Yksi numero ei kerro, miten rekkojen kannattaa ajaa

Moottoritien varrella moni on nähnyt saman tilanteen: raskas rekka lähestyy hitaampaa ajoneuvoa. Ohittaako se nyt, vai säästääkö polttoainetta ja odottaa tilaisuutta? Valinta on arkipäiväinen, mutta sen taakse kätkeytyy kolme isoa tavoitetta, jotka melkein aina vetävät eri suuntiin: turvallisuus, aika ja energia.

Tähän asti koneita on opetettu tekemään tällaisia päätöksiä puristamalla tavoitteet yhdeksi numeroksi. Turvallisuudelle, ajalle ja polttoaineelle annetaan painot, ja ohjelma oppii maksimoimaan lopputuloksen. Helppoa – ja harhaanjohtavaa. Kun kaikki on samassa summassa, on vaikea nähdä, millaista hintaa yhdestä voitosta maksetaan toisaalla. Onko kymmenyksen nopeutus sen arvoista, jos riskit kasvavat saman verran? Entä jos polttoaine kuluu huomattavasti enemmän?

Tuore arXivissa julkaistu tutkimus ehdottaa toisenlaista lähtökohtaa. Sen mukaan numerot eivät saisi sulautua toisiinsa, vaan ne pitäisi pitää erillään ja opettaa koneelle kokonainen valikoima harkittuja kompromisseja. Ajatus on, että rekan ohjausjärjestelmä ei opi vain yhtä “parasta” ajotyyliä, vaan joukon vaihtoehtoja, joista mikään ei ole toista parempi kaikessa. Niiden välillä voi liukua tilanteen, sääolosuhteiden tai vaikkapa kuljetuksen aikataulupaineen mukaan – ilman, että järjestelmää täytyy opettaa uudelleen.

Tutkimus koskee raskaiden ajoneuvojen taktisia päätöksiä moottoriliikenteessä. Kehittäjät opettivat simulaatioympäristössä järjestelmää, joka tasapainoilee kolmen tavoitteen välillä: turvallisuuden (mitattuna esimerkiksi törmäysten määränä ja tehtävän onnistumisena), energiatehokkuuden (energiakustannus) ja ajansäästön (aikakustannus) välillä. Lopputulos oli yhtenäinen valikoima ajotapoja, joissa vaihtaminen yhdestä tyylistä toiseen on sujuvaa ja seurausten pitäisi olla helposti tulkittavissa: jos painottaa hieman lisää turvallisuutta, nopeus laskee vähän; jos painottaa aikaa, energiankulutus kasvaa jonkin verran.

Tärkeää on, ettei mikään näistä vaihtoehdoista ole yksiselitteisesti “huonompi”. Ne ovat eri tavoin hyviä. Tämä on samanlainen ajattelu kuin arkinen keittiövertailu: jos paistat kalaa, voi valita rapean mutta hiukan kuivemman pinnan tai mehevämmän mutta vähemmän rapsakan. Kumpikaan ei voita toista kaikessa, mutta kumpikin on perusteltu valinta tilanteesta ja mausta riippuen.

Yksi konkreettinen seuraus näkyy siinä, miten järjestelmää voi käyttää. Kuvitellaan kahdenlaista ajopäivää. Ensimmäisenä päivänä aikataulu on väljä, sää huono ja liikenne vilkas. Järjestelmä voidaan säätää suosimaan turvallisuutta ja energiatehokkuutta: ohituksia tehdään vähemmän ja kiihdytykset ovat maltillisia. Toisena päivänä keli on hyvä ja terminaalissa odottaa tiukka lastinsa: silloin painotusta voidaan hetkeksi siirtää ajansäästön suuntaan – ilman, että ohjauslogiikkaa koulitaan uudelleen. Tutkimuksen mukaan tällaiset “lennossa” tehtävät siirtymät eri ajotapojen välillä ovat mahdollisia, koska vaihtoehdot muodostavat jatkuvan kokonaisuuden eivätkä irrallisten temppujen kokoelman.

Perusidea hyödyntää koneoppimisen piiristä tuttua lähestymistapaa, jossa ohjelma oppii kokeilemalla ja saa palautetta suorituksistaan. Olennaista tässä työssä on kuitenkin se, että palautteita ei survota yhdeksi arvoksi, vaan niiden yhteisvaikutusta tarkastellaan sellaisenaan. Tutkijat kuvaavat lopputulosta sujuvana “etulinjana” kompromisseja, joista voi valita omaan tilanteeseen sopivan.

Miksi tämä on tärkeää? Siksi, että raskaiden ajoneuvojen liikenne on koko yhteiskunnan kannalta iso kysymys. Turvallisuutta ei voi tinkiä, mutta pienetkin parannukset energiatehokkuudessa kertautuvat kilometreissä, ja toimitusvarmuus on kilpailutekijä. Yhden ainoan optimaalisen ajotavan etsiminen on houkuttelevaa, mutta maailma ei ole vakio. Erilaiset työvuorot, säätilat ja liikennevirrat kutsuvat erilaisia kompromisseja. Valikoima, jonka seuraukset on nähtävissä, voi tehdä päätöksenteosta läpinäkyvämpää myös niille, jotka kantavat vastuun aikatauluista ja turvallisuudesta.

Realismi edellyttää samalla varauksia. Kaikki tulokset ovat toistaiseksi simulaatioista. Turvallisuus on mitattu pääosin törmäysten ja tehtävän onnistumisen kautta, mikä on vain osa todellisista riskeistä. Oikeassa liikenteessä kuljettajat – tai automatiikka – kohtaavat arvaamattomia tilanteita, sää voi muuttua minuutissa ja mittareita on enemmän kuin kolme. Se, että ajotapojen välillä voi vaihtaa joustavasti, on lupaava ominaisuus, mutta ei vielä takaa, että järjestelmä käyttäytyisi toivotusti kaikissa olosuhteissa. Lisäksi valinta kompromissien välillä jää jollekin tehtäväksi. Kuka päättää, milloin käännetään nupit turvallisuuteen, milloin aikaan? Kuljetusyhtiö, järjestelmän toimittaja, viranomainen vai lainsäätäjä?

On myös hyvä muistaa, että mittareiden suunnittelu on valtaa. Jos “aikakustannus” on määritelty karkeasti, järjestelmä saattaa suosia ratkaisuja, jotka nopeuttavat keskimäärin mutta voivat olla paikallisesti epätoivottavia. Samoin “energiakustannus” voi osua nappiin yhdellä reitillä ja mennä metsään toisella. Tutkimus ei ratkaise näitä kysymyksiä, mutta se tuo kompromissit näkyville ja siten helpommin arvioitaviksi.

Autonomiset kuorma-autot eivät vielä kulje arjessa, mutta kehitys on nopeaa. Jos ja kun ne yleistyvät, on meidän muidenkin etu, että niiden päätöksenteko perustuu läpinäkyviin valintoihin eikä yhteen mustaan laatikkoon piilotettuun numeroon. Ehkä todellinen edistysaskel ei ole uusi, entistä älykkäämpi yksittäinen ajotyyli, vaan käyttöliittymä kompromisseihin.

Seuraava kysymys on yhtä lailla tekninen kuin yhteiskunnallinen: kun koneelle annetaan säätimet turvallisuuden, ajan ja energian välillä, kuka niitä lopulta käyttää – ja millä vastuulla?

Paper: https://arxiv.org/abs/2601.18783v1

Register: https://www.AiFeta.com

liikenne tekoäly rekat turvallisuus energia autonomiset-ajoneuvot tutkimus