Schaalbare Autonome Voertuigveiligheidstools Ontwikkeld Door Onderzoekers

Naarmate de productie en inzet van autonome voertuigen sneller gaat, wordt de veiligheid van autonome voertuigen nog belangrijker. Daarom investeren onderzoekers in de creatie van metrics en tools om de veiligheid van autonome voertuigen te volgen. Volgens ScienceDaily heeft een onderzoeksteam van de Universiteit van Illinois in Urbana-Champaign machine learning-algoritmes gebruikt om een schaalbare autonome voertuigveiligheidsanalyseplatform te creëren, met behulp van zowel hardware- als softwareverbeteringen.

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

Het landschap en de algoritmes van autonome voertuigen veranderen constant, en bedrijven hebben een manier nodig om bij te blijven met de veranderingen en te reageren op nieuwe problemen. Het onderzoeksteam van Illinois werkt aan een platform dat bedrijven in staat stelt om onlangs geïdentificeerde veiligheidsproblemen aan te pakken op een snelle, kosteneffectieve manier. Echter, de enorme complexiteit van de systemen die autonome voertuigen aandrijven, maakt dit een enorm project. Het onderzoeksteam ontwerpt een systeem dat in staat zal zijn om autonome voertuigsystemen te volgen en bij te werken die dozen processors en accelerators bevatten die miljoenen regels code uitvoeren.

Over het algemeen rijden autonome voertuigen vrij veilig. Echter, wanneer een storing of onverwacht evenement optreedt, is een autonoom voertuig op dit moment meer geneigd om een ongeval te krijgen dan menselijke bestuurders, omdat het voertuig vaak moeite heeft om plotselinge noodsituaties te hanteren. Het is moeilijk om te kwantificeren hoe veilig autonome voertuigen zijn en wat de oorzaak is van ongevallen, maar het is duidelijk dat storingen van een voertuig dat met 70 mph over de weg rijdt, extreem gevaarlijk kunnen zijn, vandaar de noodzaak om de afhandeling van noodsituaties door autonome voertuigen te verbeteren.

Saurabh Jha, een doctoraalstudent en een van de onderzoekers die bij het programma betrokken zijn, legde aan ScienceDaily uit dat het noodzakelijk is om de afhandeling van storingen in autonome voertuigen te verbeteren. Jha legde uit:

“Als een bestuurder van een gewone auto een probleem zoals voertuigdrift of -trek voelt, kan de bestuurder zijn/haar gedrag aanpassen en het voertuig naar een veilige stopplaats leiden. Echter, het gedrag van het autonome voertuig kan onvoorspelbaar zijn in een dergelijke situatie, tenzij het autonome voertuig expliciet is getraind voor dergelijke problemen. In de echte wereld zijn er een oneindig aantal van dergelijke gevallen.”

De onderzoekers proberen dit probleem op te lossen door gegevens te verzamelen en te analyseren met betrekking tot veiligheidsrapporten die door autonome voertuigbedrijven zijn ingediend. Bedrijven zoals Waymo en Uber zijn verplicht om rapporten in te dienen bij de DMV in Californië minstens een keer per jaar. Deze rapporten bevatten gegevens over statistieken zoals hoe ver auto’s hebben gereden, hoeveel ongevallen zijn gebeurd en onder welke omstandigheden de voertuigen hebben gereden.

Het onderzoeksteam van de Universiteit van Illinois heeft rapporten geanalyseerd die de jaren 2014 tot 2017 bestrijken. Tijdens deze periode hebben autonome voertuigen ongeveer 1.116.000 mijl gereden, verdeeld over 144 verschillende voertuigen. Volgens de bevindingen van het onderzoeksteam waren ongevallen 4000 keer vaker waarschijnlijk te gebeuren dan wanneer dezelfde afstand door menselijke bestuurders werd gereden. De ongevallen kunnen aangeven dat de AI van het voertuig niet goed heeft kunnen loskoppelen en een ongeval heeft voorkomen, en in plaats daarvan vertrouwde op de menselijke bestuurder om het over te nemen.

Het is moeilijk om potentiële fouten in de hardware of software van het autonome voertuig te diagnosticeren, omdat veel fouten alleen maar zullen optreden onder de juiste omstandigheden. Het is ook niet haalbaar om tests uit te voeren onder elke mogelijke omstandigheid die op de weg kan optreden. In plaats van gegevens te verzamelen over honderdduizenden echte mijlen die door autonome voertuigen zijn gereden, gebruikt het onderzoeksteam gesimuleerde omgevingen om de hoeveelheid geld en tijd die nodig is voor het genereren van gegevens voor de training van AV’s aanzienlijk te verminderen.

Het onderzoeksteam gebruikt de gegenereerde gegevens om situaties te onderzoeken waarin AV-storingen kunnen optreden en veiligheidsproblemen kunnen ontstaan. Het lijkt erop dat het gebruik van simulaties bedrijven echt kan helpen om veiligheidsrisico’s te vinden die ze anders niet zouden kunnen vinden. Bijvoorbeeld, toen het team de Apollo AV testte, die door Baidu is gemaakt, hebben ze meer dan 500 gevallen geïsoleerd waarin de AV niet in staat was om een noodsituatie te hanteren en een ongeval als gevolg daarvan optreedt. Het onderzoeksteam hoopt dat andere bedrijven gebruik zullen maken van hun testplatform en de veiligheid van hun autonome voertuigen zullen verbeteren.