研究者が開発したスケーラブルな自動運転車の安全ツール

自動運転車の製造と導入の速度が速まるにつれて、自動運転車の安全性がさらに重要になります。 そのため、研究者は自動運転車の安全性を追跡するための指標とツールの作成に投資しています。 ScienceDaily の報道によるとイリノイ大学アーバナシャンペーン校の研究チームは、機械学習アルゴリズムを使用して、ハードウェアとソフトウェアの両方の改善を利用して、スケーラブルな自動運転車の安全分析プラットフォームを作成しました。

自動運転車の安全性の向上は、タスクに多くの変数が関係するため、依然として AI において最も困難なタスクの XNUMX つです。 車両に関係するセンサーとアルゴリズムが非常に複雑であるだけでなく、道路状況、地形、天候、照明、交通状況など、常に変化する多くの外部条件があります。

自動運転車の状況とアルゴリズムは両方とも常に変化しており、企業は変化に追いつき、新しい問題に対応する方法を必要としています。 イリノイ州の研究者らは、企業が最近確認された安全上の懸念に迅速かつ費用対効果の高い方法で対処できるプラットフォームの開発に取り組んでいます。 ただし、自動運転車を駆動するシステムは非常に複雑であるため、これは大規模な作業になります。 研究チームは、数百万行のコードを実行する数十のプロセッサとアクセラレータを含む自律走行車システムを追跡し、更新できるシステムを設計しています。

一般に、自動運転車は非常に安全に走行します。 しかし、故障や予期せぬ出来事が発生した場合、自動運転車は人間のドライバーよりも事故に遭う可能性が高いのが現状です。 突然の緊急事態の交渉に苦労する。  確かに難しいことですが、 自動運転車の安全性を定量化する & 事故の責任は何ですか時速 70 マイルで道路を走行する車両の故障が非常に危険であることは明らかであるため、自動運転車両による緊急事態への対応を改善する必要があります。

博士課程の候補者であり、このプログラムに関わっている研究者の一人であるサウラブ・ジャー氏は、自動運転車の故障処理を改善する必要性についてサイエンスデイリーに説明した。 ジャーさんはこう説明した。

「一般的な車のドライバーが車両のドリフトや引っ張りなどの問題を感知した場合、ドライバーは自分の行動を調整し、安全な停止点に車を誘導できます。 ただし、自動運転車がそのような問題に対して明示的に訓練されていない限り、そのようなシナリオでは自動運転車の動作は予測できない可能性があります。 現実の世界では、そのようなケースは無数にあります。」

研究者らは、自動運転車企業が提出した安全性報告書に関するデータを収集、分析することで、この問題の解決を目指している。 Waymo や Uber などの企業は、少なくとも年に一度、カリフォルニア州の DMV に報告書を提出する必要があります。 これらのレポートには、車が走行した距離、発生した事故の数、車両がどのような条件で動作したかなどの統計データが含まれています。

イリノイ大学の研究チームは、2014 年から 2017 年までの報告書を分析しました。この期間中、自動運転車は 1,116,000 台の異なる車両に分散して約 144 マイルを走行しました。 研究チームの調査結果によると、人間のドライバーが同じ距離を運転した場合と比較すると、事故が発生する可能性が4000倍高かったという。 この事故は、車両の AI が適切に離脱して事故を回避できず、代わりに人間のドライバーに引き継ぎを頼ったことを示唆している可能性があります。

多くのエラーは正しい条件下でのみ現れるため、自動運転車のハードウェアまたはソフトウェアの潜在的なエラーを診断することは困難です。 また、路上で起こり得るあらゆる条件下でテストを実施することも現実的ではありません。 研究チームは、自動運転車によって記録された実際の数十万マイルのデータを収集する代わりに、シミュレートされた環境を利用して、AV のトレーニング用のデータ生成に費やす費用と時間を大幅に削減しています。

研究チームは生成されたデータを使用して、AV の故障が発生し、安全上の問題が発生する可能性がある状況を調査します。 シミュレーションを利用することで、企業が他の方法では発見できない安全リスクを発見するのに真に役立つようです。 たとえば、チームが Baidu によって作成された Apollo AV をテストしたとき、AV が緊急事態に対処できず、その結果として事故が発生した 500 件以上の事例を隔離しました。 研究チームは、他の企業が自社の試験プラットフォームを活用し、自動運転車の安全性を向上させることを期待している。