স্বচালিত গাড়ি রাস্তা, মানুষ ও ট্রাফিক সিগন্যাল চিনতে পারে কীভাবে? কৃত্রিম বুদ্ধিমত্তার চোখ ও মস্তিষ্কের রহস্য

স্বচালিত গাড়িকে বাইরে থেকে দেখলে অনেক সময় সাধারণ আধুনিক গাড়ির মতোই মনে হয়। কিন্তু এর ভেতরে কাজ করে এমন এক জটিল উপলব্ধি ও সিদ্ধান্তব্যবস্থা, যার প্রধান কাজ হলো মানুষের চালকের চোখ, মস্তিষ্ক এবং প্রতিক্রিয়ার ক্ষমতাকে যন্ত্রের মাধ্যমে অনুকরণ করা। একজন চালক যেমন সামনে তাকিয়ে রাস্তার বাঁক, পথচারী, অন্য গাড়ি, ট্রাফিক বাতি এবং রাস্তার চিহ্ন দেখে মুহূর্তের মধ্যে সিদ্ধান্ত নেন, স্বচালিত গাড়িকেও ঠিক একই ধরনের কাজ করতে হয়। পার্থক্য হলো, মানুষ দুটি চোখ ও নিজের অভিজ্ঞতার ওপর নির্ভর করে, আর স্বচালিত গাড়ি একই সঙ্গে ক্যামেরা, রাডার, লাইডার, অতিশব্দীয় সংবেদক, অবস্থান নির্ণয় ব্যবস্থা, ডিজিটাল মানচিত্র এবং কৃত্রিম বুদ্ধিমত্তা ব্যবহার করতে পারে।

স্বচালিত গাড়ির প্রথম কাজ গাড়ি চালানো নয়, বরং নিজের চারপাশে কী ঘটছে তা বোঝা। প্রযুক্তির ভাষায় এই ক্ষমতাকে পরিবেশ উপলব্ধি বলা যায়। সামনে একটি বস্তু দেখা গেলেই যথেষ্ট নয়। গাড়িকে বুঝতে হবে সেটি মানুষ, মোটরসাইকেল, বাস, রাস্তার প্রতিবন্ধক নাকি বাতাসে উড়ে যাওয়া কোনো বস্তু। এরপর জানতে হবে বস্তুটি কোথায় আছে, কত দূরে আছে, কোন দিকে যাচ্ছে এবং কয়েক সেকেন্ড পরে সেটি কোথায় পৌঁছাতে পারে। এই তথ্যের ওপর নির্ভর করেই পরবর্তী সিদ্ধান্ত নেওয়া হয়।

এই পুরো ব্যবস্থায় ক্যামেরা মানুষের চোখের সবচেয়ে কাছাকাছি ভূমিকা পালন করে। গাড়ির সামনে, পাশে এবং পেছনে একাধিক ক্যামেরা বসানো থাকতে পারে। সেগুলো প্রতি মুহূর্তে আশপাশের দৃশ্য ধারণ করে। কিন্তু ক্যামেরা শুধু ছবি তুললে গাড়ি কিছুই বুঝবে না। ছবির ভেতরে কোনটি রাস্তা, কোনটি গাড়ি এবং কোনটি মানুষ তা নির্ণয়ের জন্য দরকার কৃত্রিম স্নায়ুজালভিত্তিক দৃশ্য বিশ্লেষণ ব্যবস্থা।

এই ব্যবস্থা তৈরির সময় বিপুলসংখ্যক রাস্তার ছবি ও দৃশ্য ব্যবহার করে কৃত্রিম বুদ্ধিমত্তাকে শেখানো হয়। প্রশিক্ষণ উপাত্তে মানুষ, গাড়ি, বাস, ট্রাক, মোটরসাইকেল, সাইকেল, ট্রাফিক বাতি, রাস্তার চিহ্ন এবং অন্যান্য গুরুত্বপূর্ণ বস্তুর অবস্থান চিহ্নিত করা থাকে। অসংখ্য উদাহরণ বিশ্লেষণ করতে করতে ব্যবস্থা বিভিন্ন বস্তুর দৃশ্যগত বৈশিষ্ট্য শিখে ফেলে। ফলে বাস্তব রাস্তায় নতুন কোনো দৃশ্য দেখলেও সেটি সম্ভাব্য বস্তুগুলো শনাক্ত করতে পারে।

তবে স্বচালিত গাড়ি কোনো মানুষকে শুধু মানুষের আকৃতি দেখে চিনলেই কাজ শেষ হয়ে যায় না। একজন পথচারী ফুটপাতের ওপর স্থির দাঁড়িয়ে আছেন, নাকি রাস্তা পার হওয়ার প্রস্তুতি নিচ্ছেন—এই পার্থক্য নিরাপত্তার জন্য অত্যন্ত গুরুত্বপূর্ণ। একইভাবে একজন সাইকেল আরোহী সোজা যাচ্ছেন নাকি হঠাৎ গাড়ির লেনে ঢুকতে পারেন, সেটিও অনুমান করতে হয়। তাই আধুনিক ব্যবস্থা একক ছবি বিশ্লেষণের পাশাপাশি পরপর আসা দৃশ্যের পরিবর্তন পর্যবেক্ষণ করে।

ধরা যাক, গাড়ির সামনে রাস্তার পাশে একজন মানুষ দাঁড়িয়ে আছেন। প্রথম মুহূর্তে তিনি গাড়ি থেকে চল্লিশ মিটার দূরে। কিছুক্ষণ পর দেখা গেল তিনি ফুটপাত থেকে রাস্তার দিকে এগিয়েছেন। পরবর্তী দৃশ্যে তার শরীরের দিক, হাঁটার গতি এবং অবস্থানের পরিবর্তন বিশ্লেষণ করে ব্যবস্থা অনুমান করতে পারে যে তিনি রাস্তা পার হতে পারেন। তখন গাড়ি আগে থেকেই গতি কমিয়ে নিরাপদ দূরত্ব তৈরি করতে পারে। অর্থাৎ স্বচালিত গাড়ির জন্য গুরুত্বপূর্ণ প্রশ্ন শুধু “সামনে কী আছে?” নয়; বরং “সামনের বস্তুটি এরপর কী করতে পারে?”

রাস্তা শনাক্ত করাও একইভাবে জটিল। পরিষ্কার দিনে নতুন রাস্তায় সাদা লেনের দাগ শনাক্ত করা তুলনামূলক সহজ। কিন্তু বাস্তব পৃথিবীতে লেনের দাগ ক্ষয়ে যেতে পারে, বৃষ্টিতে ঢাকা পড়তে পারে, নির্মাণকাজের কারণে পুরোনো ও নতুন দাগ একসঙ্গে থাকতে পারে কিংবা তুষার ও কাদার নিচে সম্পূর্ণ অদৃশ্য হয়ে যেতে পারে। তাই শুধু সাদা রেখা খুঁজে স্বচালিত গাড়ি রাস্তা নির্ধারণ করতে পারে না।

কৃত্রিম বুদ্ধিমত্তা দৃশ্যকে বিভিন্ন অর্থপূর্ণ অংশে ভাগ করতে পারে। ছবির প্রতিটি ক্ষুদ্র অংশ বিশ্লেষণ করে ব্যবস্থা নির্ধারণের চেষ্টা করে কোন অংশটি চালানোর উপযোগী রাস্তা, কোনটি ফুটপাত, কোনটি ঘাস, কোনটি ভবন এবং কোনটি অন্য যানবাহন। এর ফলে স্পষ্ট লেনচিহ্ন না থাকলেও গাড়ি রাস্তার সম্ভাব্য সীমানা সম্পর্কে ধারণা পেতে পারে। রাস্তা বোঝা তাই শুধু রেখা শনাক্ত করার সমস্যা নয়; এটি পুরো দৃশ্যের অর্থ বোঝার সমস্যা।

ক্যামেরার একটি বড় সীমাবদ্ধতা হলো দূরত্ব নির্ণয়। ছবিতে একটি গাড়ি দেখা যাচ্ছে মানেই সেটি ঠিক কত মিটার দূরে রয়েছে তা সব সময় নিখুঁতভাবে জানা যায় না। এখানেই রাডার গুরুত্বপূর্ণ হয়ে ওঠে। রাডার তড়িৎচুম্বকীয় তরঙ্গ পাঠিয়ে সামনে থাকা বস্তু থেকে ফিরে আসা সংকেত বিশ্লেষণ করে। এর মাধ্যমে কোনো বস্তু কত দূরে এবং গাড়িটির তুলনায় সেটি কত দ্রুত এগিয়ে যাচ্ছে বা পিছিয়ে যাচ্ছে তা নির্ণয় করা সম্ভব।

মহাসড়কে এর গুরুত্ব বিশেষভাবে বোঝা যায়। সামনে একটি গাড়ি যদি একই দিকে চলতে থাকে, রাডার তার আপেক্ষিক গতি নির্ণয় করতে পারে। সামনের গাড়িটি হঠাৎ গতি কমালে স্বচালিত ব্যবস্থা খুব দ্রুত সেই পরিবর্তন শনাক্ত করতে পারে। ক্যামেরা যেখানে বস্তুটির পরিচয় সম্পর্কে ভালো ধারণা দেয়, রাডার সেখানে দূরত্ব ও গতির গুরুত্বপূর্ণ পরিমাপ সরবরাহ করে।

লাইডার আরেক ধরনের শক্তিশালী সংবেদন প্রযুক্তি। এটি চারপাশে আলোর অত্যন্ত ক্ষুদ্র স্পন্দন পাঠায় এবং কোনো বস্তুতে প্রতিফলিত হয়ে আলো ফিরে আসতে কত সময় লাগছে তা পরিমাপ করে। আলোর গতি জানা থাকায় সেই সময় থেকে দূরত্ব নির্ণয় করা যায়। খুব দ্রুত বিপুলসংখ্যক পরিমাপ সংগ্রহ করে লাইডার গাড়ির চারপাশের ত্রিমাত্রিক বিন্দুভিত্তিক প্রতিরূপ তৈরি করতে পারে।

ফলে গাড়ির সামনে একটি মানুষ থাকলে লাইডার শুধু সেখানে কোনো বস্তু আছে তা নয়, বস্তুটির আনুমানিক ত্রিমাত্রিক গঠন এবং দূরত্বও বুঝতে সাহায্য করতে পারে। রাস্তার পাশের খুঁটি, অন্য গাড়ি, বিভাজক, ভবন এবং অন্যান্য স্থির বস্তুও একইভাবে ত্রিমাত্রিক পরিবেশের অংশ হিসেবে ধরা পড়ে। ক্যামেরা পৃথিবীর রং ও দৃশ্যগত অর্থ বোঝাতে শক্তিশালী, রাডার গতি ও দূরত্বে কার্যকর, আর লাইডার চারপাশের ত্রিমাত্রিক কাঠামো অত্যন্ত বিস্তারিতভাবে মাপতে পারে।

এই বিভিন্ন সংবেদক থেকে পাওয়া তথ্য একত্র করার প্রক্রিয়াটি স্বচালিত প্রযুক্তির অন্যতম গুরুত্বপূর্ণ অংশ। কারণ একটি সংবেদক ভুল করতে পারে। প্রবল সূর্যের আলো ক্যামেরাকে বিভ্রান্ত করতে পারে, বৃষ্টি বা কুয়াশা কিছু সংবেদকের কার্যকারিতা কমাতে পারে এবং কোনো বস্তু আংশিকভাবে অন্য বস্তুর আড়ালে থাকতে পারে। কিন্তু একই বস্তু সম্পর্কে একাধিক উৎস থেকে তথ্য পাওয়া গেলে ব্যবস্থা তুলনামূলক নির্ভরযোগ্য সিদ্ধান্ত নিতে পারে।

ধরা যাক, ক্যামেরা সামনে একটি মোটরসাইকেল শনাক্ত করেছে। একই সময়ে রাডার ওই স্থানে একটি চলমান বস্তু শনাক্ত করেছে এবং লাইডার তার অবস্থান ও আকৃতি সম্পর্কে ত্রিমাত্রিক তথ্য দিয়েছে। এই তিনটি তথ্য মিললে ব্যবস্থার আত্মবিশ্বাস অনেক বেড়ে যায়। একাধিক সংবেদকের তথ্য একত্র করার মূল উদ্দেশ্য হলো কোনো একটি যন্ত্রের সীমাবদ্ধতাকে অন্য যন্ত্রের তথ্য দিয়ে পূরণ করা।

ট্রাফিক বাতি শনাক্ত করার ক্ষেত্রে সমস্যাটি আরও সূক্ষ্ম। দূর থেকে একটি ক্ষুদ্র লাল আলোকবিন্দু দেখলেই সেটিকে ট্রাফিকের লাল সংকেত ধরে নেওয়া যাবে না। সেটি অন্য গাড়ির পেছনের বাতি, দোকানের আলো কিংবা অন্য রাস্তার জন্য স্থাপিত ট্রাফিক বাতিও হতে পারে। তাই প্রথমে ক্যামেরার দৃশ্যে ট্রাফিক বাতির অবস্থান শনাক্ত করা হয়। এরপর তার রং ও অবস্থা নির্ণয় করা হয় এবং সম্ভব হলে মানচিত্রের তথ্যের সঙ্গে মিলিয়ে দেখা হয় যে বাতিটি গাড়িটির বর্তমান লেনের জন্য প্রযোজ্য কি না।

একটি বড় মোড়ে একই সঙ্গে অনেকগুলো ট্রাফিক বাতি থাকতে পারে। কোনোটি সোজা যাওয়া গাড়ির জন্য, কোনোটি ডানে মোড় নেওয়ার জন্য, আবার কোনোটি পাশের রাস্তার যানবাহনের জন্য। তাই শুধু বাতির রং চিনলেই স্বচালিত গাড়ির কাজ শেষ হয় না; কোন সংকেতটি নিজের জন্য প্রযোজ্য সেটিও বুঝতে হয়। লেনের অবস্থান, রাস্তার নকশা, দিকনির্দেশক তীর এবং উচ্চনির্ভুল মানচিত্র এখানে একসঙ্গে কাজে লাগে।

রাস্তার চিহ্ন পড়ার ক্ষেত্রেও একই ধরনের বিশ্লেষণ চলে। গতিসীমা, প্রবেশ নিষেধ, থামার নির্দেশ, পথচারী পারাপার কিংবা রাস্তার কাজের সতর্কবার্তা—প্রতিটি চিহ্নের আকৃতি, রং ও প্রতীক আলাদা। কৃত্রিম বুদ্ধিমত্তা ক্যামেরার ছবিতে প্রথমে চিহ্নটির অবস্থান শনাক্ত করে, এরপর সেটির অর্থ নির্ধারণ করে। কিন্তু একটি পুরোনো বা আংশিক ঢাকা চিহ্ন শনাক্ত করা কঠিন হতে পারে। গাছের ডাল, ধুলো, স্টিকার কিংবা আলো-ছায়ার কারণে চিহ্নের কিছু অংশ দেখা না গেলেও ব্যবস্থা যেন অর্থ বুঝতে পারে, সেজন্য প্রশিক্ষণের সময় বিভিন্ন পরিস্থিতির উদাহরণ ব্যবহার করা হয়।

স্বচালিত গাড়িকে নিজের অবস্থানও অত্যন্ত নির্ভুলভাবে জানতে হয়। সাধারণ অবস্থান নির্ণয় ব্যবস্থা অনেক ক্ষেত্রে কয়েক মিটারের ত্রুটি করতে পারে। কিন্তু গাড়ি চালানোর সময় কয়েক মিটারের ভুল মানে পাশের লেনে নিজের অবস্থান দেখানো হতে পারে। তাই শুধু উপগ্রহভিত্তিক অবস্থানের ওপর নির্ভর না করে গাড়ি ক্যামেরা, লাইডার, চাকার ঘূর্ণন, গতিবেগ, জড়তাভিত্তিক পরিমাপক এবং বিস্তারিত মানচিত্রের তথ্য মিলিয়ে নিজের অবস্থান নির্ণয় করতে পারে।

উচ্চনির্ভুল মানচিত্র সাধারণ পথনির্দেশক মানচিত্রের চেয়ে অনেক বেশি বিস্তারিত হতে পারে। সেখানে লেনের সীমানা, রাস্তার বক্রতা, মোড়, ট্রাফিক বাতির সম্ভাব্য অবস্থান এবং বিভিন্ন স্থায়ী অবকাঠামোর তথ্য থাকতে পারে। গাড়ির সংবেদক বাস্তবে যা দেখছে তার সঙ্গে মানচিত্রের তথ্য মিলিয়ে নিজের অবস্থান আরও নির্ভুলভাবে নির্ধারণ করা যায়। তবে মানচিত্রকে অন্ধভাবে অনুসরণ করাও নিরাপদ নয়। কারণ বাস্তব রাস্তা পরিবর্তিত হতে পারে। নির্মাণকাজ, দুর্ঘটনা বা সাময়িক প্রতিবন্ধকতার কারণে মানচিত্রের তথ্য পুরোনো হয়ে যেতে পারে। তাই মানচিত্র গাড়িকে পূর্বজ্ঞান দেয়, কিন্তু বর্তমান বাস্তবতা নির্ধারণ করে সংবেদক।

চারপাশের বস্তু শনাক্ত হওয়ার পর শুরু হয় আরেকটি কঠিন কাজ—তাদের ভবিষ্যৎ গতিবিধি অনুমান করা। সামনে থাকা গাড়ি কোন দিকে যাবে, পাশের গাড়ি লেন পরিবর্তন করতে পারে কি না, পথচারী রাস্তা পার হবেন কি না—এসব সম্ভাবনা হিসাব করতে হয়। মানুষের আচরণ পুরোপুরি নিয়ম মেনে চলে না বলে এই কাজটি অত্যন্ত কঠিন।

একজন পথচারী জেব্রা ক্রসিংয়ের পাশে দাঁড়িয়ে মোবাইলের দিকে তাকিয়ে থাকতে পারেন। তিনি রাস্তা পার হবেন কি না তা নিশ্চিতভাবে জানা সম্ভব নয়। একজন মোটরসাইকেল আরোহী কোনো নির্দেশক বাতি না জ্বালিয়েই লেন পরিবর্তন করতে পারেন। আবার সামনে থাকা গাড়ি হঠাৎ কোনো গর্ত এড়াতে পাশে সরে যেতে পারে। তাই স্বচালিত ব্যবস্থা সম্ভাব্য একাধিক ভবিষ্যৎ পরিস্থিতি বিবেচনা করে এবং সাধারণত নিরাপত্তাকে অগ্রাধিকার দিয়ে পরিকল্পনা তৈরি করে।

এই পর্যায়ের পর আসে পথ পরিকল্পনা। গাড়ির সামনে যদি কোনো বাধা না থাকে, সংকেত সবুজ থাকে এবং নির্ধারিত গতিসীমার মধ্যে চলা সম্ভব হয়, তাহলে ব্যবস্থা সামনে এগিয়ে যাওয়ার পথ নির্ধারণ করে। কিন্তু সামনে ধীরগতির গাড়ি থাকলে গতি কমানো, লেন পরিবর্তন করা অথবা নিরাপদ দূরত্ব বজায় রাখার সিদ্ধান্ত নিতে হতে পারে। মোড়ে পথচারী থাকলে থামতে হবে। কোনো স্থির গাড়ি নিজের লেন আটকে রাখলে আশপাশের যানবাহন বিবেচনা করে সেটি পাশ কাটানোর পথ হিসাব করতে হবে।

এই সিদ্ধান্ত সরাসরি চাকায় পৌঁছে যায় না। পরিকল্পনার পর নিয়ন্ত্রণব্যবস্থা নির্ধারণ করে কতটা ত্বরণ দিতে হবে, কতটা ব্রেক প্রয়োগ করতে হবে এবং স্টিয়ারিং কতটা ঘোরাতে হবে। প্রতি মুহূর্তে নতুন সংবেদন তথ্য আসতে থাকে এবং পরিকল্পনাও পরিবর্তিত হতে থাকে। অর্থাৎ স্বচালিত গাড়ি একবার পথ নির্ধারণ করে কয়েক মিনিট অন্ধভাবে সেটি অনুসরণ করে না। এটি ক্রমাগত দেখে, বোঝে, অনুমান করে, পরিকল্পনা করে এবং নিজের সিদ্ধান্ত সংশোধন করে।

এই পুরো প্রক্রিয়াটি অত্যন্ত দ্রুত ঘটে। একটি গাড়ি যখন শহরের ব্যস্ত রাস্তায় চলছে, তখন একই সঙ্গে অসংখ্য বস্তু পর্যবেক্ষণ করতে হতে পারে। সামনে বাস, পাশে মোটরসাইকেল, ফুটপাতে মানুষ, দূরে ট্রাফিক বাতি, রাস্তায় গতিসীমার চিহ্ন এবং সামনে মোড়—সবকিছু একসঙ্গে বিশ্লেষণ করতে হয়। নতুন তথ্য পাওয়ার সঙ্গে সঙ্গে পুরোনো ধারণা সংশোধিত হয়।

তবে এখানেই স্বচালিত গাড়ির সবচেয়ে বড় বাস্তব সমস্যা প্রকাশ পায়। পরিচিত পরিস্থিতিতে কৃত্রিম বুদ্ধিমত্তা অত্যন্ত দক্ষ হতে পারে, কিন্তু পৃথিবীর রাস্তায় অসংখ্য অস্বাভাবিক ঘটনা ঘটে। রাস্তার মাঝখানে পড়ে থাকা অদ্ভুত আকৃতির বস্তু, পুলিশের হাতের সংকেত, নির্মাণকর্মীর অস্থায়ী নির্দেশ, উল্টো দিকে আসা গাড়ি, হঠাৎ দৌড়ে আসা শিশু, রাস্তায় পশু কিংবা দুর্ঘটনার পর বিশৃঙ্খল যান চলাচল—এসব পরিস্থিতি আগে থেকে সম্পূর্ণভাবে তালিকাভুক্ত করা অসম্ভব।

আবহাওয়াও বড় চ্যালেঞ্জ। ভারী বৃষ্টিতে ক্যামেরার দৃশ্য ঝাপসা হতে পারে। কুয়াশায় দূরের বস্তু স্পষ্ট দেখা যায় না। তুষার লেনচিহ্ন ঢেকে দিতে পারে। ভেজা রাস্তায় আলো প্রতিফলিত হয়ে বিভ্রান্তিকর দৃশ্য তৈরি করতে পারে। রাতে বিপরীত দিক থেকে আসা গাড়ির তীব্র আলো ক্যামেরার জন্য সমস্যা সৃষ্টি করতে পারে। এ কারণেই নিরাপদ স্বচালন ব্যবস্থা তৈরিতে শুধু সাধারণ পরিস্থিতিতে ভালো ফল করলেই যথেষ্ট নয়; বিরল, অনিশ্চিত এবং বিপজ্জনক পরিস্থিতিতেও ব্যবস্থাটি কতটা নিরাপদ আচরণ করে সেটিই আসল পরীক্ষা।

স্বচালিত গাড়ির কৃত্রিম বুদ্ধিমত্তা প্রশিক্ষণে তাই বাস্তব রাস্তার উপাত্তের পাশাপাশি কৃত্রিমভাবে তৈরি পরিস্থিতিও ব্যবহার করা যায়। ভার্চুয়াল পরিবেশে এমন দুর্ঘটনাপ্রবণ বা বিরল পরিস্থিতি তৈরি করা সম্ভব, যা বাস্তবে বারবার পরীক্ষা করা বিপজ্জনক। উদাহরণস্বরূপ, হঠাৎ রাস্তার সামনে মানুষ চলে আসা, একই সঙ্গে কয়েকটি গাড়ি লেন পরিবর্তন করা কিংবা ট্রাফিক বাতি বিকল হয়ে যাওয়ার মতো পরিস্থিতিতে ব্যবস্থা কী সিদ্ধান্ত নেয় তা বারবার পরীক্ষা করা যায়।

তবু স্বচালিত প্রযুক্তিকে কেবল কৃত্রিম বুদ্ধিমত্তার একটি বড় ব্যবস্থা হিসেবে ভাবলে পুরো চিত্র বোঝা যায় না। বাস্তবে এটি অনেকগুলো বিশেষায়িত ব্যবস্থার সমন্বয়ে তৈরি একটি চলমান সিদ্ধান্তযন্ত্র। একটি অংশ দৃশ্য দেখে, একটি অংশ দূরত্ব মাপে, একটি অংশ নিজের অবস্থান নির্ধারণ করে, একটি অংশ অন্যদের ভবিষ্যৎ আচরণ অনুমান করে, আরেকটি অংশ নিরাপদ পথ পরিকল্পনা করে এবং শেষ অংশটি স্টিয়ারিং, ত্বরণ ও ব্রেক নিয়ন্ত্রণ করে।

মানুষের চালনার সঙ্গে এর সবচেয়ে আকর্ষণীয় পার্থক্য এখানেই। একজন অভিজ্ঞ চালক এসব কাজ আলাদাভাবে অনুভব করেন না। তিনি সামনে তাকান এবং স্বাভাবিকভাবেই গাড়ি চালান। কিন্তু যন্ত্রকে মানুষের এই স্বাভাবিক দক্ষতাকে অসংখ্য ক্ষুদ্র গাণিতিক ও প্রযুক্তিগত সমস্যায় ভাগ করে সমাধান করতে হয়। একটি শিশুকে রাস্তার পাশে দাঁড়িয়ে থাকতে দেখে মানুষের মনে মুহূর্তেই সতর্কতা তৈরি হয়। যন্ত্রের ক্ষেত্রে প্রথমে শিশুটিকে ছবির মধ্যে শনাক্ত করতে হবে, তার ত্রিমাত্রিক অবস্থান জানতে হবে, গতিবিধি পর্যবেক্ষণ করতে হবে, রাস্তার সঙ্গে তার সম্পর্ক বুঝতে হবে, সম্ভাব্য ভবিষ্যৎ অবস্থান অনুমান করতে হবে এবং তারপর নিরাপদ গতির সিদ্ধান্ত নিতে হবে।

এ কারণেই সম্পূর্ণ স্বচালিত গাড়ি তৈরি করা শুধু এমন একটি গাড়ি বানানোর বিষয় নয়, যা নিজে স্টিয়ারিং ঘোরাতে পারে। আসল চ্যালেঞ্জ হলো মানুষের তৈরি বিশৃঙ্খল পৃথিবীকে যন্ত্রের কাছে যথেষ্ট নির্ভুলভাবে বোধগম্য করে তোলা। রাস্তার প্রতিটি মানুষ, গাড়ি, সংকেত, ছায়া, বাঁক এবং অপ্রত্যাশিত ঘটনার অর্থ বুঝে কয়েক মুহূর্তের মধ্যে নিরাপদ সিদ্ধান্ত নিতে পারলেই একটি স্বচালিত ব্যবস্থা সত্যিকার অর্থে দক্ষ হয়ে ওঠে।

তাই স্বচালিত গাড়ি রাস্তা, মানুষ কিংবা ট্রাফিক সংকেতকে মানুষের মতো সচেতনভাবে “দেখে” না। ক্যামেরা আলোকে ছবিতে রূপান্তর করে, রাডার দূরত্ব ও আপেক্ষিক গতি মাপে, লাইডার ত্রিমাত্রিক পরিবেশ তৈরি করে, মানচিত্র অবস্থান সম্পর্কে পূর্বজ্ঞান দেয় এবং কৃত্রিম বুদ্ধিমত্তা এই বিপুল তথ্যের মধ্যে অর্থপূর্ণ সম্পর্ক খুঁজে বের করে। এরপর ভবিষ্যৎ পরিস্থিতির সম্ভাবনা হিসাব করে নিরাপদ পথ নির্বাচন করা হয়। একটি স্বচালিত গাড়ির প্রকৃত শক্তি কোনো একটি সংবেদক বা কৃত্রিম বুদ্ধিমত্তার একক কৌশলে নয়; বরং দেখা, মাপা, বোঝা, অনুমান করা এবং সিদ্ধান্ত নেওয়ার এই সম্পূর্ণ শৃঙ্খলকে অত্যন্ত দ্রুত ও নির্ভরযোগ্যভাবে একসঙ্গে পরিচালনা করার ক্ষমতায়।