自動運転車の安全性を高めるスケーラブルなツールを研究者が開発

自動運転車の製造と導入のスピードが増すにつれて、自動運転車の安全性はより重要になっています。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メトリクスとツールの開発に投資しています。ScienceDailyの報告によると、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スケーラブルな自動運転車安全性分析プラットフォームを作成しました。このプラットフォームは、ハードウェアとソフトウェアの両方の改善を利用して実現されています。

自動運転車の安全性を高めることは、AIの分野で最も難しいタスクの1つです。自動運転車のセンサーとアルゴリズムは非常に複雑であり、道路状況、地形、天候、照明、交通量などの外部条件も常に変化しています。

自動運転車のランドスケープとアルゴリズムは両方とも常に変化しています。企業はこれらの変化に追随し、新しい問題に対応する必要があります。イリノイ大学の研究者は、最近発見された安全性に関する懸念に対処するための迅速で費用効率の高い方法を提供するプラットフォームを開発中です。しかし、自動運転車を駆動するシステムの複雑さは巨大な課題です。研究チームは、数十のプロセッサとアクセラレータが動作し、数百万行のコードが実行される自動運転車システムを追跡し、更新するシステムを設計しています。

一般的に、自動運転車はかなり安全に運転します。しかし、故障や予期せぬイベントが発生した場合、自動運転車は現在、人間の運転手よりも事故の可能性が高くなります。自動運転車は、急な緊急事態を切り抜けるのに苦労することがあります。自動運転車の安全性を数量化することは難しいし、事故の原因を特定することも難しいですが、道路を70mphで走行している車両の故障は非常に危険であることは明らかです。したがって、自動運転車の緊急事態への対応を改善する必要があります。

サウラブ・ジャハ博士課程学生であり、プログラムに関与している研究者の一人であるジャハは、ScienceDailyに自動運転車の故障ハンドリングの改善の必要性について説明しました。ジャハは次のように述べています。

“一般的な車の運転手が車の漂流やプルを感じた場合、運転手は自分の行動を調整し、車を安全な停止地点に誘導できます。しかし、自動運転車の場合、自動運転車はそのような問題に対して明示的にトレーニングされていない限り、自動運転車の動作は予測不可能です。現実世界には、そのようなケースが無限にあります。”

研究者は、自動運転車企業が提出する安全性報告書のデータを収集し、分析することでこの問題を解決しようとしています。WaymoやUberなどの企業は、カリフォルニアのDMVに少なくとも年1回報告書を提出する必要があります。これらの報告書には、車両が走行した距離、発生した事故の数、車両が運行していた条件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、自動運転車は約1,116,000マイルを走行し、144台の車両が運行されました。研究チームの調査結果によると、人間の運転手が同じ距離を走行した場合と比較して、事故の可能性は約4,000倍高くなりました。事故は、自動運転車のAIが事故を回避するために適切に解除されなかったことを示唆しています。

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。多くのエラーは、特定の条件下でのみ発生します。また、道路上で発生する可能性のあるすべての条件下でテストを実施することは現実的ではありません。研究チームは、自動運転車のトレーニングに使用するデータを生成するために、シミュレーション環境を利用しています。これにより、データ生成に必要な時間とコストを大幅に削減できます。

研究チームは、生成されたデータを使用して、自動運転車の故障が発生し、安全性の問題が生じる状況を探索しています。シミュレーションの使用は、企業が他の方法では見つけることができない安全性のリスクを特定するのに役立つようです。たとえば、研究チームがBaiduによって作成されたApollo AVをテストした場合、自動運転車が緊急事態に対応できず、事故が発生した約500のインスタンスを特定しました。研究チームは、他の企業が彼らのテストプラットフォームを使用し、自動運転車の安全性を改善することを希望しています。