப்பொழிவில் தடுமாறத்தான் செய்கிறது
  4. கொட்டும் மழையில் கார் ஓட்டுவது இன்னொரு முக்கிய மனித இயல்பு. கண்ணாடித் துடைப்பான் (windshield wipers) உதவியுடன், ஓரளவிற்கே தெரியும் பாதையில் மனிதர்கள் சர்வ சாதாரணமாகக் கார் ஓட்டுகிறார்கள். எந்திரங்களுக்கு இது ஒரு பெரிய சவால்.

இந்தத் தொழில்நுட்பப் பகுதிகளில் தானோட்டிக் கார்களின் எந்திரக் கற்றலியல் பற்றி ஒரு மேலோட்டமான அறிமுகம் செய்யத் திட்டம். தேவைப்பட்டால், விவரமாக எந்திரக் கற்றலியல் பற்றிக் கட்டுரைகள் வாசகர்களுக்கு ஆவலிருந்தால் எழுதலாம் என்று உத்தேசம்.

கைகளும் கால்களும் கார் ஓட்ட முக்கியம் என்றாலும், பார்வை என்பது பெரிதும் கார் ஓட்டும் முடிவுகளுக்கு மையமாக உள்ளது. கைகளும் கால்களும் கண்கள்/மூளை எடுத்த முடிவுகளைச் செயல்படுத்துகின்றன. அவ்வளவுதான். இயற்கையில், நம் கண்கள் கார் ஓட்டுவதற்காக உருவாக்கப்பட்டவை அல்ல. அதனாலேயே இத்தனை விபத்துக்கள் மற்றும் பொருள்/உயிர்ச் சேதம். ஆனால், கண்கள் மற்றும் கழுத்தை வைத்துக் கொண்டு நாம் ஓட்டும் காரின் சூழலை அழகாக அளந்து அதற்கேற்பக் காரைச் செலுத்துகிறோம்.

சூழலை கணிப்பது என்பது அவ்வளவு சாதாரண விஷயமல்ல. நம்முடைய முன்னால் உள்ள சூழலை கவனிப்பது எளிது. ஆனால், பின்னால், மற்றும் பக்கவாட்டில் உள்ள சூழலை கவனிக்க, பெரும்பாலும் நாம் கண்ணாடிகளையே (rear view/side mirrors) நம்பி வந்துள்ளோம். ஒளியைப் பிரதிபலிக்கும் கண்ணாடிகளிலிருந்து வரும் சூழலை, கண்களே காரோட்ட முடிவுகளுக்குப் பயன்படுத்துகிறது. பக்கவாட்டில் மிக அருகாமையில் உள்ள வாகனங்களைக் கவனிக்க நம் கழுத்தைப் பயன்படுத்தி, மீண்டும் கண்களால், சூழலை மதிப்பிடுகிறோம். ஆக, கண் நம்முடைய பிரதான உணர்வி. மேல்வாரியாகக் கண்களைப் பற்றி இங்குச் சொல்லியுள்ளேன். கண்கள் செய்யும் பல அதிரடி முடிவுகள் ஓர் எந்திரத்திற்குச் சொல்லிக் கொடுக்கும் பொழுதுதான், பிரச்னையே உருவாகிறது. இதைப் பற்றி விரிவாக அடுத்த பகுதிகளில் விவரிப்போம்.

கண்கள் எடுக்கும் முடிவுகளுக்கேற்ப காரைச் செலுத்த நமக்குச் சில கட்டுப்பாடுகளைத் தயாரிப்பாளர்கள் உருவாக்கியுள்ளனர். பிரேக் வேகத்தை குறைக்கவும், ஆக்ஸிலரேட்டர் வேகத்தைக் கூட்டவும் கால்களால் இயக்கப் படுகின்றன. மற்றபடி காரை வலப்புறமோ அல்லது இடப்புறமோ திருப்ப ஸ்டீயரிங் சக்கரம் மற்றும் திருப்புக் குறிகாட்டிகள் கைகளால் இயக்கப் படுகின்றன. இதைத் தவிர, காரை பின்னால் செலுத்துவதற்கு கியரை பயன்படுத்த வேண்டும் – இதற்கு கைகளும், கால்களும் தேவை.

அட, இதென்ன டிரவிங் வகுப்பு போல அடிப்படை அறுவை என்று தோன்றலாம். தானோட்டிக் கார்களில் கைகளும், கால்களும் இல்லை. இதனால், ஸ்டீய்ரிங் சக்கரம், பிரேக் மற்றும் ஆக்ஸிலரேட்டர் தேவையே இல்லை. தானோட்டிக் கார்களில் உள்ள கணினிகள் நேரடியாக வேகக் கட்டுப்பாடு, மற்றும் நிறுத்துதல் விஷயங்களைச் செய்துவிடும். சிக்கல் எல்லாம் கண்கள் விஷயத்தில்தான். விவரமாக அடுத்த பகுதியில் பார்க்க போகிறோம் என்றாலும் ஒன்றை இங்குச் சொல்லியாக வேண்டும். சாதாரணக் காய்ந்த சாலையில் தானோட்டிக் கார் செல்வதற்கும், மழை மற்றும் பனிப்பொழிவு சாலையில் செல்வதற்கும் நிறைய வித்தியாசம் உள்ளன. இயக்க பெளதிகம் முற்றிலும் வேறுபட்டது. மழை கொட்டும் சாலையில் பயண வேகம் மற்றும் நிறுத்துவதற்கான தூரம் எல்லாம் வேறுபடும். நாம் இதைச் சொல்லிக் கொடுக்காமலே கார் ஓட்டும்பொழுது கடைபிடிக்கிறோம். வேகமாகக் கார் ஓட்டும் பொழுது திடீரென்று மழைக் கொட்டத் தொடங்கினால், வேகத்தைக் குறைத்து விடுகிறோம். அத்துடன், காரை அவசரமாகப் பிரேக் செய்தால் சறுக்கும் என்று அறிந்து, நிறைய தூரம் முன்னரே வேகத்தைக் குறைத்து நிறுத்த முயற்சிக்கிறோம்.

இன்னொரு முக்கிய விஷயம், நாம் சர்வ சாதாரணமாகச் சொல்வது,

‘எங்க ஊர்ல இருக்கும் எல்லா சாலைகளும் எனக்கு அத்துப்படி’.

இதற்கு முக்கியக் காரணம், அந்த சாலைகளில் பல முறைகள் பயணம் செய்த அனுபவம்.

‘எத்தனை வருஷமா கார் ஓட்டினாலும், நெடுஞ்சாலையில் மிகவும் கவனமாக வேக எல்லைக்குள் பயணிப்பேன். எங்கு வேகமாகப் போக வேண்டும் என்று எனக்குத் தெரியும்’

இதுவும் ஒரு பயண அனுபவ வெளிப்பாடு.

‘சனிக்கிழமை நெடுஞ்சாலையில் ஒரே கூட்டம். எப்படிச் சின்ன பக்க சாலைகள் வழியாக எங்க ஊருக்குப் போவதென்பது என்போன்ற ஓட்டுனர்களுக்கு மட்டும்தான் தெரியும்’

இதுவும் இன்னொரு கார் ஓட்டும் அனுபவ வெளிப்பாடு.

ஆக, தானோட்டிக் கார்களுக்குப் பார்த்த உடனே செயல்படும் திறன் மட்டும் போதாது. எப்படியோ அனுபவமும் தேவை. எப்படி என்பதைப் பற்றி பிறகு பார்ப்போம். முதலில் அனுபவம் என்றால் என்ன?  எப்படி கார் ஓட்டும் அனுபவத்தை ஒரு எந்திரத்திற்குள் உருவாக்குவது? இந்தக் கேள்விகள் மிக முக்கியமான தானோட்டிக் கார்கள் பற்றிய தொழில்நுட்பக் கேள்விகள்.

இந்தக் கேள்விகளுக்கு பதில் கணினி மென்பொருளில் உள்ளது. அந்தக் கேள்விக்குப் போவதற்கு முன், தானோட்டிக் கார்களின் வெளியுலக உணர்விகள் என்னென்ன என்று பார்போம்.

லைடார் என்னும் கண்

நிலத்தில் என்ன வளங்கள் உள்ளன மற்றும், எந்த விதமான பயிர்கள் வளர்கின்றன, மற்றும், பயிர்களுக்கு எந்த வித பூச்சித் தாக்குதல்கள் உள்ளன என்று  விமானம் மற்றும் ஹெலிகாப்டரிலிருந்து பறந்தபடியே கண்காணித்துப் பதிவிடும் துறை, ரிமோட் சென்ஸிங் (remote sensing) என்னும் துறை. இத்துறையில் விமானங்களிலிருந்து நிலத்தை மற்றும் பயிர்கள், காடுகளைச் சரியாக அளக்கப் பயன்பட்ட கருவி லைடார். லேசர் கதிர்கள் மூலம் இயங்கும் இக்கருவிகள், துல்லியமாக மரங்கள் மற்றும் பயிர்களை விமானத்திலிருந்து அளந்து கணினிக்கு அனுப்பிவிடும். லைடார் தரவுகளை ஒரு அழகான பயிர் வள முப்பரிமானப் படமாகக் கணினி வரைந்து விடும்.

எத்தனை லேசர்கள் உள்ளனவோ, அத்தனைத் துல்லியம் லைடார்கள். 8 லேசர் கதிர்கள், 16, 32 என்று பல வகைகள் உள்ளன. இவற்றின் குறிக்கோள், ‘இதோ டாம் க்ரூஸ், கருப்புப் பேண்ட், நீலச் சட்டை, மஞ்சள் டை, கார்டுராய் ஜாக்கெட் அணிந்து ஒரு குறுந்தாடியுடன் வேகமாக நடந்து வருகிறார்’ என்று சொல்வதல்ல. 6 அடி 2 அங்குலம் உயரமுள்ள மனிதர் மணிக்கு 20 கி.மீ, வேகத்தில் இடது பக்கத்திலிருந்து 40 அடி தூரத்தில் வருகிறார் என்று சொல்வது. இந்த விஷயங்கள், தானோட்டிக் காருக்கு முக்கியம். டாமின் மஞ்சள் டை முக்கியமல்ல. பல தானோட்டிக் கார்களும் லைடார் என்னும் தொழில்நுட்பத்துடனே தொடங்கி வந்துள்ளன.

எவ்வளவு லேசர் கதிர்கள் இருந்தாலும், காரில் பொருத்தப்பட்ட லைடார்கள் 60 அடியிலிருந்து 200 அடி வரை மட்டுமே காண வல்லவை. தானோட்டிக் கார்களுக்கு 200 அடியைத் தாண்டியும் பார்க்க வேண்டிய அவசியம் உள்ளது.

லைடார்களின் துல்லியம் மிகவும் அருமையாக இருந்தாலும், இவற்றில் விலை மிக அதிகம். காரின் தலை மேல் பொருத்தப்பட்ட இந்த லைடார்கள் 2020 –க்குப் பிறகு வெளி வரும் தானோட்டிக் கார்களில் இருக்காது என்று பல வல்லுனர்கள் சொல்லி வருகிறார்கள். சல்லிசாகக் கிடைக்கும் டிஜிட்டல் காமிராக்கள் கொண்டு எல்லா எந்திரப் பார்வை விஷயங்களையும்  நிறைவேற்ற வேண்டும் என்பது ஒரு அணுகுமுறை. சமீபத்தில் டெஸ்லா, தன்னுடைய புதிய மாடல்களில் 8 காமிராக்களுடன் காரியத்தை முடித்துக் காட்டுவோம் என்று சொல்லி வருகிறது. சமீபத்திய கூகிள் தானோட்டிக் காரில், 200 அடி வரை துல்லியமாகக் கணிக்கக் கூடிய 64 லேசர் கதிர்களுடன் இயங்கும் லேசர் தொலை காணிக் கருவி (laser range finder) பொருத்தப்பட்டுள்ளது.

லைடார் தயாரிப்பாளர்கள், ஒன்றும் ஓய்ந்து விடவில்லை. இவர்கள் MEMS தொழில்நுட்பம் மற்றும், திடநிலை லேசர் தொழில்நுட்ப (solid state laser technology) உதவியுடன் சில நூறு டாலர்களுக்கு லைடார்களைத் தயாரித்து 2018 –ல் வெளியிடுவோம் என்று சவால் விட்டுள்ளார்கள். Velodyne, Quanergy, Valeo/IBEO   போன்ற நிறுவனங்கள் இந்தத் துறையின் முக்கிய நிறுவனங்கள். லைடார்களின் முக்கியப் பங்கு, வெளியில் எந்த அள்வு வெளிச்சம் இருந்தாலும் ஒரே சீராக இயங்குவது. காமிராக்கள், வெளியில் உள்ள வெளிச்சத்திற்கேற்ப அதன் இயக்கமும் மாறுபடும்.

மொத்தத்தில், நம் கண்ணை ஒரு உணர்வி கொண்டு மட்டும் சமாளிக்க முடியாது. இன்னொரு விஷயம். தானோட்டிக் கார்களில், பல உணர்விகளின் சங்கமம் அவசியம். சில உணர்விகள் சில சூழலில் களை கட்டும், மற்ற சூழலில் உதைக்கும். உணர்விகளின் சங்கமம், ஒரு உணர்வியின் குறையை இன்னொரு உணர்வி சரிசெய்யும்.

விடியோ காமிராக்கள் என்னும் மறுகண்

விடியோ காமிராக்கள் தானோட்டிக் கார்கள் அனைத்திலும் உள்ள ஒரு உணர்வி. முன்னால் ஒன்று, பின்னால் ஒன்று நிச்சயம். இதைத்தவிரச், சில கூடுதல் காமிராக்கள் தானோட்டிக் கார்களின் பாதுகாப்பைக் கூட்டும் என்று ஒரு வாதம் உண்டு. லைடாரைப் போல அல்லாமல், காமிராக்கள் முழு வண்ணம் மற்றும் முப்பரிமாணத்தைப் பதிவு செய்ய வல்லவை. இதில் என்ன பிரச்னை இருக்கப் போகிறது? முப்பரிமாண வண்ண விடியோக்கள் சூழலில் உள்ள ஒளிக்கேற்ப மற்றும் ஒளி பிரதிபலிப்பினால், பல வகை மென்பொருள் சவால்களை உருவாக்க வல்லது. பெரும்பாலும், நாம் படம் பிடிக்கும் விடியோப் படங்கள் தானோட்டிக் கார்களுக்குத் தேவையில்லை. எதிரே உள்ள பொருள் ஒரு தடையா இல்லையா? எதிரே உள்ள பொருள் நகருகிறதா, எந்தத் திசையிலிருந்து, எத்தனை வேகத்திலிருந்து? இந்தக் கேள்விகளுக்குக் காமிரா பிம்பங்கள் மூலம், துல்லிய விடை காணும் எந்திரக் கற்றலியல் முழுவதும் வளரவில்லை. பெரும்பாலும், விடியோக் காமிராக்கள், மற்ற உணர்விகளின் தரவுகளை மேம்படுத்தவே பயன்பட்டு வருகின்றன. ஆனால், காமிராக்களின் விலை மிகவும் குறைவு. அத்துடன், மற்ற கார்களின் பிரேக் விளக்குகள், மற்றும் சிக்னல் விளக்குகளை காமிராக்கள் மிகவும் எளிதில் பதிவு செய்ய உதவும். மேலும், சரியான லென்ஸ் பொருத்தப்பட்டால், பல நூறு அடிகள் வரை காமிராக்களால், பார்த்து, காட்சிகளைக் கணினிக்கு அனுப்ப முடியும்.

ராடார்

இன்று பல விலையுயர்ந்த கார் மாடல்களில் ராடார் பொருத்தப்பட்டுள்ளது – பெரும்பாலும் காரின் பின்னால், பிரேக் விளக்குகள் அருகில்.இவை adaptive cruise control  முறையில் பயன்படும் முக்கிய விஷயம். கார் அருகே வரும் மற்ற வாகனங்கள் எந்த வேகத்தில் எத்தனை தூரத்தில் வருகின்றன என்று துல்லியமாக அளக்க ராடார்கள் பயன்படுகின்றன. இந்த ராடார்களின் குறிகைகளை வைத்து கணினி, காரின் வேகத்தைக் கட்டுப்படுத்துவதோடு, சரியான வாகன இடைவெளியையும் பராமரிக்க முயலும். பின்னால் வருவது காரா அல்லது பஸ்ஸா என்பது முக்கியமில்லை, எத்தனை தூரத்தில் எந்த வேகத்தில் வருகிறது என்பதே முக்கியம். இன்றைய காரில் உள்ளது போலவே தானோட்டிக் கார்களிலும் ராடார்கள் இந்த வேலையைச் செய்யும்

ஜி.பி.எஸ். வாங்கி

ஜி,பி,எஸ். ஒரு கார் இருக்கும் சரியான இடத்தைக் கணிக்க உதவும் ஒரு உணர்வி. இதைப் பற்றி ‘நேரம் சரியாக’ தொடரில் விவரமாகப் பார்த்தோம். ஜி.பி.எஸ்., ஒரு 5 அடி வரை துல்லியமற்றது. இதனால், பெரும்பாலும், துல்லியக் கூறுகளை (coordinates) முன்னால் செய்த பயணத்திலிருந்து கணினியில் சேமித்து விடுகிறார்கள். ஜி,பி.எஸ். குறிகையையும், கணினியின் கூறுகளையும் வைத்து, காரின் துல்லிய நிலையிடத்தைக் (precise location coordinates)  கணிக்கும். இது எல்லா உணர்விகளிலும் மிகவும் முக்கியமான விஷயம். எந்த இயக்கமும், ஒரு நிலையிலிருந்து தொடங்கும். அந்த நிலையை நிர்ணயிப்பது ஜி,பி.எஸ்.

மனிதர்கள், அனுபவத்திலிருந்து, இந்த நிலையை நிர்ணயிக்கிறார்கள்.

உயரம் சுழற்சி உணர்விகள்

பெரும்பாலும் காருக்குள் பொருத்தப்பட்டுள்ள இந்த உணர்விகள், கார் சாய்கிறதா, எந்த உயரத்தில் பயணிக்கிறது என்பதை கணிக்கப் பயன்படுகிறது. சுழற்சி என்பது கார் வளைவுகளில் எப்படிப் பயணிக்கிறது என்பதைக் கணினி கணிக்கப் பயன்படுகிறது.

வரைபடங்கள்

பெரும்பாலும், ஒரு மனிதர் ஓட்டிய காரில் பொருத்தப்பட்ட லைடார் மூலம், துல்லியமாகப் பயணித்த சாலையின் ஒவ்வொரு அம்சமும் சரியான கூறுகளுடன் சேமித்து விடுகிறார்கள். தானியங்கிக் கார் இந்த வரை படத்தைப் பயன்படுத்தி சாலையைப் பற்றித் தெரிந்து கொள்கிறது, மற்ற உணர்விகள், ஊர்த்திகள், பாதசாரிகள், மற்றும் சாலை குறிகள், சிக்னல்கள் போன்ற விஷயங்களை உள் வாங்குகிறது.

நாம் படிப்பதற்கு ஒரு கண்ணாடி, தூரப் பார்வைக்கு இன்னொறு என்று அணிந்து கொள்வதைப் போலப் பல கண்ணாடிகளை அணிவித்து விட்டோம். இதனால், குழந்தை தானாகவே நடக்கும் என்று சொல்ல முடியுமா? அதற்கு அறிவு வேண்டும் – சுற்றுச் சூழலில் என்ன நடக்கிறது என்று தெரிய வேண்டும். மிக முக்கியமாக, சொல்லிக் கொடுத்த விஷயங்கள் தவிர புதிய நிகழ்வுகள் நடந்தால், எப்படிச் சமாளிப்பது என்பது மிகவும் முக்கியம்.

தானோட்டிக் கார்கள் புதிய சூழல்களைச் சமாளிக்க வைப்பது எப்படி?

எந்திரக் கற்றலியல் வளர்ச்சியால், இது இன்று ஓரளவு சாத்தியம். இதைப் பற்றி அடுத்த பகுதிகளில் விரிவாகப் பார்ப்போம்.

சொல்வனம் – மார்ச் 2017

தானோட்டிக் கார்கள் – சமூகத் தேவை மற்றும் மனித ஓட்டுதல் பிரச்னைகள் – பகுதி 4

எந்த ஒரு புதிய தொழில்நுட்பத்திற்கும் ஒரு தேவை இருந்தாலே அது வெற்றி பெறுகிறது. தொலைதூரப் பயணம் என்பது மனிதர்களுக்குக் கால்நடையாகச் செல்வது அதிக நேரம் மற்றும் உடல் சோர்வு உண்டாக்குவதால், விலங்குகளில் ஆரம்பித்து (குதிரை, யானை), சைக்கிள் என்று முன்னேறி, கார் வரை தேவையானது. கடல் தாண்டிச் செல்ல கப்பல் மற்றும் விமானம் தேவையானது. தானோட்டிக் கார்களுக்கு என்ன தேவை?

மிக முக்கியமான காரணம் மனித ஓட்டுனர்கள்.

  • இன்று உலகெங்கும், பல பெரிய நகரங்களில், பெரிய சாலைகள் இருந்தும், போக்குவரத்து நெரிசலால், முன்பு போலச் சரியான நேரத்திற்கு நாம் செல்லுமிடம் அடைய முடிவதில்லை.
  • மனிதர்களும் அதிகரித்து விட்டதால், அனைவரின் போக்குவரத்துத் தேவைகளும் கார்கள் மூலம், இருக்கும் அதே சாலை அமைப்பில் நிறைவேற்றப்பட வேண்டும்.
  • மலிவாகக் கார்களைத் தயாரித்தால், பிரச்னை சரியாகிவிடும் என்று நினைத்து, பல கோடி கார்களை வாகனத் தயாரிப்பாளர்கள் வருடா வருடம் தயாரிக்கத் தொடங்கினார்கள்.
  • உலகின் பல அரசாங்கங்களும் இந்தத் தீர்விற்குத் துணை போயின. விற்பனை வரி, உரிம, நிறுத்துமிட, மற்றும் சாலை பயன்பாட்டு வருமானம் என்று அரசாங்கங்களும் பயனடைந்தன. ஒவ்வொரு நாட்டிலும் வரிப்பணத்தின் ஒரு பகுதி சாலைப் பராமரிப்பிற்குச் செலவிடப்பட்டது

 

  • போக்குவரத்துக் கட்டுப்பாடு, ஓர் அளவிற்கு மேல், மனிதர்களால் இயலாது என்று வளர்ந்த நாடுகளில் சிக்னல்/கணினி மூலம் போக்குவரத்தைக் கட்டுப்படுத்த முயற்சி, கடந்த 50 ஆண்டுகளாக நடந்து வரும் விஷயம். உதாரணத்திற்கு, கனடாவில், ஒரு பெரிய நகரம், அங்குள்ள சிக்னல்கள் அனைத்தையும் LED தொழில்நுட்பத்திற்கு மாற்றினால், மின்சாரச் செலவு மட்டும் வருடத்திற்கு 5 லட்சம் டாலர்கள் வரை மிஞ்சும் என்று கணக்கிட்டது என்றால் பாருங்களேன்
  • கார்கள் பெருகியதால்,வட அமெரிக்காவில், மனிதர்கள் நகரின் மையப்பகுதியைத் துறந்து, புறநகர் பகுதியில் பெரிய வீடுகளில் வசிக்கத் தொடங்கினர். நகரங்கள் பெரிதாகிக் கொண்டே போயின. மெல்லிசை மன்னர் விஸ்வநாதன், வட அமெரிக்கப் பயணம் ஒன்றின் பொழுது, ‘என்ன, விடுதியும், இசை அரங்கமும் இரு நகரங்களிலா இருக்கிறது? காரை ஓட்டிக் கொண்டே இருக்கிறார்களே’ என்று அலுத்துக் கொண்டதாக எஸ்.பி.பி. ஒரு போட்டியில் சொன்னது, இந்த நகரப் பரவல் (urban sprawl) காரணமாகத்தான்.
  • பெட்ரோல் மூலம் இந்தக் கார்கள் இயங்குவதால், புகை ஒரு பெரிய பிரச்னையாகிவிட்டது. பெய்ஜிங், டில்லி போன்ற நகரங்களில், காற்று மாசடைந்து அதனால் வரும் நோய்கள் அதிகமாகி, இதுவே ஒரு பெரிய சமூகப் பிரச்னையாகிவிட்டது
  • இவற்றை எல்லாம்விடப் பெரிய பிரச்னை, விபத்துக்கள். வாகன விபத்துக்கள் என்பது இன்று சர்வ சாதாரணமாகி விட்டது. விபத்துக்களால், உயிர்கள் பரி போவது மட்டுமல்லாது, மருத்துவச் செலவுகள் நம்முடைய சமூகத்தில் அதிகரித்தும் வருகிறது. இதனால், நெருக்கடிச் சேவைகளுக்கு (emergency services), வாகனங்கள் மிகப் பெரிய பாரமாகி வருகிறது
  • விபத்துக்களில், மிக முக்கியப் பிரச்னை, மது அருந்திய வாகன ஓட்டுனர்களால், ஏற்படும் விபத்துக்கள். அரசாங்கங்கள் எத்தனைதான் முயன்றாலும் உலகெங்கும் இவ்வகை விபத்துக்கள் அதிகரித்தே வருகின்றன
  • நிறுத்துமிடம் என்பது இன்று வசிக்க ஒரு வீடு போன்ற ஒரு பூதாகாரமான பிரச்னையாகி விட்டது. சில நகரங்களில், வீடு கிடைத்தால்கூட, வாகன நிறுத்துமிடம் கிடைப்பதில்லை. குறிப்பாக, பழைய, பெரிய நகர மையங்களில் இது உல்கெங்கும் ஒரு பிரச்னை

இந்தப் பிரச்னைகள் நம்முடைய பொறுப்பின்மையால் வந்ததா? எளிதாக ஆம் என்று சொல்லி விடலாம். ஆனால், வேறு வழியில்லை என்று வரும் பொழுது, நாம் பிரச்னைகளுடன் வாழப் பழகி விடுகிறோம். ஆனால், நாம் எடுக்கும் ஒவ்வொரு முடிவிற்கும் ஒரு விலையுள்ளது. சமூகம் அந்த விலையை வரிகள் மூலம் கொடுத்து வந்துள்ளது. இங்குப் பட்டியலிட்டுள்ள எல்லாப் பிரச்னைகளையும் தானோட்டிக் கார்கள் தீர்த்துவிடும் என்று அர்த்தமில்லை. ஆனால், மிகப் பெரிய பிரச்னையான விபத்துக்கள் மற்றும் குடிபோதையில் வாகன ஓட்டுதல் என்ற இரு பிரச்னைகளைத் தானோட்டிக் கார்கள் நிச்சயமாகத் தீர்க்கும் என்று எதிர்பார்க்கப்படுகிறது. விரிவாக இந்தப் பிரச்னைகளைப் பார்ப்போம்.

 

பொதுவாக, நாம் பெட்ரோல் விலை அதிகமானால் சீறுகிறோம். அரபு சர்வாதிகாரிகளைத் திட்டுகிறோம். கார் செலுத்துவதன் பிரச்னைகளில், பெட்ரோல் ஒரு சின்னப் பங்கே வகிக்கிறது. மேலே உள்ள படம், ஒரு மைல் பயணத்திற்குச் சமூகம் தரும் விலையைப் பட்டியலிடுகிறது. நம்முடைய பாக்கெட்டிலிருந்து பெட்ரோல், கார் பராமரிப்பு மற்றும் காப்பீடு – இந்த மூன்றே செலவுகள் தான் என்று நினைக்கிறோம். சமூகத்திற்கு, இன்னும் பல செலவுகள் உள்ளன. போக்குவரத்து நெரிசல், விபத்துக்கள் மற்றும் காற்று மாசு/புவி சூடேற்றம் பெட்ரோல் விலையை விடப் பல மடங்கு அதிகம்.

உதாரணத்திற்கு, AAA  என்ற அமெரிக்க அமைப்பு, வருடத்திற்கு 10,000 மைல்கள் ஓட்டப்படும் ஒரு சாதாரணக் காருக்கு ஆகும் செலவுகளை இப்படிப் பட்டியலிட்டுள்ளது;

 

செலவு விவரம் செலவு விளக்கம்
பெட்ரோல் செலவு $1,500.00 மைலுக்கு 15 சென்ட்கள் 10,000 மைல்களுக்கு $1,500
பராமரிப்புச் செலவு $500.00 மைலுக்கு 5 சென்ட்கள் 10,000 மைல்களுக்கு $500
டயர்கள் செலவு $100.00 மைலுக்கு 1 சென்ட். 10,000 மைல்களுக்கு $100
தேய்மானச் செலவு (depreciation) $3,244.00 பல கார்களின் சராசரி தேய்மானச் செலவு
கடன் வசதிக் கட்டணம் (finance charges) $831.00
குத்தகை மற்றும் பதிவுச் செலவு (leasing and registration charges) $600.00
மொத்த செலவு $6,775.00

 

நாம் முன்னே பார்த்த படத்தில், மைலுக்கு ஆகும் செலவில், அதாவது 15 சென்ட்களில், மற்ற சமூகச் செலவு பளூ எவ்வளவு என்று பார்தோம். 15 சென்ட்களில், 13.1 சென்ட்கள் இவ்வகைச் செலவிற்கே சரியாகி விடுகிறது. ஒரு கார் சராசரி 10,000 மைல்கள் ஒரு ஆண்டுப் பயணிக்கிறது என்று வைத்துக் கொண்டால், சமூகச் செலவு 13.1*10,000 = $1,310. அமெரிக்காவில், ஏறக்குறைய 2014 –ல் 243 மில்லியன் வாகனங்கள் இருந்ததாக ஒரு புள்ளி விவரம் சொல்லுகிறது. அதாவது, சமூகச் செலவு, இந்த வாகனங்களால்,

243,000,000 * $1,310 = $318,330,000,000

இந்திய ரூபாய்க் கணக்குப் படி (டாலருக்கு 66 ரூபாய்) 21 லட்சம் கோடி ரூபாய்கள். இந்தக் கணக்கில், கட்டுமானச்  செலவுகள் எதுவும் அடங்காது. சாலைப் பராமரிப்பு, புதிய சாலைகள் மற்றும் பாலம் கட்டும் செலவு, புதிய சிக்னல்கள், புதிய சாலைக் குறிகள் எதுவும் இதில் அடங்காது.

கார்களில் சேர்க்கப்படும் பாதுகாப்பு அம்சங்கள் ஒவ்வொன்றும் பல கோடி கார்கள் ஓடுவதால், அதன் தாக்கம் பெரிதாக இருக்கும் என்பது பல வல்லுனர்களின் கருத்து. ஆனால், பாதுகாப்பு அம்சங்கள், பெரும்பாலும், விபத்தை எப்படித் தவிர்ப்பது என்ற நோக்கத்தையே முன் வைக்கின்றன. உயிர் சேதத்தை எப்படிக் குறைப்பது என்பதே இவற்றின் நோக்கம். உதாரணத்திற்கு, இருக்கை வார் (seat belts) மற்றும் காற்றுப் பைகள் (air bags) விபத்து விஷயத்தில் மிகப் பெரிய தாக்கத்தை ஏற்படுத்திய முன்னேற்றங்கள். ஆயினும், உயிர்சேதத்தைக் குறைத்த இவ்வகை அம்சங்கள், விபத்தைத் தவிர்ப்பதில் வெற்றி பெறவில்லை. ஒரு 5 ஆண்டுகளுக்கு முன்பு, கார் விபத்துக்களால் இருந்த உயிரிழப்பு அளவு, இன்று இல்லை என்பது நிச்சயம். ஆனாலும், விபத்துக்கள் நேர்ந்த வண்ணம் இருக்கின்றன. நாம் பார்த்த 2.4 சென்ட்கள் (ஒவ்வொரு 15 சென்ட்களுக்கும்) இன்னும் குறைந்தபாடில்லை.

அத்துடன், இந்தப் படத்தில் காட்டாத இன்னொரு விஷயம் வாகனங்களை நிறுத்துமிடம் பற்றியது. ஒரு புள்ளிவிவரத்தின் படி, லாஸ் ஏஞ்சலஸ் நகரத்தின் மையப் பகுதியில் உள்ள நிலப்பரப்பில் 81% கார்கள் நிறுத்துமிடத்திற்கே சரியாக உள்ளது. இதன் அர்த்தம், வெறும் 19% –ல் கட்டிடம், மனிதர்கள் எல்லோரும் இருக்கிறார்கள் என்பதல்ல. பல மாடி கார் நிறுத்துமிடங்களின் நிலப்பரப்பையும் சேர்த்துக் கொண்டால், கணக்கு இப்படி பூதாகரமாகத் தெரிகிறது. உலகின் எல்லாப் பெரிய நகரங்களிலும் இதுவே பிரச்னை.

இன்னொரு புள்ளி விவரப்படி, ஒரு சராசரிக் கார், தன்னுடைய பயனுள்ள ஆயுளில், வெறும் 5% நேரமே செலுத்தப்படுகிறது. 95% நேரம் நிறுத்தப்படுகிறது. இதைப் போன்ற நில விரயம் வாய்ந்த ஒரு தொழில்நுட்பம் ஏதுமில்லை. கார்கள் வருவதற்கு முன்னர், லண்டன் மாநகரத்தின் பெரும் பிரச்னை, குதிரை நிறுத்துமிடம் மற்றும் அதன் சாணம் என்றிருந்தது. இன்று, நம்முடைய பல நகரங்களின் நிலப்பரப்பை ஆக்கிரமிக்கும் ராட்சசனாகக் கார் மாறிவிட்டது!

பிரச்னைகளை அடுக்கியாகிவிட்டது. அடுத்தபடியாக, தானோட்டிக் கார்கள் எந்த வகைப் பிரச்னைகளைத் தீர்க்க உதவும் என்று பார்ப்போம்.

டெஸ்லா போன்ற கார்கள் மின்கார்களாகவும், தானோட்டித் தன்மை வாய்ந்த கார்களாகவும் இருப்பதை, இங்கு ஒரு விதிவிலக்கு என்றே அணுகுவோம். இன்னும் சில ஆண்டுகளில் வரும் கார்கள் பெட்ரோலிலேயே இயங்கும் என்று வைத்துக் கொள்வோம்.

  • நிறுத்துமிடம்: தானோட்டிக் கார்கள், ஒருவரை, அவர்களுக்கு வேண்டிய இடத்தில் இறக்கி விட்டு, அடுத்த பயணி இருக்கும் இடத்திற்குப் பயணிக்கலாம். எங்கே நிறுத்துவது என்று அல்லாட வேண்டாம். அப்படியே, அடுத்த பயணி கிடைக்கவில்லையென்றாலும், ஊரின் மையப் பகுதி அல்லாமல், ஒரு 30 அல்லது 50 கி.மீ. தள்ளி, நிறுத்திக் கொள்ளலாம். நகரின் மையப் பகுதியில், அடுக்கு மாடி நிறுத்துமிடங்கள் மற்றும், தெருவோர நிறுத்துமிடங்கள் என்று இடத்தை வீணாக்க வேண்டியதில்லை. தானோட்டிக் கார்களின் மிகப் பெரிய தாக்கம் நிறுத்துமிடமாக இருக்கும். உள்ளூர் அரசாங்கங்கள் ஊரின் வெளியே இவற்றை நிறுத்த இடம் தர வேண்டி வரும். இன்றுள்ளதைப் போல நிறுத்துமிட வாடகைப் பணம் கிட்டாது. ஒன்று மட்டும் நிச்சயம் – தானோட்டிக் கார்கள் 5% பயனுடன் மனிதக் கார்கள் போலத் தூங்காது
  • போக்குவரத்து நெரிசல்: நகரின் மையப் பகுதிகளில், நிறுத்துமிடம் தேடும் கார்கள் குறைந்தாலே, சற்றுப் போக்குவரத்து நெரிசல் குறையும். மேலும், பெரும்பாலும், போக்குவரத்து நெரிசலுக்கான முக்கியக் காரணம், மனிதர்கள் கார்களை, சீரான வேகத்தில் செலுத்தாதது, மற்றும் வாகனங்களுக்கிடையில் சரியான இடைவெளி விடாதது. இவ்விரண்டு பிரச்னைகளையும் தானோட்டிக் கார்கள், சீராக ஓட்டுவதால், நேர விடாது. இதனால் போக்குவரத்து நெரிசல் குறையும் என்பது வாதம். இன்னும் நடைமுறைக்குத் தானோட்டிக் கார்கள் வராததால், பொருத்திருந்துப் பார்க்க வேண்டும்
  • காற்று மாசு/புவி சூடேற்றம்: நகர மையப் பகுதிகளில் நின்று நகரும் போக்குவரத்து பெட்ரோல் விரயத்திற்குப் பெரும் காரணம். மேலும், ஊரும் வாகனங்கள் காற்றை மாசுபடுத்துகின்றன. ஒரு பேச்சிற்கு, ஒரு நகரில் அனைத்து வாகனங்களும் தானோட்டி வாகனங்கள் என்று வைத்துக் கொள்வோம். சீராக ஒரே வேகத்தில் நகரும் வாகனங்கள் ரயிலைப் போன்று இயங்கும். இதனால், நின்று நகரும் போக்குவரத்து வெகுவாகக் குறையு வாய்ப்பு உள்ளது
  • விபத்து: பெரும்பாலான விபத்துக்கள் இரு காரணங்களால் நிகழ்கின்றன. 1) அளவிற்கு அதிகமான வேகம் 2) மனித ஓட்டுனர் தவறுகள். இவை இரண்டும் தானோட்டிக் கார்கள் பெரிதும் குறைத்துவிடும் என்ற நம்பிக்கை வல்லுனர்களுக்கு இன்றுள்ளது. முதலில், ஒரு சாலையில், குறிப்பிட்டுள்ள வேகத்திற்கு மேல் தானோட்டிக் கார்கள் செல்லாது. மேலும், மனிதர்களைப் போல, தானோட்டிக் கார்கள், சரியாகக் கவனிக்காமல், வரைபாதைகளை மாற்றாது
  • குடிபோதை விபத்துக்கள்: நிச்சயமாக இது நேராது என்று தைரியமாகச் சொல்லலாம். தானோட்டிக் கார்கள் மது அருந்தப் போவதில்லை. அதனால், காருடையை கணிப்புத் தவறாவதற்கு வாய்ப்பே இல்லை

நாம் பார்த்தப் படத்தில் உள்ள 13.1 சென்ட்களில், குறைந்தபட்சம், பாதியாவது மிஞ்சும் என்பது சில ஆராய்ச்சியாளர்களின் கணிப்பு. மின் கார்கள் ஒலியளவையும் சற்றுக் குறைக்கும் என்று எதிர்பார்க்கப்படுகிறது.

பின் ஒரு பகுதியில், இந்த வகைக் கார்கள் எப்படிப் படிப்படியாக அறிமுகப்படுத்தப்படும் என்று விரிவாகப் பார்ப்போம். ஈலான் மஸ்க் சொன்னச் சட்ட புறம்பான மனித கார் ஓட்டுனர்கள் என்ற நிலை வர இன்னும் 50 ஆண்டுகளாவது ஆகும் என்று சொல்லலாம். ஒன்று மட்டும் நிச்சயம் – மோசமான மனித கார் ஓட்டுனர்களால், சமூகத்திற்கு ஏராளமான பொருளாதார/சுகாதார பளு கடந்த 60 ஆண்டுகளாக  நேர்ந்துள்ளது மறுக்க முடியாத நிகழ்வு.

பாதுகாப்பு அம்சங்களைப் படிப்படியாக வாகனத் தயாரிப்பாளர்கள் அறிமுகப் படுத்தி வந்துள்ளார்கள் என்று பார்த்தோம். பல அரசாங்க போக்குவரத்து மற்றும் பொறியாளர்களும், உண்மையில், தானோட்டிக் கார் என்றால் என்னவென்று அழகாகப் பட்டியலிட்டுள்ளார்கள்.

நன்றி: Scientific American, June 2016

Society of Automobile Engineers (SAE) என்ற அமைப்பு, சில ஆண்டுகளுக்கு முன், இதை முன் வைத்தது. வழக்கம் போல, அமெரிக்க அமைப்பான National Highway Traffic Safety Administration (NHTSA) சற்று, இதை மாற்றி, SAE –யின் 6 அடுக்குகளுக்குப் பதில் 5 அடுக்குகளை முன் வைத்துள்ளது. உலகின் பல நாடுகளும் SAE முறையை அங்கீகரித்துள்ளதால், அதோடு, இரண்டிற்கும் அதிக வித்தியாசம் இல்லாததால், அரசாங்க சச்சரவிற்குள் சிக்காமல், நாம் SAE முறையை இங்கு விளக்குவோம்.

  • முதல் மூன்று அடுக்குகளிலும், மனித ஓட்டுனர் முழுப் பொறுப்பில் இருக்கிறார். அவ்வப்பொழுது சில சமயங்களில் (Cruise control, lane assist) தானியக்கம் நிகழும். சுற்று வட்டாரத்தில் நிகழும் அனைத்து விஷயங்களையும் மனித ஓட்டுனர் கவனிக்க வேண்டும். இதைப் பற்றி, காருக்குத் தெரியாது. இன்றைய பெரும்பாலான கார்கள், இந்த வகையில் அடங்கும்.
  • நான்காம் அடுக்கில், ஒரு முக்கியமான பொறுப்பு மனிதனிடமிருந்து எந்திரத்திற்கு மாறுகிறது. சுற்று வட்டாரத்தைக் கண்காணிப்பது (அதாவது, எந்தப் பக்கத்தில் இன்னொரு கார் வருகிறது, அருகே உள்ள சிக்னலில் சிவப்பா, பச்சையா, திரும்புவதற்கு முன், பாதசாரி உள்ளாரா போன்ற விஷயங்கள்) என்பதை எந்திரம் செய்கிறது. சில சமயம், எந்திரம் தடுமாறும் பொழுது, மனிதரால் கட்டுப்பாட்டை எடுத்துக் கொள்ள முடியும். இன்றைய டெஸ்லாக்கள் இதைச் செய்கின்றன. இவற்றிற்குச் சுற்று வட்டாரத்தைக் கண்காணிக்கப் பல உணர்விகள் மற்றும் கணினி உள்ளது.
  • ஐந்தாம் அடுக்கில், பெரும்பாலும் எந்திரம் கார் ஓட்டுகிறது. ஆனாலும், சில குறிப்பிட்ட தருணங்களில் மட்டும் எந்திரமே மனித உதவியை நாடும்
  • ஆறாம் அடுக்கில், மனித ஓட்டுனரே தேவையில்லை. ஏன், மனிதர்களுக்கு பரிச்சயமான accelerator, brake, steering எதுவுமே இவ்வகைக் கார்களில் கிடையாது. மனிதர்கள் வெறும் பயணிகள். கூகிளின் கார்கள் இந்த வகையைச் சேர்ந்தவை. சட்டம் இன்னும் இவ்வகைக் கார்களை அனுமதிக்காததால், கூகிள் தொழிலாளி ஒருவர் எப்பொழுதும் இவ்வகைக் கார்களில் ஓட்டுனராகப் பயணிக்கிறார்

 

மிகவும் மதிநுட்பமான தொழில்நுட்பம் இவ்வகைக் கார்களின் பின்னால் இயங்குகின்றது. வளர்ந்து வரும் இந்தத் தொழில்நுட்பத்தை, அடுத்த சில பகுதிகளில் விரிவாகப் பார்ப்போம்

சொல்வனம் – மார்ச் 2017

தானோட்டிக் கார்கள் – தானியக்க வரலாறு – பகுதி 3

திடீரென்று தானோட்டிக் கார்கள் ஒன்றும் முளைத்து விடவில்லை. பல திரைப்படங்கள் மற்றும் விஞ்ஞானக் கதைகள் இவற்றைப் பற்றிக் கடந்த 60 ஆண்டுகளாகக் கற்பனை செய்து வந்துள்ளன. ஹாலிவுட் திரைப்படமான ஸ்பீல்பர்கின் Back to the Future, Minority Report (2002) திரைப்படங்களில், கார் தானே செலுத்திக் கொள்ளும். அதே போல, Total Recall (1990), Demolition Man, I Robot (2004), The Car (1967)  போன்ற ஹாலிவுட் திரைப்படங்களும் தானோட்டிக் கார்களை நல்லனவாகவும், கொடுமை எந்திரங்களாகவும் கற்பனை செய்து பொது மக்களின் சிந்தனையைச் செதுக்கியுள்ளன.  இந்தக் கட்டுரை சினிமாவைப் பற்றியது அல்ல – எப்படி, படிப்படியாக கார்களில் தானியக்கம் தோன்றியது என்பதைப் புரிந்து கொள்வதைப் பற்றியது.

நிஜ வாழ்க்கையில், சினிமா போல எல்லாம் உடனே நடக்கும் விஷயமல்ல. படிப்படியாக கார் தயாரிப்பாளர்கள் சின்ன சின்ன முன்னேற்றங்களை, கடந்த 60 ஆண்டுகளாகச் செய்து வந்துள்ளார்கள். முக்கியமாக, இதில் கவனிக்க வேண்டிய விஷயம் என்னவென்றால், கார் தயாரிப்பாளர்கள், புதிய அம்சங்களை எல்லா கார்களிலும் புகுத்துவதில்லை. அதிக விலை விற்கும் மாடல்களில் முதலில் புகுத்தி விட்டு, சில வருடங்களுக்குப் பிறகு, சாதாரணக் கார்களில் இந்த அம்சங்களைக் கொண்டு வருவார்கள். கார் தொழிலைப் பின்னோக்கிப் பார்க்கையில் ஒரு முக்கிய வரலாற்றுப் புள்ளி விவரம்;

எந்த ஒரு பாதுகாப்பு முன்னேற்றமும் ஒரு கார் நிறுவனத்தின் உயர் மதிப்புள்ள மாடலிலிருந்து சாதாரண மாடலைச் சென்றடைய 30 ஆண்டுகள் பிடித்துள்ளது.

முதலில், கடந்த 100 ஆண்டுகளில், பொதுவாகத் தானியக்கம் எப்படி அறிமுகப்படுத்தப்பட்டது என்று பார்ப்போம்:

 

1960 –க்குப் பிறகே கார் சம்பந்தப்பட்ட தானியக்கம் தொடங்கியது. 1980 –களில் நுண்கணினிப் புரட்சி (microcomputer/chip revolution) கார்களை உடனே பாதிக்கவில்லை என்றுதான் சொல்ல வேண்டும்.

பொதுவாக, கார்களில், தானியக்கம் என்பது முதலில் ஓட்டுனருக்கு உதவி புரியும் ஒரு பாதுகாப்பு அம்சமாகவே அறிமுகப்படுத்தப்பட்டன.

கீழே உள்ள பட்டியல், இவ்வகை முக்கிய அறிமுகங்கள்;

அறிமுக ஆண்டு புதிய பாதுகாப்பு அம்சம்
1903 கண்ணாடி நீர் துடைப்பான் (windshield wiper) அறிமுகம். இதற்கு முன், மழை வந்தால் கார் ஓட்ட மாட்டார்கள்!
1911 முதல் மின் கார் துவக்கம் – ignition. அதுவரை, ஒரு சுழற்றி மூலமே (crank) காரை உயிரூட்ட முடியும்
1914 திருப்பு குறிகாட்டி (turn indicators) அறிமுகம். அதுவரை, சைக்கிள் ஓட்டுபவரைப் போல, கை காட்டியே திரும்பினார்கள்
1926 பாதுகாப்பு கண்ணாடி (shatter proof glass) கார்களில் பொருத்தப்பட்டது. இதற்கு முன் கார்களில் கண்ணாடி விபத்தில் சுக்கு நூறாகிப் பயணிகள் மற்றும் ஓட்டுனரைக் காயப்படுத்தி வந்தது
1928 நாம் இன்று எல்லா கார்களில் எதிர்பார்க்கும் கியர் பாக்ஸ் அறிமுகம் (synchromesh transmission by Cadillac)
1930 கார்களில் ரேடியோ அறிமுகப் படுத்தப்பட்டது. இவை வால்வ் ரேடியோக்கள். இன்றும் வட அமெரிக்காவில், காரின் ஸ்டீரியோவை, ரேடியோ என்று அழைப்பவர்கள் இருக்கத்தான் செய்கிறார்கள்
1934 பயணம் கரடு முரடாக இல்லாமலிருப்பதற்கு, உலோக சுருள் (coil spring suspension) அறிமுகப்படுத்தப்பட்டது
1946 முதல் கார் தொலைப்பேசி அறிமுகப்படுத்தப்பட்டது. இவர் ராட்சசத் தனமாக இருந்ததை யாரும் பொருட்படுத்தவில்லை
1947 டியூப் இல்லாத டயர்கள் அறிமுகப் படுத்தப்பட்டது. இன்று radial tires  என்பதை எல்லோரும் எதிர்பார்க்கிறோம்
1948 கியர் அற்ற கார்கள் அறிமுகம் செய்யப்பட்டது (automatic transmission by Buick). இன்று பெரும்பாலும், வட அமெரிக்காவில் கியர் அற்ற கார்களே விற்கின்றன
1956 ஸ்டியரிங் ஒடிப்பது என்பது இந்திய லாரி டிரைவர்கள் சொல்லும் கைமுறை. மோட்டார் உதவியுடன் ஸ்டியரிங் எளிதாக்கப்பட்ட (power steering) ஆண்டு
1958 வேக சுயக்கட்டுப்பாடு அல்லது Cruise control கண்டுபிடிக்கப்பட்டது. ஓட்டுனர் ஒரு வேகத்தை செட் செய்தால், கார் அதே சீரான வேகத்தில் செல்லும் ஒரு வசதி. மிகப் பெரிய தானியக்க முன்னேற்றம் இது. இந்த வசதியால், வெறும் ஸ்டியரிங்/பிரேக் மட்டுமே ஓட்டுனர் கவனமாக இருக்க வேண்டும்.
1959 இருக்கை வார் வோல்வோ நிறுவனத்தால் கண்டுபிடிக்கப்பட்டது
1971 ஓடும் காரை எளிதாக நிறுத்த, antilock braking அம்சம் அறிமுகப்படுத்தப்பட்டது
1973 காற்றுப்பை (air bag) அறிமுகப்படுத்தப்பட்டது
1982 மின்னணு எரிபொருள் உட்செலுத்தல் (electronic fuel injection) அறிமுகம்
1983 மின்னணு உறுதிநிலைக் கட்டுப்பாடு (electronic stability control)  அறிமுகம். இந்த அம்சத்தினால், ஒடும் கார் வழுக்கினால், கார் ப்ரேக்கை தானாகவே செலுத்தி காரை நிறுத்த உதவி செய்யும்
1996 கார்களின் பிரச்னைகளைக் கணினி மூலம் குறிகளாய் (diagnostic codes) வெளிப்படுத்தும் முறை அறிமுகம்
2001 கார்களில் புளூடூத் மூலம் செல்பேசித் தொடர்பு அறிமுகம்
2003 மோதல் தவிர்ப்பு முறைகள் (collision avoidance systems)  அறிமுகம்
2008 கார்களில் WiFi அறிமுகம்
2014 டெஸ்லாவின் மாடல்-S மின் கார் 426 கி.மீ. ஒரே மின்னேற்றத்தில் பயணம்
2016 தானோட்டிக் கார்கள் பற்றிய பூச்சாண்டி காட்டல் ☺

இப்படி, பல முன்னேற்றங்கள், கடந்த 100 ஆண்டுகளாக அறிமுகமாகிக் கொண்டுதான் இருந்துள்ளது. ஆனால், சில புதிய பாதுகாப்பு அம்சங்கள், எப்படியோ தானியக்கம் என்று தவறாக நம்முன் தம்பட்டம் அடிக்கப்பட்டன.

  1. காரை நிறுத்தும் உதவி அம்சம் (park assist): நம்மில் பலருக்கு காரை நிறுத்துவது அலுப்பு அல்லது சரியாக வருவதில்லை. காரை நிறுத்த முற்பட்டு இந்த அம்சத்தை முடுக்கிவிட்டால், காமிரா உதவி கொண்டு கார் தானாகப் பின்நோக்கிச் சென்று அழகாக நிற்கும். இதற்கு இரு தேவைகள் – ஒன்று, நிற்குமிடம், சரியாகக் கோடிடப்பட வேண்டும்; இரண்டு, சரியாக அளப்பதற்காக பக்கத்தில் இன்னொரு கார் இருக்க வேண்டும்
  2. வரைபாதையிலிருந்து சறுக்கு எச்சரிக்கை அம்சம் (lane departure warning). நாளெல்லாம்  வேலை செய்த அல்லது கார் ஓட்டிய களைப்பில், கவனக் குறைவினால், கார் அடுத்த வரைபாதைக்குச் சறுக்கும் பொழுது காமிரா கொண்டு, இந்த அம்சம் எச்சரிக்கிறது. அத்தோடு, சில மாடல்களில், தானாகவே, காமிரா உதவியுடன் உங்களது வரைபாதைக்கு காரை கொண்டு வருகிறது.
  3. சாலையில் சூழலுக்கேற்ப வாகனத்தில் வேகத்தைக் கட்டுப்படுத்தும் அம்சம் (adaptive cruise control). மற்ற வாகனங்கள் 60 கி.மீ.வேகத்தில் பயணம் செய்தால், உங்களது வாகனமும் அதே வேகத்தில் பயணிக்க வேண்டும். அத்துடன், உங்களது வாகனத்திற்கும் அதற்கு முன்னிருக்கும் வாகனத்திற்கும் பாதுகாப்பான இடைவெளி இருந்தால்தான் விபத்து நேராமல் இருக்கும். இதைப், பயிற்சியில் அனைவரும் பயில்கிறோம். ஆனால், நடைமுறையில் முன்னிருக்கும் வாகனத்திற்கும் நாம் ஓட்டும் வாகனத்திற்கும் 1 அடி கூட இருப்பதில்லை. இந்த அம்சம் இவ்வாறு நேர விடாமல் பார்த்துக் கொள்ளும்
  4. வெற்றுப் புள்ளி தவிற்பு அம்சம் (active blind spot assist) : வரைபாதை மாற்றும் பொழுது, திருப்புக் குறிகாட்டியைப் பயன்படுத்தினாலும், மிக அருகாமையில் வரும் பக்கத்து வரைபாதை வண்டி ஓட்டுனருக்குத் தெரியாது. இதைப் பார்வையில் வெற்றுப் புள்ளி போன்றது. இன்றைய கார்கள், ராடார் கொண்டு, அருகில் வாகனங்கள் இருந்து, வரைபாதை மாற்றப் பார்த்தால், எச்சரிப்பதோடு நிற்காமல், தேவைப்பட்டால், சரியான நேரத்தில் ப்ரேக்கைப் பயன்படுத்தி விபத்தையும் தவிர்க்கும் சக்தி வாய்ந்தவை

இதுபோன்ற அம்சங்களை வைத்து, ஊடகங்களும், மக்களும் பல வகைக் கற்பனைகளை வளர்த்து வந்துள்ளார்கள். குறிப்பாக;

  • இப்படியே போனால், இன்னும் 2 வருடத்தில் தானோட்டிக் கார்கள் வந்துவிடும்
  • இப்பொழுதே பல தானோட்டி விஷயங்களை கார்கள் செய்கின்றதே – அடுத்த கட்டம், அதாவது முழுத் தானோட்டிக் கார், வெகு நெருக்கம்தான்
  • இது போன்ற அம்சங்கள் வெறும் முன்னோடிதான். கார் கம்பெனிகள் சும்மா ஆழம் பார்க்கின்றன. இவர்கள் ஏற்கனவே தானோட்டிக் கார்களைத் தயாரித்து வைத்துள்ளார்கள்

முதலில், இவை அத்தனையும் வெறும் கட்டுக்கதை. அவ்வளவு அருகாமையில் தானோட்டிக் கார்களின் சாத்தியம் இல்லை. இந்தக் குழப்பத்திற்குக், சரியாக, இதன் பின்னணியையும் தொழில்நுட்பத்தையும் புரிந்து கொள்ளாததே முக்கியக் காரணம் (இதில் ஊடகங்களும் அடங்கும்). இதைச் சரியாகப் புரிந்து கொள்வதற்கு, தானோட்டிக் கார்களின் சமீப வரலாறு முக்கியம்.

சமீப தானோட்டிக் கார் சரித்திரம்

டார்பா (DARPA – Defense Advanced Research Project Agency)  என்ற அமைப்பு, பல தொழில்நுட்ப முன்னேற்றங்களுக்கு வழி வகுத்துள்ள ஒரு அமெரிக்க ராணுவ அமைப்பு. குறிப்பாக, நுண்செயலிகள், இதர்னெட், இணையம் செயல்படும் IP போன்ற இன்றைய முக்கியத் தொழில்நுட்பங்கள், இந்த அமைப்பு உருவாக்கியது. சிறு முன்னேற்றங்கள் என்று காலத்தைத் தள்ளி வந்த வாகன தொழிலைப் புரட்டிப் போடும் வகையில், இந்த அமைப்பு, 2004 –ஆம் ஆண்டு ஒரு சவாலை முன்வைத்தது. 150 மைல் (அல்லது 240 கி.மீ.) தொலைவை, ஓட்டுனர் இல்லாத கார்கள் தானாகவே கடக்க வேண்டும். அதிக நடமாட்டமில்லாத அமெரிக்க நிவேடா மாநிலத்தில் உள்ள மோஹாவி பாலைவனத்தில் நடைபெற்றது. எந்தப் போட்டியாளரும் 150 மைல்களைத் தாண்டவில்லை. 7 முதல் 8 மைல்களுக்கப்பால், பல வண்டிகள் ஏதோ ஒரு பிரச்னையில் சிக்கி செயலிழந்தன. இதில் போட்டியிட்ட குழுக்கள் பெரும்பாலும் பல்கலைக்கழகக் குழுக்கள்.

2005 –ஆம் ஆண்டு, மீண்டும் இதே போட்டி நடத்தப்பட்டது. இம்முறை போட்டியிட்ட 23 குழுக்கள், 2004 –ன் 7.32 மைல்களைக் கடந்து சென்றன. 5 குழுக்கள், 150 மைலையும் வெற்றிகரமாகத் தானியக்கத்தில் ஓட்டி முடிந்ததன. இதில் 3 குழுக்கள், கார்னகி மெலன் மற்றும் ஸ்டான்ஃபோர்டு பல்கலைக்கழகக் குழுக்கள். மனித சரித்திரத்தில், 150 மைல்கள் எந்த ஓட்டுனரும் இன்றி கடந்த முதல் 5 கார்கள் இவை. இத்தனைக்கும், இந்தப் பாதையில், அதிக இடது மற்றும் வலது திருப்பங்கள் மற்றும் மலைப் பிரதேச திருப்பங்களும் அடங்கும். இந்தக் குழுக்கள் பெரும்பாலும், சந்தையில் கிடைக்கும் கார்களுக்கு, பல உணர்விகள், காமிராக்கள் இணைத்து ஓட்டிக் காட்டின. இந்த முறை இன்று வரை தொடர்கிறது. கூகிள் ஒரு கார் தயாரிப்பாளர் அல்ல. கிடைக்கும் கார்களில், உணர்விகள் மற்றும் காமிராக்களைப் பொருத்தியே கூகிள் இன்றுவரை சோதனை செய்து வருகிறது.

 

அடுத்தக் கட்டமாக, டார்பா 2007 –ல் நகர்புற சூழ்நிலையில் அதே போட்டியை நிகழ்த்தியது. இம்முறை, வட அமெரிக்க நகரங்களில் இருப்பதைப் போல, வரை பாதைகள், சிக்னல்கள், பாதசாரி கடக்குமிடங்கள் (zebra crossings) , மற்றும் 3-வழி, 4-வழி நிறுத்தங்கள் என்று ஒரு பழைய விமானப் படை தளத்தை மாற்றி, பயணிக்கும் படி சவால் விட்டது. ஆறு மணி நேரத்தில், 60 மைல்களைக் கடக்க (96 கி.மீ.) வேண்டும் என்பதும் சவாலில் அடக்கம். வெற்றி பெற்ற குழுவிற்கு 2 மில்லியன் டாலர்கள் பரிசு.

இம்முறையும் பல பல்கலைக்கழகப் போட்டியாளர்கள், வாகனத் தயாரிப்பாளர்களுடன் கைகோர்த்துப் போட்டியிட்டார்கள். முதல் 3 குழுக்கள், 5 மணி நேரத்திற்குள் வெற்றிகரமாக இந்தப் போட்டியின் 60 மைல்களைத் தடைகள் எதுவுமின்றி முடித்தார்கள். கார்னகி மெலன், ஸ்டார்ஃபோர்டு மற்றும் வர்ஜினியா டெக் பல்கலைக்கழகங்கள் முதல் மூன்று இடத்தில் இடம்பெற்றன. MIT, UPenn, Cornell  அடுத்த மூன்று பல்கலைக்கழகங்கள். சில முக்கிய விஷயங்கள், இந்தப் போட்டியின் தன்மையைப் புரிந்து கொள்வதில் உள்ளது.

  1. அறுபது மைகளில் இந்த வாகனங்கள், சந்தித்த மற்ற வாகனங்கள், பெரும்பாலும், இவற்றைப் போன்ற போட்டி வாகனங்கள். மனித ஓட்டுனர்கள் உள்ள வாகனங்கள் அல்ல
  2. நெடுந்தூரம் செல்வது இந்தப் போட்டியின் அடிப்படை அல்ல. அது ஒரு நெடுஞ்சாலைப் போட்டியாகிவிடும். இதில் மிக முக்கியச் சவால், எந்த ஒரு போட்டி வாகனத்தின் மீதும் மோதக் கூடாது
  3. சரியாக 3-வழி, 4-வழி நிறுத்தங்களில் வரை கோட்டிற்கு முன்னால் நிற்பதுடன், முதலில் சந்திப்பிற்கு வந்த வாகனத்திற்கு வழி விட வேண்டும். சந்திப்பில் எந்த வாகனமும் இல்லாத தருணத்தில் கிளம்ப வேண்டும்
  4. சிக்னல்களில் ஆரஞ்சு வந்தவுடன் நகரக் கூடாது. சிகப்பு வந்தால் நிற்க வேண்டும். பச்சை நிற சிக்னலில் நேராகப் போவது பெரிய விஷயமல்ல. தானோட்டிக் கார்கள், சில சமயம் வலதுத் திசையில் திரும்பவும் வேண்டும்

இவ்வாறு, இத்தனை முடிவுகளை உடனுக்குடன் செய்யக் கணினி மென்பொருள் மிகவும் முன்னேற்றம் அடைய வேண்டும். உணர்விகள், காமிராக்கள் மற்றும் ரேடார்கள் பொருத்துவது என்பது அவ்வளவு சவாலல்ல. நொடிப் பொழுதில் முடிவெடுக்கும் மென்பொருள் மிகப் பெரிய சவால்.

முதலில் யூபர், கார்னகி மெலன் பல்கலைக்கழக ஆராய்ச்சியாளர்களைத் தன்னுடைய ஆராய்ச்சிக்காக அணுகியதைப் பற்றிச் சொல்லியிருந்தோம். கூகிளிற்கும் ஸ்டான்ஃபோர்டு பல்கலைக்கழகத்திற்கும் ஏராளமான சம்பந்தமுண்டு. 2007 –ன் வெற்றி பெற்ற ஆராய்ச்சியாளர்கள், இன்று தானோட்டிக் கார்கள் முன்னேற மிகவும் உழைப்பவர்கள், கூகிள், இந்த ஆராய்ச்சியாளர்களுடன் தொடங்கிய கூகிள் கார் ப்ராஜக்ட் இன்று 1 மில்லியன் மைல்களைக் கடந்து சோதித்து வருகிறது.

இந்த ஆராய்ச்சிப் பின்னணி இந்தத் துறையைப் புரிந்து கொள்ள மிகவும் முக்கியம். ஆரம்பத்திலிருந்தே, அரசாங்கம், வாகன நிறுவனங்கள், பல்கலைக்கழக ஆராய்ச்சியாளர்கள் இதில் பங்கேற்றதால், மாநில அரசுகள் இன்று பொதுச் சாலைகளில் தானோட்டிக் கார்களின் சோதனை ஓட்டத்தை அனுமதிக்கின்றன.

2014 –ல், கூகிள், ஸ்டீயரிங் இல்லாத ஒரு தானோட்டிக் காரை அறிமுகப்படுத்தியது. வழக்கமாகச் சந்தையிலிருந்து வாங்கிய கார் அல்ல இது. முழுவதும் ஓட்டுனரே இல்லாத காரை வடிவமைத்து அறிமுகப்படுத்தினார்கள். 1 மில்லியன் மைல்கள் இத்தகைய கூகிள் கார்கள் பல அமெரிக்க மாநிலங்களில் பயணம் செய்து, பயண அனுபவத்தைக் கொண்டு, மென்பொருளை கூகிள் மெருகூட்டி வருகிறது.

தமிழ்ப் பரிந்துரை

தமிழ்ச் சொற்கள் எல்லோருக்கும் புரிய வேண்டும் என்று சில ஆங்கிலச் சொற்களை கட்டுரையில் பயன்படுத்தியுள்ளேன். கார் சம்பந்தமான பல தொழில்நுட்பச் சொற்கள் தமிழில் அதிகம் புழக்கத்தில் இல்லை. உதாரணம், ஆக்ஸிலரேட்டர் மற்றும் ப்ரேக். இதை தமிழில் மொழிபெயர்த்தால், நம்மில் பலருக்கும் புரியாது. இதனால், இது போன்ற வழக்குச் சொற்களை அப்படியே பயன்படுத்தியுள்ளேன். சில புதிய சொற்களுக்கு நிகரான சில தமிழ்ச் சொற்களை இங்கு பரிசீலனைக்கென முன்வைக்கிறேன்

ஆங்கிலச் சொல் தமிழ்ப் பரிந்துரை
Microcomputer/chip revolution நுண்கணினிப் புரட்சி
Windshield wiper கண்ணாடி நீர் துடைப்பான்
Electric ignition மின் கார் துவக்கம்
Turn indicator திருப்பு குறிகாட்டி
Cruise control வேக சுயக்கட்டுப்பாடு
Electronic fuel injection மின்னணு எரிபொருள் உட்செலுத்தல்
Car diagnostic codes கார் ப்ரச்னை குறிகைகள்
Collision avoidance systems மோதல் தவிர்ப்பு முறைகள்

சொல்வனம் – ஃபெப்ரவரி 2017

மனிதர் ஓட்டாத கார்களில் பயணிக்க நாம் தயாரா? – பகுதி 2

முரளி, காரில் தன் மனைவி செல்வியுடன் பயணிக்கும் பொழுது நடக்கும் உரையாடல்:

செ: பின்னாடி காரை எடுக்கும் பொழுது ஜாக்கிரதையாக எடுங்க.

மு: பின்ன எப்படி எடுக்கறேனாம்? முப்பது வருஷம் கார் ஓட்டினாலும் இதே பல்லவிதான்.

செ: பார்த்துங்க…ப்ளாட்ஃபார்ம் மேலயே ஏத்திடுவீங்களோன்னு பயந்திட்டேன்.

மு: ஓட்டற எனக்குத் தெரியாதா?

***

செ:என்னங்க, வேக எல்லையைத் தாண்டி ஓட்டறீங்க. ஸ்பீடோமீட்டரைப் பார்க்கறதே இல்லையா? 50 கி.மீ. லிமிட்ல 60 –ல போறீங்க. யார் அபராதம் அழுவது?

மு: லிமிட்டுக்கு மேல ஒரு 10 கி.மீ. ஓட்டினால் ஒன்னும் அபராதம் போட மாட்டாங்க

செ: லேன் மாத்தறபோது இன்டிகேட்டர் போடறதில்ல? அப்புறம் மோதிப் பிரச்னையாகிவிடும்.

மு:எல்லாம் போட்டேன். சத்தம் கேட்கல போல. எனக்கு வாழ்நாள் பூராவும் டிரைவிங் இன்ஸ்பெக்டரோட பயணம் செய்ய வேண்டிய தலைவிதி.

செ: எல்லாம் உங்க நல்லதுக்குத்தான சொல்றேன்…

~oOo~

 

2025 –ல் அதே முரளி, செல்விக்காக ஒரு ரோபோ டாக்ஸியை (தானோட்டிக் கார்) அழைக்கிறான். அழைக்கும் பொழுது எல்லாவற்றையும் சொல் – Verbose  என்ற சேவையையும் சேர்த்துக் கொண்டான். இதனால், கார் தன்னுடைய ஒவ்வொரு முக்கிய முடிவையையும் அறிவிக்கும்.

கார்: ப்ளாட்ஃபார்மிலிருந்து 137 செ.மீ. தொலைவில் நிறுத்தப்பட்டது. நிறுத்தும் கோட்டிற்கு இன்னும் 32 செ.மீ. உள்ளது. நிறுத்தும் குறியில் (stop sign) 47 வினாடிகள் நிறுத்தப்பட்டது.

செ:அய்யோ கொல்றியே. ப்ளாட்ஃபார்ம் பக்கத்துல போயி புள்ளி விவரம் வேற.

கார்: நான்கு வழி நிறுத்தத்தில், (four way stop) சந்திப்பில் எந்த வாகனமும் இல்லாத 15 நொடிகளுக்குப் பிறகு கிளம்பி, திடீரென்று கிழக்கிலிருந்து வந்த வாகனத்தைத் தவிர்க்க, 30 அடி வாகன இடை தூரத்தில் வாகனத்தை நிறுத்தி, குறுக்கே வந்த கார் சென்றதும், 15 நொடிகளில் கடக்கப்பட்டது.

செ: அய்ய, இதுக்கு என் புருசனே மேல். பாதி தூரம் போய் நிறுத்தி, எல்லாரும் ஹாரன் அடிச்சு களேபரம் தான். புள்ளி விவரத்தைக் குப்பையில் போட.

கார்: இடது வரைபாதையில் உள்ள  மணிக்கு 67 கி,மீ. வேகத்தில் பயணிக்கும் நீல வாகனத்தை மணிக்கு 75 கி,மீ. வேகத்தில், 150 மீட்டர் இடைவெளியில், முந்தப்பட்டது.

செ: என்னமோ உலகத்துல யாருமே முந்திகிட்டு போனதே இல்லையாக்கும். பெரிய சாதனை போ

கார்: பள்ளிப் பகுதியாதலால், இன்னும் 1 கி.மீ. 30 கி.மீ. வேகத்தில் பயணிப்போம்

செ: கிழிஞ்சுது போ. நான் போய் சேர்ந்தா மாதிரிதான்

கார்: இதுவரை 12.6 கி.மீ., 23 நிமிடத்தில் பயணித்திருக்கிறீர்கள்

செ: இது ஒண்ணுதான் குறைச்சல். யாருக்கு வேணும் இந்த விவரம். இன்னும் போய்ச் சேர எத்தனை நேரமாகும்?

கார்: எனது கணிப்பில், போக்குரத்து நெரிசலைப் பொறுத்து, இன்னும் 13 முதல் 16 நிமிடத்தில் போய்ச் சேர்ந்து விடலாம்.

வீட்டிற்கு வந்த செல்வியிடம் முரளி, ரோபோ டாக்ஸி அனுபவம் பற்றி கேட்டான்.

“ஒரே புள்ளிவிவர போர். உங்களப் போல ஒழுங்காக எதுவும் செய்யறதில்லை”

வாழ்க ரோபோ டாக்ஸி.

~oOo~

பயணித்தல் பற்றிய நம்முடைய புரிதல், அணுகுமுறை மற்றும் அனுபவம் எல்லாம் ஒருவரிமிருந்து இன்னொருவருக்குப் பெரிதாக மாறுபடும். உதாரணத்திற்கு, மிக அதிக வேகம் என்று ஒருவருக்குத் தோன்றுவது இன்னொருவருக்கு ஆமை வேகமாகத் தோன்றலாம். கார் ஓட்டுதலும் அப்படியே. அத்துடன் கார் ஓட்டுவது என்பது நம்மில் பலருக்கு ஒரு திறனாக ஆரம்பித்து, பழக்கமாக மாறும் பொழுதுதான் பிரச்னை. பல நல்ல/கெட்ட வாகன ஓட்டுதல் விஷயங்களை நம்மை அறியாமலே செய்கிறோம். உலகில் எந்த ஒர் அனுபவமுள்ள மனித கார் ஓட்டுனருக்கும் தன்னுடைய பழக்கத்தை முழுவது விவரிப்பது என்பது இயலாத காரியம். இந்த லட்சணத்தில், நாம் எந்திரங்களுக்கு ஓட்டுதல் பற்றி எப்படிச் சொல்லிக் கொடுப்பது? நல்ல வேளையாக, வளரும் தொழில்நுட்பம், மற்றும் வாகன ஓட்டுதல் பற்றிய தெளிவான செய்முறை விளக்கங்கள் யாவும் இருப்பதால், பொறியாளர்கள் இந்த முயற்சியில் பெரும் வெற்றிகளைப் பார்த்து வருகிறார்கள். எல்லாம் உடனே ரெடி என்ற அர்த்தமில்லை. இத்துறை வேகமாக முன்னேறி வருகிறது.

பல பில்லியன் டாலர்கள் இந்தத் துறையில் இன்று முதலீடு செய்யப்படுகிறது. ’கருவிகளின் இணையம்’ என்ற தொடரில் சொல்லியிருந்த முதலீட்டை விட பன் மடங்கு பெரிது இந்த முதலீடு. கார் தயாரிப்பு, கார் உதிரி பாக, தொழில்நுட்ப, இணைய வாடகைக் கார், பெரிய வாகனத் தொகுதி நிறுவனங்கள் என்று பல தரத்தினரும் இந்தத் துறையில், பெரிய புரட்சியில் லாபம் பார்க்க பெரிய முதலீடுகள் மற்றும் சின்ன பிரத்யேக தொழில்நுட்ப நிறுவனங்களை வாங்குவது என்று ஒரு முதலீட்டுத் திருவிழாவே நடந்து வருகிறது.

 

  1. கூகிள் நிறுவனம், தன்னுடைய தானோட்டிக் கார்கள் இதுவரை 1 மில்லியன் மைல்கள் பொதுச் சாலைகளில் பயணம் செய்துள்ளதாக அறிவித்துள்ளது. இந்தக் கார்கள், இதுவரை 17 சின்ன விபத்துக்களில் கடந்த 7 ஆண்டுகளில் சிக்கியுள்ளன. பெரும்பாலும் இவற்றுடன் இந்த விபத்தில் தவறுகள் மனிதர்கள் ஓட்டும் மற்ற கார்களால்தான் என்பது முக்கியமான விஷயம்
  2. 2015 –ல், ஊபர் (Uber) கம்பெனி, பிட்ஸ்பர்க்கில் உள்ள, கார்னகி மெல்லன் பல்கலைக் கழகத்தில் ஆராய்ச்சி செய்து வரும் உலகப் புகழ் பெற்ற ரோபாடிக்ஸ் விஞ்ஞானிகளைத் தன்னுடைய நிறுவனத்தில் வேலை செய்ய மிக அதிகச் சம்பளத்திற்கு அமர்த்தியது
  3. ஊபரின் போட்டி நிறுவனமான லிஃப்ட் (Lyft) என்ற நிறுவனத்தை 500 மில்லியன் டாலருக்கு ஜி.எம். வாங்கியது
  4. தானோட்டிக் கார்களின் தொழில்நுட்பத் துறையில் சிறந்து விளங்கும் Cruise Automation  என்ற நிறுவனத்தை, ஜி.எம். 1 பில்லியன் டாலர்களை செலவழித்து வாங்கியது
  5. ஃபோர்டு நிறுவனம் கூகிளுடன் கைகோர்த்து தன்னுடைய தானோட்டிக் கார்கள் வெளிவரும் என்று அறிவித்தது
  6. கூகிளின் ஆண்ட்ராய்டு திறன்பேசிகளைத் தயாரிக்கும் சாம்சங்கைப் போல, மூன்றாவது பெரிய அமெரிக்க கார் நிறுவனமான க்ரைஸ்லரும் கூகிளின் கார்களைத் தயாரிக்கும் என்று நம்பப்படுகிறது
  7. தனித்து இயங்கும் அமெரிக்க மின்கார் நிறுவனமான டெஸ்லா, மற்ற கார் நிறுவனங்கள் போல் அல்லாமல், தானே கார் தயாரிப்பு, கணினி மென்பொருள், மற்றும் தானோட்டி காருக்கான உணர்விகள் ஒருங்கிணைத்தல் எல்லாவற்றையும் மின் காரில் செய்து பெட்ரோல் கார் நிறுவனங்களுக்கு முன் வெளியிடும் என்று சொல்லி வருகிறது
  8. யூரோப்பில், குறிப்பாக ஜெர்மெனியில், ஃபோக்ஸ்வாகன் (VW), பென்ஸ், பி.எம்.டபிள்யு. நிறுவனங்கள் கோதாவில் இறங்கியுள்ளன
  9. ஜப்பானின் நிஸ்ஸான், டொயோடா மற்றும் ஹோண்டா நிறுவனங்கள் சற்று மதில் மேல் பூனை போலப் பார்த்துக் கொண்டிருக்கின்றன
  10. இஸ்ரேலைச் சேர்ந்த Mobileye மற்றும் Autotalks போன்ற நிறுவனங்கள் பல தானோட்டி கார் நிறுவனங்களுக்குத்  தொழில்நுட்பம் வழங்கி வருகின்றன
  11. கார் தயாரிப்பாளர்களுக்கு உதிரி பாகங்கள் செய்யும் நிறுவனங்களான Delphi மற்றும் Continental  போன்ற நிறுவனங்கள், எப்படி உணர்விகளைக் கார்களுக்கான கரடு முரடுப் பயன்பாட்டிற்காகத் தயாரிப்பது என்பதில் பல மில்லியன் டாலர்களை செலவு செய்கின்றன
  12. இறுதியாக, கணினி தொழிலில் பிரபலமான Cisco (இணைய ரெளடர்கள் மற்றும் வலையமைப்பு வன்பொருள்) மற்றும் NVidia (கணினி விளையாட்டுச் செயலிகள்) தானோட்டிக் கார்களுக்கான மைய செயலிகளை தயாரிப்பதற்காக பல மில்லியன் டாலர்களை முதலீடு செய்துள்ளார்கள்

காப்பீடு நிறுவனங்கள், தானோட்டிக் கார் வந்தால் தங்களுடைய தொழில் என்னவாகும் என்று கவலையில், பல புதிய அணுகுமுறைகளையும் முன் வைத்து வருகிறார்கள்.

அரசாங்கங்கள் பொதுவாக, வரும்போது பார்த்துக் கொள்ளலாம் என்று செயல்படும் அமைப்புகள். ஆனால், பல அமெரிக்க மாநிலங்கள், இவ்வகைக் கார் தயாரிப்பு தன்னுடைய மாநிலத்தில் நிகழ வேண்டும் என்பதால், அவசரமாக, தானோட்டிக் கார்களைப் பொது சாலைகளில் சோதிக்க முந்துகின்றன.

இந்தப் புரட்சியில் பெரும் தாக்கத்தைச் சந்திக்கப் போகும் மூன்று வகை அரசாங்க அமைப்புகள் 2016 –ல் வெறும் பேச்சளவில் மட்டுமே ஈடுபட்டுள்ளனர். இவர்களைக் குறை சொல்லிப் பயனில்லை. ஏனென்னில், இன்று இவ்வகைக் கார்கள் சாலையில் இல்லை – வெறும் சோதனையுடன் சரி.

  1. உள்ளூர் கார்பரேஷன் மற்றும் நகர அரசாங்கங்கள் – தானோட்டிக் கார்கள் பெருகினால், இந்த அரசாங்கங்களின் பெரும் வருமானமான நிறுத்துமிட வாடகை அடிபடும்
  2. வாகன உரிம அமைப்புகள் – தனியார் வாகனங்களைத் துறந்து ரோபோ டாக்ஸிக்கு மாறினால், உரிம வருமானம் அரசாங்கங்களுக்கு அடிபடும். வருடா வருடம், உரிமத் தட்டிற்கு (license plate) தனியார் தரும் வாடகைப் பணம் குறையத் தொடங்கும்
  3. போக்குவரத்து நெரிசலை சமாளிக்க சில வரைசாலைகளை கட்டணத்திற்கு விடும் அரசாங்க அமைப்புகள் வருமானம் இழக்கும், அல்லது குறையும். தானோட்டிக் கார்கள், போக்குவரத்து நெரிசலை வெகுவாகக் குறைக்கும் திறன் கொண்டவை
  4. நகர மையத்தில், தவறாக நிறுத்தி வைக்கப்பட்டுள்ள வாகனங்களுக்கு அபராதம் என்பது உள்ளூர் அரசாங்கங்களுக்கு லட்டு மாதிரி வருமானம் தரும் விஷயம். நகர மையத்தில் தானோட்டிக் கார்களே நிறுத்தாத பட்சத்தில், இந்த வருமானம் அடிபடும்

அரசாங்கங்கள் போல அதிகம் இதைப் பற்றி கவலைப்படாத இன்னும் சில அமைப்புகள் இருக்கத்தான் செய்கின்றன.

  1. வட அமெரிக்காவில், லட்சக்கணக்கான ராட்சச லாரிகள், சரக்குகளை பல்லாயிரம் கி.மீ. கடந்து, கப்பலிலிருந்து சூப்பர் மார்கெட் வரை கொண்டு சேர்க்கின்றன. கலிஃபோர்னியாவில் விளையும் காய்கள், பழங்கள், அமெரிக்கா, கனடா முழுவதும் இவ்வகை லாரிகள் பல நகரங்களுக்கு எடுத்துச் செல்கின்றன. இதனால், பல லட்சம் ஓட்டுனர்கள் வேலையில் இருக்கிறார்கள். ரோபோ லாரிகள் முழுவதும் வந்தால், இந்த வேலை வாய்ப்பு குறையும் அல்லது மறையும்
  2. வட அமெரிக்காவில் 1 மணி நேரம் முதல் 2 மணி நேரம் வரை விமானப் பயணம் என்பது சர்வ சாதாரணம். சில உதாரணங்கள்;
    • நியூயார்க் – வாஷிங்டன்
    • நியூயார்க் – பாஸ்டன்
    • நியூயார்க் – டொரோண்டோ
    • டொரோண்டோ – மாண்ட்ரீயல்
    • லாஸ் ஏஞ்சலஸ் – சான் ஃப்ரான்ஸிஸ்கோ
    • டல்லஸ் – ஹூஸ்டன்

இது ஒரு சின்ன சாம்பிள். பல நூறு இவ்வகை அடர்த்தியான விமான வழிகள் உள்ளன. இவை இல்லையேல், இன்று, பல விமான நிறுவனங்கள் படுத்திருக்கும். ரோபோ டாக்ஸி வந்தால், 1.5 மணி நேர விமானப் பயணத்திற்கு பதில், 6 மணி நேர ரோபோ டாக்ஸி எவ்வளவோ மேல். விமானப் பாதுகாப்புத் தொந்திரவுகள், விமான நிலயத்தில் நேர விரயம் எல்லாவற்றையும் பார்த்தால், 2 மணிக்கு குறைவான விமானப் பயணங்கள் பெரிதாக அடிபடும்.

ஒரு சந்தேகம் இக்கட்டுரையைப் படிப்போருக்கு எழலாம் – அட, இந்தத் தொழில்நுட்பம் இதோ இருக்கிறது, யாரும் அதிகம் கவலைப் படாதது போல இருக்கிறதே. வழக்கம் போலப் புதிய தொழில்நுட்பமாகிய தானோட்டிக் கார்களிலும் சிக்கல்கள் இருக்கத்தான் செய்கின்றன.

  1. கூகிள் 1 மில்லியன் கி.மீ. தானோட்டிக் கார்களைச் சோத்தித்தாலும், இன்னும் பல சிக்கல்கள் எஞ்சியுள்ளன. இதைப் பற்றி தொழில்நுட்பத்தை விரிவாக அலசும் பொழுது அலசுவோம். பயங்கர மழை மற்றும் அடர்த்தியான பனிப் பொழிவு வந்தால், தானோட்டிக் கார்கள் தடுமாறுகின்றன (மனிதர்கள் மட்டும் என்ன தடுமாறாமலா இருக்கிறார்கள்?)
  2. கணினியால் கட்டுப்படுத்தபடும் எந்திரம் என்றவுடன் பாதுகாப்புச் சிக்கல்கள் உடனே பூதாகாரமாகி விடுகின்றன. இணைய விஷமிகள் ஓடும் கார்களை (கருவிகளின் இணையம் தொடரில் க்ரைஸ்லர் ஜீப்பை எப்படி இணையம் மூலம் கடத்துகிறார்கள் என்று பார்த்தோம்). இந்த மிகப் பெரிய சவாலை தானோட்டிக் கார்கள் கடந்தால்தான் இவற்றிற்கு ஆதரவு கிடைக்கும்
  3. இன்னொரு மனிதர் காரோட்டுகிறார் என்பது ஒரு விஷயம். கண்ணுக்குத் தெரியாத கணினி ஒன்று காரோட்டுகிறது என்பது இன்னொரு விஷயம். இது அவ்வளவு எளிதாக நம்மால் ஏற்றுக் கொள்ள முடியுமா என்பது ஒரு கேள்விக்குறி
  4. நம்மில் பலருக்குக் காரோட்டம் பிடிக்கும். வட அமெரிக்காவில் பரந்த சாலைகளில் காரோட்டுவது ஓர் அருமையான அனுபவம். என்னதான் காப்பீடு, விபத்து அபாயம், கார் சார்ந்த செலவுகள் இருந்தாலும், கடந்த 100 ஆண்டுகளாக கார் மோகம் நம்மை விட்டு சற்றும் நீங்கவில்லை
  5. சமூகத்தில் கார் ஓர் அந்தஸ்தைக் குறிக்கிறது. ஒரு பென்ஸ், லெக்ஸஸ், ரோல்ஸ் அல்லது டெஸ்லா என்றவுடன் ஒருவருடைய அந்தஸ்தைக் காட்டுகிறது. கணினி செலுத்தும் காரில் அந்த அந்தஸ்து கிடைக்குமா என்பது ஒரு கேள்விக்குறி
  6. வட அமெரிக்கப் புறநகர் பகுதிகளில் உள்ள பெரும்பாலான வீடுகள் இரு/மூன்று கார்களை நிறுத்தும் கராஜுடன் கட்டப்படுபவை. தானோட்டிக் கார்கள் முழுவதும் வந்துவிட்டால், கராஜ்களை என்ன செய்வது?

அடுத்த பகுதியில், கார்களில் தானியக்கம் என்பது எவ்வாறு தோன்றி வளர்ந்து வந்துள்ளது என்று விரிவாகப் பார்க்கலாம்.

டெஸ்லாவின் தானோட்டி கார் செயல்முறை விளக்கம் – காரை வீட்டிலிருந்து எடுத்து அலுவலகத்தில் பயணியை இறக்கி விட்டு, நிறுத்துமிடம் தேடி தானே நிறுத்திக் கொள்கிறது;

தமிழ்ப் பரிந்துரை

தமிழ்ச் சொற்கள் எல்லோருக்கும் புரிய வேண்டும் என்று சில ஆங்கிலச் சொற்களை கட்டுரையில் பயன்படுத்தியுள்ளேன். கார் சம்பந்தமான பல தொழில்நுட்பச் சொற்கள் தமிழில் அதிகம் புழக்கத்தில் இல்லை. உதாரணம், ஆக்ஸிலரேட்டர் மற்றும் ப்ரேக். இதை தமிழில் மொழிபெயர்த்தால், நம்மில் பலருக்கும் புரியாது. இதனால், இது போன்ற வழக்குச் சொற்களை அப்படியே பயன்படுத்தியுள்ளேன். சில புதிய சொற்களுக்கு நிகரான சில தமிழ்ச் சொற்களை இங்கு பரிசீலனைக்கென முன்வைக்கிறேன்

ஆங்கிலச் சொல் தமிழ்ப் பரிந்துரை
Stop sign நிறுத்தும் குறி
Four way stop நான்கு வழி நிறுத்தம்

சொல்வனம் – ஜனவரி 2017