آنا- واکنش مردم درباره ماشین های بدون سرنشینی که در اتوبان های سراسر دنیا می رانند، چه خواهد بود؟ کمپانی فورد برای فهمیدن این موضوع و احتمالا لذت بردن از سرکار گذاشتن مردم با «ویرجینیا تک» همکاری کرد تا واکنش مردم به یک ماشین خودران را به چشم خود ببیند.
البته هدف والاتری هم برای انجام این کار وجود داشت. در واقع، کل این ماجرا به منظور مطالعه ای برای گسترش نوعی زبان بصری انجام شد که خودروهای خودران و مردم می توانند از آن در آینده استفاده کنند. این امر بسیار مهم است چراکه یک اتومبیل خودران قادر به دست تکان دادن، سر جنباندن یا استفاده از حرکات ناخوشایند نیست تا عابر پیاده از وجودش مطلع شود.
تصور کنید، در یک پیاده رو هستید و قصد دارید از خیابان عبور کنید، می بینید که یک ماشین خودران به سمت شما می آید؛ آیا بدون اطمینان حاصل کردن از اینکه این ماشین شما را می بیند از خیابان عبور می کنید؟
بنابراین فورد و ویرجینیا تک با کمک گرفتن از متخصصان جلوه های ویژه هالیوود، یک لباس به شکل صندلی خودرو ساختند تا راننده خودرو آن را بپوشد و توهم یک اتومبیل خودران را در چشم عابران پیاده ایجاد کند. سپس فورد یک نوار نوری را روی شیشه جلوی یک ون نصب کرد تا علائمی را به عابران نشان دهد. دو نور سفید که به کناره ها حرکت می کند، نشان می دهد که ون قصد توقف دارد. یک نور چشمک زن یعنی ون در حال سرعت گرفتن پس از یک توقف است و یک نور سفید ثابت نیز نشان می دهد که ون در حالت کاملا خودران حرکت می کند.
برای ترجمه این علائم به زبان عابران پیاده، نور سفید ثابت ممکن است به این معنا باشد که ون از وجود شما خبر ندارد. نورهای روشن می تواند به این معنا باشد که ون شما را می بیند و به شما خواهد رسید و نور چشمک زن نیز به معنای این است که شما مورد هدف قرار گرفته اید و بهتر است از سر راه کنار بروید چراکه ون در حال سرعت گیری است.
البته وقتی این اتومبیل به خیابان های ویرجینیای شمالی رسید، مردم روحشان هم خبر نداشت که این علائم چه معنا و مفهومی دارند. از اول ماه اوت، ویرجینیا تک و فورد از طریق چندین دوربین تعبیه شده روی این خودرو، توانستند بیش از 150 ساعت اطلاعات عملیاتی به دست آورند.
در این فرآیند راننده پنهان شده در لباس صندلی مانند، بیش از 1650 بار به عابران پیاده ای که گمان می کردند با یک اتومبیل خودران روبه رو شده اند، سیگنال فرستاد. واکنش این افراد مطالعه خواهد شد و این اطلاعات برای گسترس یک سیستم آسان یادگیری استفاده می شود که بتواند در آینده شکاف ارتباطی میان انسان و ماشین را به هم مرتبط کند.