Skalable Sikkerhetsteknologi for Autonome kjøretøy Utviklet av Forskere

Ettersom produksjonen og utrullingen av autonome kjøretøy øker i fart, blir sikkerheten til autonome kjøretøy enda viktigere. Av denne grunn investerer forskere i utviklingen av metrikker og verktøy for å spore sikkerheten til autonome kjøretøy. Ifølge ScienceDaily har et forskningsteam fra University of Illinois at Urbana-Champaign brukt maskinlæringsalgoritmer til å utvikle en skalerbar plattform for analyse av sikkerheten til autonome kjøretøy, ved å bruke både hård- og programvareforbedringer.

Å forbedre sikkerheten til autonome kjøretøy har vært en av de mer vanskelige oppgavene i AI, på grunn av de mange variablene som er involvert i oppgaven. Ikke bare er sensorer og algoritmer i kjøretøyet ekstremt komplekse, men det er også mange eksterne forhold som er i konstant endring, som veiforhold, topografi, vær, lys og trafikk.

Landskapet og algoritmene for autonome kjøretøy er begge i konstant endring, og selskaper trenger en måte å holde pace med endringene og respondere på nye problemer. Forskningsteamet fra Illinois arbeider på en plattform som lar selskaper adresse nylig identifiserte sikkerhetsproblemer på en rask og kostnadseffektiv måte. Imidlertid gjør kompleksiteten i systemene som driver autonome kjøretøy dette til en massiv oppgave. Forskningsteamet designer et system som vil kunne holde orden på og oppdatere autonome kjøretøysystemer som inneholder dusinvis av prosessorer og akseleratorer som kjører millioner av linjer med kode.

Generelt sett kjører autonome kjøretøy ganske trygt. Imidlertid, når en feil eller uventet hendelse skjer, er et autonomt kjøretøy mer sannsynlig å havne i en ulykke enn menneskelige sjåfører, da kjøretøyet ofte har vanskelig for å forhandle suddenheter. Det er vanskelig å kvantifisere hvor trygt autonome kjøretøy er og hva som er årsaken til ulykker, men det er åpenbart at feil i et kjøretøy som kjører 70 mph ned en vei kan være ekstremt farlig, og derfor er det nødvendig å forbedre håndtering av nødsituasjoner i autonome kjøretøy.

Saurabh Jha, en doktorgradskandidat og en av forskerne involvert i programmet, forklarte til ScienceDaily behovet for å forbedre feilhåndtering i autonome kjøretøy. Jha forklarte:

“Hvis en sjåfør i et vanlig kjøretøy merker et problem som kjøretøydrift eller -trek, kan sjåføren justere sitt atferd og guide kjøretøyet til en trygg stoppested. Imidlertid kan atferden til et autonomt kjøretøy være uforutsigbar i en slik situasjon, med mindre det autonome kjøretøyet er eksplisitt trent for slike problemer. I den virkelige verden er det uendelige antall slike tilfeller.”

Forskningsteamet har som mål å løse dette problemet ved å samle inn og analysere data fra sikkerhetsrapporter som er sendt inn av selskaper som produserer autonome kjøretøy. Selskaper som Waymo og Uber er pålagt å sende inn rapporter til DMV i California minst en gang i året. Disse rapportene inneholder data om statistikk som hvor langt bilene har kjørt, hvor mange ulykker som har skjedd, og under hvilke forhold kjøretøyene har operert.

University of Illinois-forskningsteamet analyserte rapporter som dekket årene 2014 til 2017. I denne perioden kjørte autonome kjøretøy rundt 1 116 000 mil, fordelt på 144 forskjellige kjøretøy. Ifølge forskningsteamets funn var ulykker 4000 ganger mer sannsynlig å skje når sammenlignet med samme avstand kjørt av menneskelige sjåfører. Ulykkene kan tyde på at AI-en i kjøretøyet ikke klarte å korrekt frakoble og unngå ulykken, og i stedet la sjåføren overta.

Det er vanskelig å diagnostisere potensielle feil i hård- eller programvaren i det autonome kjøretøyet, fordi mange feil bare vil manifestere seg under de riktige forhold. Det er heller ikke mulig å utføre tester under alle mulige forhold som kan oppstå på veien. I stedet for å samle inn data fra hundredtusener av faktiske mil kjørt av autonome kjøretøy, bruker forskningsteamet simuleringsmiljøer for å dramatisk reducere mengden penger og tid som brukes på å generere data for trening av AV-er.

Forskningsteamet bruker de genererte dataene til å utforske situasjoner hvor AV-feil kan skje og sikkerhetsproblemer kan oppstå. Det ser ut til at bruken av simuleringsmiljøer kan virkelig hjelpe selskaper med å finne sikkerhetsrisikoer de ikke ville ha kunnet finne ellers. For eksempel, da teamet testet Apollo AV, som er utviklet av Baidu, isolerte de over 500 tilfeller hvor AV-en ikke klarte å håndtere en nødsituasjon og en ulykke skjedde som resultat. Forskningsteamet håper at andre selskaper vil bruke deres testplattform og forbedre sikkerheten til deres autonome kjøretøy.