สนามแข่งไร้คนขับในฐานะห้องทดลองความปลอดภัยขั้นสุด
ในพอดแคสต์ NSF Discovery Files ตอนที่ 2 ซึ่งเผยแพร่เมื่อวันที่ 22 พฤษภาคม 2026 มาเดอร์ เบห์ล (Madhur Behl) รองศาสตราจารย์จากมหาวิทยาลัยเวอร์จิเนียที่ได้รับทุนสนับสนุนจากมูลนิธิวิทยาศาสตร์แห่งชาติสหรัฐฯ (NSF) ได้พูดถึงโจทย์ด้านซอฟต์แวร์ของการแข่งรถไร้คนขับ และบทบาทของงานวิจัยนี้ต่อการสร้างกำลังคนด้านปัญญาประดิษฐ์ในอนาคต เบห์ลเป็นผู้ก่อตั้งและหัวหน้าทีม Cavalier Autonomous Racing ของมหาวิทยาลัยเวอร์จิเนีย ซึ่งเป็นทีมอเมริกันทีมแรกที่ชนะรายการ Indy Autonomous Challenge และยังเป็นผู้ร่วมก่อตั้งแพลตฟอร์มแข่งรถไร้คนขับขนาดเล็ก F1Tenth ที่ภายหลังเปลี่ยนชื่อเป็น Roboracer
Indy Autonomous Challenge หรือ IAC คือการแข่งรถยนต์ขนาดจริงที่ไม่มีคนขับ จัดครั้งแรกที่สนาม Indianapolis Motor Speedway เมื่อเดือนตุลาคม 2021 จุดเด่นของรายการคือรถทุกคันใช้ฮาร์ดแวร์เหมือนกันทั้งหมด ห้ามดัดแปลงเครื่องยนต์หรือกลไก การแข่งจึงกลายเป็น "สงครามของอัลกอริทึม" ที่ตัดสินกันด้วยซอฟต์แวร์ด้านการรับรู้ การวางแผนเส้นทาง และการควบคุมล้วน ๆ รถเหล่านี้ทำความเร็วเกิน 280 กิโลเมตรต่อชั่วโมง และได้ลงแข่งในสนามระดับโลกทั้ง Indianapolis, Las Vegas, Texas และสนามประวัติศาสตร์ Monza ในอิตาลี รูปแบบการแข่งใช้ระบบรถไล่กับรถหนี โดยรถตั้งรับวิ่งนำที่ความเร็วระดับหนึ่ง ส่วนรถไล่ต้องแซงให้ได้ภายในจำนวนรอบที่กำหนด ซึ่งบีบให้ระบบต้องตัดสินใจในระยะประชิดด้วยความเร็วสูง
เหตุผลที่ "ความว่องไว" อาจทำให้ปลอดภัยขึ้น
ความล้มเหลวส่วนใหญ่ของรถยนต์ขับเคลื่อนอัตโนมัติไม่ได้เกิดจากการขับบนถนนปกติ แต่เกิดจากสถานการณ์หายากที่ระบบไม่เคยเจอหรือไม่ได้ถูกออกแบบมาให้รับมือ ซึ่งเรียกกันว่า "เคสขอบ" (edge case) รถที่ฝึกให้ทำตามกฎจราจรจะทำงานได้ดีเกือบตลอดเวลา แต่เป็นเงื่อนไขผิดปกติเพียงไม่กี่วินาทีนั่นเองที่เป็นโจทย์ความปลอดภัยที่ยากที่สุด
สมมติฐานของเบห์ลที่ค่อนข้างสวนทางกับความเชื่อเดิมคือ การเพิ่ม "ความคล่องแคล่ว" ให้รถอาจช่วยให้ปลอดภัยขึ้น โดยปกติแล้วความคล่องแคล่วแบบรถแข่งมักถูกมองว่าลดระยะปลอดภัยลง แต่แนวคิดนี้ไม่ได้หมายถึงการให้รถซิ่งหรือมุดรถไปมาในการจราจร หากแต่หมายถึงการให้รถมีความสามารถในการเบรก เลี้ยว และเร่งอย่างฉับพลันและแม่นยำ เมื่อต้องเจอเหตุการณ์คับขันที่เกี่ยวกับชีวิต สนามแข่งเป็นสภาพแวดล้อมที่อัดสถานการณ์ความเร็วสูงและซับซ้อนให้เกิดถี่กว่าการขับขี่ทั่วไปมาก การสอนให้รถ "แข่ง" ได้จึงเท่ากับการฝึกให้มันรับมือกับช่วงเสี้ยววินาทีก่อนการชนทางอ้อม
โจทย์ซอฟต์แวร์ที่ยากที่สุด
ที่ความเร็วเกิน 280 กิโลเมตรต่อชั่วโมง ความผิดพลาดเพียงเล็กน้อยในการคำนวณพลศาสตร์ของรถสามารถนำไปสู่ผลลัพธ์ที่รุนแรง โมเดลพลศาสตร์แบบอิงฟิสิกส์ดั้งเดิมต้องใช้การทดสอบและปรับจูนที่ยุ่งยากและมีต้นทุนสูง ขณะที่แนวทางที่อาศัยข้อมูลล้วน ๆ ก็มีปัญหาเรื่องการนำไปใช้กับสถานการณ์ใหม่ และไม่สามารถรับประกันได้ว่าผลลัพธ์จะสอดคล้องกับข้อจำกัดทางกายภาพ ทีมของเบห์ลจึงพัฒนาแนวทางที่เรียกว่าโครงข่ายประสาทแบบมีฟิสิกส์เป็นข้อจำกัด (physics-constrained neural network) เพื่อหาจุดสมดุลระหว่างความแม่นยำกับความเร็วในการประมวลผล
การรับรู้และการตัดสินใจในเสี้ยววินาที
เนื่องจากฮาร์ดแวร์ทุกคันเหมือนกัน ความได้เปรียบทั้งหมดจึงอยู่ที่สมองกลของรถ ระบบต้องตรวจจับรถคันอื่น ระบุตำแหน่งตัวเองบนสนามอย่างแม่นยำ และวางแผนการเคลื่อนที่ใหม่หลายสิบครั้งต่อวินาที งานวิจัยในสายนี้ยังให้ความสำคัญกับสถาปัตยกรรมความปลอดภัยแบบทนความผิดพลาด ที่ออกแบบให้ระบบยังควบคุมรถได้แม้ส่วนประกอบบางอย่างขัดข้องกลางการขับด้วยความเร็วสูง ซึ่งเป็นคุณสมบัติที่จำเป็นไม่แพ้กันสำหรับรถบนถนนจริง
จากสนามแข่งสู่ถนนจริง: บทเรียนและข้อจำกัดที่ต้องยอมรับ
ประวัติศาสตร์ยานยนต์ชี้ว่าวงการมอเตอร์สปอร์ตเป็นแหล่งทดสอบเทคโนโลยีจนถึงขีดจำกัดก่อนนำสู่สายการผลิตเสมอ เทคโนโลยีที่เราคุ้นเคยอย่างดิสก์เบรก ระบบเบรกป้องกันล้อล็อก กระจกมองหลัง เข็มขัดนิรภัย ระบบกันสะเทือนแบบแอ็กทีฟ และไฟหน้า LED ล้วนมีรากมาจากการแข่งรถ ในช่วงต้นศตวรรษที่ 20 ที่ผู้คนยังหวาดระแวงการเลิกใช้ม้าหันมาใช้รถยนต์ ผู้ผลิตอย่างฟอร์ดก็ใช้การแข่งรถเป็นเครื่องพิสูจน์ความปลอดภัยต่อสาธารณะ วันนี้โลกกำลังอยู่ในช่วงเปลี่ยนผ่านที่คล้ายกัน คือจากรถที่มีคนขับสู่รถที่ไม่มีคนขับ
อย่างไรก็ตาม เส้นทางสู่การใช้งานจริงไม่ได้ราบรื่นอย่างที่หลายคนคาดหวัง รายงานระบุว่าจนถึงปี 2022 มีเงินลงทุนในความฝันเรื่องการขนส่งอัตโนมัติมากกว่า 160,000 ล้านดอลลาร์ แต่หลังเกิดอุบัติเหตุร้ายแรงจากรถทดสอบของ Uber ในปี 2018 ผู้ผลิตส่วนใหญ่หันจากเป้าหมายขายรถขับเองให้ผู้บริโภคโดยตรง ไปสู่การให้บริการขนส่งแบบไร้คนขับในพื้นที่จำกัดแทน ผลการศึกษาของ S&P Global Mobility ในปี 2023 ประเมินว่า โอกาสที่ผู้บริโภคจะซื้อรถที่ขับเองได้ทุกที่โดยไม่ต้องมีคนพร้อมคุมพวงมาลัยนั้น ยากที่จะเกิดขึ้นภายในปี 2035
ภาพที่สมจริงในระยะใกล้จึงไม่ใช่รถยนต์ส่วนตัวที่ขับเองได้สมบูรณ์ในลานจอดบ้าน แต่เป็นการที่บทเรียนเชิงอัลกอริทึมจากสนามแข่ง โดยเฉพาะวิธีที่เครื่องจักรตอบสนองในช่วงไม่กี่วินาทีสุดท้ายก่อนการชน ค่อย ๆ ไหลเข้าสู่ระบบช่วยเหลือผู้ขับขี่และบริการเรียกรถไร้คนขับในเขตที่กำหนดไว้ ขณะเดียวกันโครงการลักษณะนี้ยังทำหน้าที่ผลิตกำลังคนด้านปัญญาประดิษฐ์ โดยนักศึกษาเริ่มฝึกจากรถจำลองขนาดเล็กก่อนขยับไปทำงานกับรถแข่งขนาดจริง คุณค่าที่แท้จริงของสนามแข่งไร้คนขับในวันนี้จึงอยู่ที่การเป็นห้องทดลองที่อัดแน่นไปด้วยสถานการณ์หายากที่สำคัญที่สุด มากกว่าการเป็นทางลัดสู่รถขับเองในชั่วข้ามคืน
