Rozwijane przez badaczy skalowalne narzędzia bezpieczeństwa pojazdów autonomicznych

Wraz ze wzrostem tempa produkcji i wdrożenia pojazdów autonomicznych, bezpieczeństwo tych pojazdów staje się coraz bardziej istotne. Dlatego badacze inwestują w tworzenie metryk i narzędzi do śledzenia bezpieczeństwa pojazdów autonomicznych. Jak donosi ScienceDaily, zespół badawczy z Uniwersytetu Illinois w Urbana-Champaign wykorzystał algorytmy uczenia maszynowego do stworzenia skalowalnej platformy analizy bezpieczeństwa pojazdów autonomicznych, wykorzystując zarówno ulepszenia sprzętowe, jak i programowe.

Poprawa bezpieczeństwa pojazdów autonomicznych pozostaje jednym z trudniejszych zadań w dziedzinie sztucznej inteligencji, ze względu na wiele zmiennych zaangażowanych w tym zadaniu. Nie tylko czujniki i algorytmy zaangażowane w pojazd są niezwykle złożone, ale także istnieje wiele zewnętrznych warunków, które są w ciągłym ruchu, takich jak stan dróg, topografia, pogoda, oświetlenie i ruch drogowy.

Krajobraz i algorytmy pojazdów autonomicznych są w ciągłym rozwoju, a firmy potrzebują sposobu, aby nadążyć za zmianami i reagować na nowe problemy. Zespół badawczy z Illinois pracuje nad platformą, która pozwoli firmom na szybkie i efektywne rozwiązywanie niedawno zidentyfikowanych problemów z bezpieczeństwem. Jednak ogromna złożoność systemów, które napędzają pojazdy autonomiczne, sprawia, że jest to ogromne przedsięwzięcie. Zespół badawczy projektuje system, który będzie w stanie śledzić i aktualizować systemy pojazdów autonomicznych, które zawierają dziesiątki procesorów i przyspieszaczy, uruchamiających miliony linii kodu.

W ogóle, pojazdy autonomiczne jeżdżą dość bezpiecznie. Niemniej jednak, gdy występuje awaria lub nieoczekiwane zdarzenie, pojazd autonomiczny jest obecnie bardziej skłonny do wypadku niż kierowcy, ponieważ pojazd często ma trudności z negocjowaniem nagłych sytuacji awaryjnych. Chociaż trudno określić, jak bezpieczne są pojazdy autonomiczne i co jest przyczyną wypadków, jest oczywiste, że awarie pojazdu jadącego z prędkością 70 mph po drodze mogą być niezwykle niebezpieczne, stąd potrzeba poprawy obsługi sytuacji awaryjnych przez pojazdy autonomiczne.

Saurabh Jha, kandydat na stopień doktora i jeden z badaczy zaangażowanych w program, wyjaśnił ScienceDaily potrzebę poprawy obsługi awarii w pojazdach autonomicznych. Jha wyjaśnił:

“Jeśli kierowca zwykłego samochodu zauważy problem, taki jak dryfowanie pojazdu lub jego ściąganie, kierowca może dostosować swoje zachowanie i skierować samochód do bezpiecznego miejsca zatrzymania. Niemniej jednak, zachowanie pojazdu autonomicznego może być nieprzewidywalne w takiej sytuacji, chyba że pojazd autonomiczny jest wyraźnie przeszkolony do rozwiązywania takich problemów. W świecie rzeczywistym istnieje nieskończona liczba takich przypadków”.

Badacze starają się rozwiązać ten problem, gromadząc i analizując dane dotyczące raportów bezpieczeństwa składanych przez firmy produkujące pojazdy autonomiczne. Firmy takie jak Waymo i Uber są zobowiązane do składania raportów do DMV w Kalifornii co najmniej raz w roku. Te raporty zawierają dane na temat statystyk, takich jak ilość przejechanych mil, ilość wypadków i warunki, w jakich pojazdy były eksploatowane.

Zespół badawczy z Uniwersytetu Illinois przeanalizował raporty za lata 2014-2017. W tym okresie pojazdy autonomiczne przejechały około 1 116 000 mil, rozłożonych na 144 różne pojazdy. Według ustaleń zespołu badawczego, w porównaniu z tą samą odległością przejechaną przez kierowców, wypadki były 4000 razy bardziej prawdopodobne. Wypadki mogą sugerować, że sztuczna inteligencja pojazdu nie była w stanie właściwie wyłączyć się i uniknąć wypadku, zamiast tego polegając na kierowcy, aby przejął kontrolę.

Trudno jest zdiagnozować potencjalne błędy w sprzęcie lub oprogramowaniu pojazdu autonomicznego, ponieważ wiele błędów ujawni się tylko w odpowiednich warunkach. Nie jest również wykonalne przeprowadzanie testów we wszystkich możliwych warunkach, które mogą wystąpić na drodze. Zamiast gromadzić dane na temat setek tysięcy rzeczywistych mil przejechanych przez pojazdy autonomiczne, zespół badawczy wykorzystuje symulowane środowiska, aby znacznie zmniejszyć ilość pieniędzy i czasu potrzebnego do generowania danych do szkolenia pojazdów autonomicznych.

Zespół badawczy wykorzystuje wygenerowane dane do badania sytuacji, w których mogą wystąpić awarie pojazdów autonomicznych i problemy z bezpieczeństwem. Wydaje się, że wykorzystanie symulacji może naprawdę pomóc firmom w znalezieniu ryzyk związanych z bezpieczeństwem, których w przeciwnym razie nie byliby w stanie znaleźć. Na przykład, gdy zespół przetestował pojazd Apollo AV, stworzony przez Baidu, wyizolowali ponad 500 przypadków, w których pojazd autonomiczny nie był w stanie obsłużyć sytuacji awaryjnej i w wyniku tego wystąpił wypadek. Zespół badawczy liczy, że inne firmy skorzystają z ich platformy testowej i poprawią bezpieczeństwo swoich pojazdów autonomicznych.