Schaalbare veiligheidstools voor autonome voertuigen ontwikkeld door onderzoekers

Naarmate de snelheid van de productie en implementatie van autonome voertuigen toeneemt, wordt de veiligheid van autonome voertuigen nog belangrijker. Om die reden investeren onderzoekers in het creëren van statistieken en tools om de veiligheid van autonome voertuigen te volgen. Dat meldt ScienceDailyheeft een onderzoeksteam van de Universiteit van Illinois in Urbana-Champaign machine learning-algoritmen gebruikt om een ​​schaalbaar platform voor autonome voertuigveiligheidsanalyse te creëren, waarbij zowel hardware- als softwareverbeteringen worden gebruikt.

Het verbeteren van de veiligheid van autonome voertuigen is een van de moeilijkere taken in AI gebleven vanwege de vele variabelen die bij de taak betrokken zijn. Niet alleen zijn de sensoren en algoritmen die betrokken zijn bij het voertuig buitengewoon complex, maar er zijn ook veel externe omstandigheden die constant in beweging zijn, zoals wegomstandigheden, topografie, weer, verlichting en verkeer.

Het landschap en de algoritmen van autonome voertuigen veranderen voortdurend, en bedrijven hebben een manier nodig om de veranderingen bij te houden en op nieuwe problemen te reageren. De onderzoekers uit Illinois werken aan een platform waarmee bedrijven recent geïdentificeerde veiligheidsproblemen op een snelle, kosteneffectieve manier kunnen aanpakken. De enorme complexiteit van de systemen die autonome voertuigen aandrijven, maakt dit echter een enorme onderneming. Het onderzoeksteam ontwerpt een systeem dat autonome voertuigsystemen kan volgen en updaten die tientallen processors en versnellers bevatten die miljoenen regels code uitvoeren.

Over het algemeen rijden autonome voertuigen vrij veilig. Wanneer er zich echter een storing of onverwachte gebeurtenis voordoet, is de kans dat een autonoom voertuig momenteel een ongeluk krijgt groter dan menselijke bestuurders, aangezien het voertuig vaak moeite met onderhandelen over plotselinge noodsituaties.  Terwijl het weliswaar moeilijk is kwantificeren hoe veilig autonome voertuigen zijn en wat is de schuld van ongevallen, is het duidelijk dat uitval van een voertuig dat met 70 mph over een weg rijdt, extreem gevaarlijk kan zijn, vandaar de noodzaak om de afhandeling van noodsituaties door autonome voertuigen te verbeteren.

Saurabh Jha, een promovendus en een van de onderzoekers die betrokken zijn bij het programma, legde aan ScienceDaily de noodzaak uit om de storingsafhandeling in autonome voertuigen te verbeteren. Jha legde uit:

“Als een bestuurder van een typische auto een probleem waarneemt, zoals drift of trekken van het voertuig, kan de bestuurder zijn/haar gedrag aanpassen en de auto naar een veilige stopplaats leiden. Het gedrag van het autonome voertuig kan in een dergelijk scenario echter onvoorspelbaar zijn, tenzij het autonome voertuig expliciet is getraind voor dergelijke problemen. In de echte wereld zijn er oneindig veel van dergelijke gevallen.”

De onderzoekers proberen dit probleem op te lossen door gegevens te verzamelen en te analyseren met betrekking tot veiligheidsrapporten die zijn ingediend door autonome voertuigbedrijven. Bedrijven als Waymo en Uber moeten minstens jaarlijks rapporten indienen bij de DMV in Californië. Deze rapporten bevatten gegevens over statistieken, zoals hoe ver auto's hebben gereden, hoeveel ongevallen er zijn gebeurd en onder welke omstandigheden de voertuigen hebben gereden.

Het onderzoeksteam van de Universiteit van Illinois analyseerde rapporten over de jaren 2014 tot 2017. Gedurende deze periode reden autonome voertuigen ongeveer 1,116,000 mijl, verdeeld over 144 verschillende voertuigen. Volgens de bevindingen van het onderzoeksteam was de kans op ongevallen 4000 keer groter in vergelijking met dezelfde afstand die door menselijke chauffeurs werd afgelegd. De ongevallen kunnen impliceren dat de AI van het voertuig er niet in slaagde om het ongeval correct uit te schakelen en te vermijden, maar in plaats daarvan vertrouwde op de menselijke bestuurder om het over te nemen.

Het is moeilijk om mogelijke fouten in de hardware of software van het autonome voertuig te diagnosticeren, omdat veel fouten zich alleen onder de juiste omstandigheden zullen manifesteren. Het is ook niet haalbaar om tests uit te voeren onder alle mogelijke omstandigheden die zich op de weg kunnen voordoen. In plaats van gegevens te verzamelen over honderdduizenden echte kilometers die door autonome voertuigen zijn afgelegd, gebruikt het onderzoeksteam gesimuleerde omgevingen om de hoeveelheid geld en tijd die wordt besteed aan het genereren van gegevens voor de training van AV's drastisch te verminderen.

Het onderzoeksteam gebruikt de gegenereerde gegevens om situaties te verkennen waarin AV-storingen kunnen optreden en veiligheidsproblemen kunnen optreden. Het lijkt erop dat het gebruik van de simulaties bedrijven echt kan helpen om veiligheidsrisico's te vinden die ze anders niet zouden kunnen vinden. Toen het team bijvoorbeeld de Apollo AV, gemaakt door Baidu, testte, isoleerden ze meer dan 500 gevallen waarin de AV een noodsituatie niet aankon en er als gevolg daarvan een ongeluk gebeurde. Het onderzoeksteam hoopt dat andere bedrijven gebruik zullen maken van hun testplatform en de veiligheid van hun autonome voertuigen zullen verbeteren.