Ανάπτυξη Κλιμακώσιμων Εργαλείων Ασφαλείας Αυτόνομων Οχημάτων από Ερευνητές

Καθώς η ταχύτητα παραγωγής και ανάπτυξης αυτόνομων οχημάτων αυξάνεται, η ασφάλεια των αυτόνομων οχημάτων γίνεται ακόμη πιο σημαντική. Για αυτόν τον λόγο, οι ερευνητές επενδύουν στην δημιουργία μετρήσεων και εργαλείων για την παρακολούθηση της ασφάλειας των αυτόνομων οχημάτων. Όπως αναφέρεται στο ScienceDaily, μια ερευνητική ομάδα από το Πανεπιστήμιο του Ιλινόις στο Ουρμπάνα-Σαμπέιν έχει χρησιμοποιήσει αλγόριθμους μηχανικής μάθησης για τη δημιουργία μιας πλατφόρμας ανάλυσης ασφαλείας αυτόνομων οχημάτων, χρησιμοποιώντας cả βελτιώσεις υλικού και λογισμικού για να το επιτύχει.

Η βελτίωση της ασφάλειας των αυτόνομων οχημάτων έχει παραμείνει ένα από τα πιο δύσκολα καθήκοντα στην τεχνητή νοημοσύνη, λόγω των πολλών μεταβλητών που εμπλέκονται στο καθήκον. Όχι μόνο οι αισθητήρες και οι αλγόριθμοι που εμπλέκονται στο όχημα είναι εξαιρετικά σύνθετοι, αλλά υπάρχουν πολλές εξωτερικές συνθήκες που αλλάζουν συνεχώς, όπως οι συνθήκες του δρόμου, η τοπογραφία, ο καιρός, η照明 και η κυκλοφορία.

Το τοπίο και οι αλγόριθμοι των αυτόνομων οχημάτων αλλάζουν συνεχώς, και οι εταιρείες χρειάζονται έναν τρόπο να跟ουν τις αλλαγές και να ανταποκρίνονται σε neuen προβλήματα. Η ερευνητική ομάδα του Ιλινόις εργάζεται σε μια πλατφόρμα που επιτρέπει στις εταιρείες να αντιμετωπίσουν πρόσφατα αναγνωρισμένες ανησυχίες ασφαλείας με έναν γρήγορο και οικονομικά αποδοτικό τρόπο. Ωστόσο, η απίστευτη πολυπλοκότητα των συστημάτων που οδηγούν τα αυτόνομα οχήματα καθιστά αυτό μια τεράστια προσπάθεια. Η ερευνητική ομάδα σχεδιάζει ένα σύστημα που θα μπορέσει να παρακολουθήσει και να ενημερώσει τα συστήματα αυτόνομων οχημάτων που περιέχουν δεκάδες επεξεργαστές και επιταχυντές που εκτελούν εκατομμύρια γραμμών κώδικα.

Γενικά, τα αυτόνομα οχήματα οδηγούν khá ασφαλώς. Ωστόσο, όταν συμβαίνει μια αποτυχία ή ένα απροσδόκητο γεγονός, ένα αυτόνομο όχημα είναι πιο πιθανό να εμπλακεί σε einen ατύχημα από τους ανθρώπινους οδηγούς, καθώς το όχημα συχνά έχει δυσκολία να διαπραγματευτεί τις απροσδόκητες εκτάκτες. Όπως είναι αναγνωρισμένο και τι είναι υπεύθυνο για τα ατυχήματα, είναι προφανές ότι οι αποτυχίες ενός οχήματος που κινείται με 70 mph σε einen δρόμο θα μπορούσαν να αποδειχθούν εξαιρετικά επικίνδυνες, επομένως η ανάγκη να βελτιωθεί η αντιμετώπιση των εκτάκτων από τα αυτόνομα οχήματα.

Ο Saurabh Jha, ένας υποψήφιος διδάκτωρ και ένας από τους ερευνητές που εμπλέκονται στο πρόγραμμα, εξήγησε στο ScienceDaily την ανάγκη να βελτιωθεί η αντιμετώπιση των αποτυχιών στα αυτόνομα οχήματα. Ο Jha εξήγησε

“Εάν ένας οδηγός ενός τυπικού οχήματος αντιλαμβάνεται ένα πρόβλημα, όπως η ολίσθηση ή η έλξη του οχήματος, ο οδηγός μπορεί να điều chỉnh τη συμπεριφορά του και να οδηγήσει το όχημα σε einen ασφαλή σημείο στάσης. Ωστόσο, η συμπεριφορά του αυτόνομου οχήματος μπορεί να είναι απρόβλεπτη σε τέτοια περίπτωση, trừ εάν το αυτόνομο όχημα έχει εκπαιδευτεί ρητά για τέτοια προβλήματα. Στο πραγματικό κόσμο, υπάρχουν άπειρες τέτοιες περιπτώσεις.”

Οι ερευνητές στοχεύουν να λύσουν αυτό το πρόβλημα συλλέγοντας και αναλύοντας δεδομένα που αφορούν τις αναφορές ασφαλείας που υποβάλλονται από εταιρείες αυτόνομων οχημάτων. Εταιρείες όπως η Waymo και η Uber απαιτείται να υποβάλουν αναφορές στο Τμήμα Μεταφορών της Καλιφόρνιας τουλάχιστον μια φορά το χρόνο. Αυτές οι αναφορές περιέχουν δεδομένα για στατιστικά στοιχεία όπως το πόσο μακρύ έχουν οδηγήσει τα οχήματα, πόσα ατυχήματα συνέβησαν και υπό ποιες συνθήκες λειτουργούσαν τα οχήματα.

Η ερευνητική ομάδα του Πανεπιστημίου του Ιλινόις ανάλυσε αναφορές που καλύπτουν τα χρόνια 2014 έως 2017. Κατά τη διάρκεια αυτής της περιόδου, τα αυτόνομα οχήματα οδήγησαν γύρω στα 1.116.000 μίλια, κατανεμημένα σε 144 διαφορετικά οχήματα. Σύμφωνα με τα ευρήματα της ερευνητικής ομάδας, όταν συγκρίνονται με την ίδια απόσταση που οδηγήθηκε από ανθρώπινους οδηγούς, τα ατυχήματα ήταν 4000 φορές πιο πιθανό να συμβούν. Τα ατυχήματα μπορεί να υποδηλώνουν ότι η τεχνητή νοημοσύνη του οχήματος απέτυχε να αποσυνδεθεί και να αποφύγει το ατύχημα, βασίζοντας την αντίθετα στον ανθρώπινο οδηγό να αναλάβει τον έλεγχο.

Είναι δύσκολο να διαγνώσουμε πιθανές ошибές στο υλικό ή το λογισμικό του αυτόνομου οχήματος, επειδή πολλές ошибές θα εμφανιστούν μόνο υπό τις σωστές συνθήκες. Επίσης, δεν είναι εφικτό να διεξαχθούν δοκιμές υπό κάθε πιθανή συνθήκη που μπορεί να συμβεί στον δρόμο. Αντί να συλλέγουν δεδομένα από εκατοντάδες χιλιάδες πραγματικά μίλια που έχουν οδηγηθεί από αυτόνομα οχήματα, η ερευνητική ομάδα χρησιμοποιεί προσομοιωμένα περιβάλλοντα για να μειώσει δραστικά το ποσό του χρόνου και του χρήματος που ξοδεύεται για τη δημιουργία δεδομένων για την εκπαίδευση των AV.

Η ερευνητική ομάδα χρησιμοποιεί τα δεδομένα που έχουν δημιουργηθεί για να εξερευνήσει τις καταστάσεις όπου μπορεί να συμβούν αποτυχίες AV και προβλήματα ασφαλείας. Φαίνεται ότι η χρήση των προσομοιώσεων μπορεί πραγματικά να βοηθήσει τις εταιρείες να βρουν κινδύνους ασφαλείας που δεν θα μπορούσαν να βρουν αλλιώς. Για παράδειγμα, όταν η ομάδα ελέγξαν το Apollo AV, που δημιουργήθηκε από την Baidu, απομόνωσαν πάνω από 500 περιπτώσεις όπου το AV απέτυχε να αντιμετωπίσει μια έκτακτη κατάσταση και συνέβη ένα ατύχημα ως αποτέλεσμα. Η ερευνητική ομάδα ελπίζει ότι άλλες εταιρείες θα χρησιμοποιήσουν την πλατφόρμα δοκιμών τους και θα βελτιώσουν την ασφάλεια των αυτόνομων οχημάτων τους.