Skalerbare Autonome Køretøjs Sikkerhedsværktøjer Udviklet Af Forskere

Da produktionen og udrulningen af autonome køretøjer øger, bliver sikkerheden af autonome køretøjer endnu vigtigere. Derfor investerer forskere i udviklingen af metrikker og værktøjer til at spore sikkerheden af autonome køretøjer. Ifølge ScienceDaily har et forskningsteam fra University of Illinois at Urbana-Champaign brugt maskinelæringsalgoritmer til at oprette en skalerbar platform for analyse af autonome køretøjs sikkerhed, ved hjælp af både hardware- og softwareforbedringer.

At forbedre sikkerheden af autonome køretøjer er blevet en af de mere vanskelige opgaver i AI, på grund af de mange variabler, der er involveret i opgaven. Ikke kun er sensorerne og algoritmerne i køretøjet ekstremt komplekse, men der er også mange eksterne forhold, der konstant ændrer sig, såsom vejforhold, topografi, vejr, belysning og trafik.

Landskabet og algoritmerne for autonome køretøjer ændrer sig konstant, og virksomhederne har brug for en måde at følge med ændringerne og reagere på nye problemer. Forskerne fra Illinois arbejder på en platform, der giver virksomhederne mulighed for at løse nyligt identificerede sikkerhedsproblemer på en hurtig og omkostningseffektiv måde. Imidlertid gør kompleksiteten af systemerne, der driver autonome køretøjer, det til en enorm opgave. Forskningsholdet designer et system, der kan følge med og opdatere autonome køretøjs systemer, der indeholder dusinvis af processorer og acceleratorer, der kører millioner af linjer kode.

Generelt kører autonome køretøjer meget sikkert. Imidlertid, når en fejl eller uventet begivenhed indtræffer, er et autonomt køretøj mere sandsynligt at få en ulykke end menneskelige chauffører, da køretøjet ofte har svært ved at forhandle sig igennem pludselige nødsituationer. Det er svært at kvantificere, hvor sikre autonome køretøjer er, og hvad der skyldes ulykker, men det er tydeligt, at fejl i et køretøj, der kører 70 mph ned ad en vej, kan være ekstremt farligt, og derfor er der behov for at forbedre håndteringen af nødsituationer i autonome køretøjer.

Saurabh Jha, en ph.d.-stipendiat og en af forskerne, der er involveret i programmet, forklarede til ScienceDaily behovet for at forbedre fejlhåndteringen i autonome køretøjer. Jha forklarede:

“Hvis en chauffør af et almindeligt køretøj fornemmer et problem, såsom køretøjsdrift eller træk, kan chaufføren tilpasse sit adfærd og guide køretøjet til et sikkert stoppunkt. Imidlertid kan adfærden af et autonomt køretøj være uforudsigelig i en sådan situation, medmindre det autonome køretøj er udtrykkeligt trænet til sådanne problemer. I den virkelige verden er der en uendelig mængde af sådanne tilfælde.”

Forskerne forsøger at løse dette problem ved at indsamle og analysere data fra sikkerhedsrapporter, der er indsendt af autonome køretøjsvirksomheder. Virksomheder som Waymo og Uber er nødt til at indsende rapporter til DMV i California mindst en gang om året. Disse rapporter indeholder data om statistikker som, hvor langt bilerne har kørt, hvor mange ulykker der er sket, og under hvilke forhold køretøjerne har kørt.

Forskningsholdet fra University of Illinois analyserede rapporter fra årene 2014 til 2017. I denne periode kørte autonome køretøjer omkring 1.116.000 mil, fordelt på 144 forskellige køretøjer. Ifølge forskningsholdets fund var ulykker 4000 gange mere sandsynlige at ske, når de sammenlignes med den samme distance, der er kørt af menneskelige chauffører. Ulykkerne kan tyde på, at AI i køretøjet ikke kunne ordentligt frakoble og undgå ulykken, men i stedet afhængige af, at den menneskelige chauffør overtog.

Det er svært at diagnosticere potentielle fejl i hardwaren eller softwaren i det autonome køretøj, da mange fejl kun vil manifestere sig under de rette betingelser. Det er heller ikke muligt at gennemføre tests under alle mulige betingelser, der kan optræde på vejen. I stedet for at indsamle data fra hundredtusinder af kilometer, der er kørt af autonome køretøjer, bruger forskningsholdet simulerede miljøer til at drastisk reducere mængden af penge og tid, der bruges til at generere data til træning af AV’er.

Forskningsholdet bruger de genererede data til at undersøge situationer, hvor AV-fejl kan optræde, og sikkerhedsproblemer kan optræde. Det ser ud til, at brugen af simulerede miljøer kan hjælpe virksomhederne med at finde sikkerhedsrisici, som de ellers ikke ville have kunnet finde. For eksempel, da holdet testede Apollo AV, som er udviklet af Baidu, isolerede de over 500 tilfælde, hvor AV ikke kunne håndtere en nødsituation, og en ulykke skete som følge. Forskningsholdet håber, at andre virksomheder vil bruge deres testplatform og forbedre sikkerheden af deres autonome køretøjer.