Ferramentas de Segurança de Veículos Autônomos Escaláveis Desenvolvidas por Pesquisadores

À medida que a velocidade da fabricação e implantação de veículos autônomos aumenta, a segurança desses veículos se torna ainda mais importante. Por esse motivo, os pesquisadores estão investindo na criação de métricas e ferramentas para acompanhar a segurança dos veículos autônomos. De acordo com o ScienceDaily, uma equipe de pesquisa da Universidade de Illinois em Urbana-Champaign utilizou algoritmos de aprendizado de máquina para criar uma plataforma de análise de segurança de veículos autônomos escalável, utilizando melhorias de hardware e software para isso.

Melhorar a segurança dos veículos autônomos permaneceu uma das tarefas mais difíceis na área de inteligência artificial, devido às muitas variáveis envolvidas. Não apenas os sensores e algoritmos envolvidos no veículo são extremamente complexos, mas também há muitas condições externas que estão constantemente em fluxo, como condições de estrada, topografia, clima, iluminação e tráfego.

A paisagem e os algoritmos dos veículos autônomos estão constantemente mudando, e as empresas precisam de uma maneira de acompanhar as mudanças e responder a novos problemas. A equipe de pesquisa de Illinois está trabalhando em uma plataforma que permite que as empresas abordem preocupações de segurança recentemente identificadas de forma rápida e econômica. No entanto, a complexidade dos sistemas que impulsionam os veículos autônomos torna isso uma tarefa massiva. A equipe de pesquisa está projetando um sistema que poderá acompanhar e atualizar os sistemas de veículos autônomos que contêm dezenas de processadores e aceleradores executando milhões de linhas de código.

Em geral, os veículos autônomos dirigem de forma bastante segura. No entanto, quando ocorre uma falha ou evento inesperado, um veículo autônomo atualmente é mais propenso a se envolver em um acidente do que os motoristas humanos, pois o veículo muitas vezes tem dificuldade em negociar emergências repentinas. Embora seja admitidamente difícil quantificar o quão seguros são os veículos autônomos e o que é responsável por acidentes, é óbvio que falhas de um veículo em movimento a 70 mph por uma estrada podem ser extremamente perigosas, daí a necessidade de melhorar a manipulação de emergências por veículos autônomos.

Saurabh Jha, um candidato a doutorado e um dos pesquisadores envolvidos no programa, explicou ao ScienceDaily a necessidade de melhorar a manipulação de falhas em veículos autônomos. Jha explicou:

“Se o motorista de um carro comum sente um problema, como deslizamento ou puxão do veículo, o motorista pode ajustar seu comportamento e guiar o carro até um ponto de parada seguro. No entanto, o comportamento do veículo autônomo pode ser imprevisível nessa situação, a menos que o veículo autônomo seja explicitamente treinado para esses problemas. No mundo real, há um número infinito de casos como esses.”

Os pesquisadores estão tentando resolver esse problema coletando e analisando dados de relatórios de segurança apresentados por empresas de veículos autônomos. Empresas como Waymo e Uber são obrigadas a apresentar relatórios ao DMV da Califórnia pelo menos anualmente. Esses relatórios contêm dados sobre estatísticas como a distância percorrida pelos carros, o número de acidentes ocorridos e as condições em que os veículos estavam operando.

A equipe de pesquisa da Universidade de Illinois analisou relatórios que abrangem os anos de 2014 a 2017. Durante esse período, os veículos autônomos percorreram cerca de 1.116.000 milhas distribuídas por 144 veículos diferentes. De acordo com as descobertas da equipe de pesquisa, quando comparados com a mesma distância percorrida por motoristas humanos, os acidentes foram 4000 vezes mais propensos a ocorrer. Os acidentes podem implicar que a inteligência artificial do veículo falhou em desengajar e evitar o acidente, confiando em vez disso no motorista humano para assumir o controle.

É difícil diagnosticar erros potenciais no hardware ou software do veículo autônomo, pois muitos erros só se manifestam sob as condições certas. Além disso, não é viável realizar testes em todas as condições possíveis que podem ocorrer na estrada. Em vez de coletar dados de centenas de milhares de milhas reais percorridas por veículos autônomos, a equipe de pesquisa está utilizando ambientes simulados para reduzir drasticamente a quantidade de dinheiro e tempo gastos na geração de dados para o treinamento de veículos autônomos.

A equipe de pesquisa utiliza os dados gerados para explorar situações em que falhas de veículos autônomos podem ocorrer e questões de segurança podem surgir. Parece que a utilização de simulações pode realmente ajudar as empresas a encontrar riscos de segurança que elas não poderiam encontrar de outra forma. Por exemplo, quando a equipe testou o Apollo AV, criado pela Baidu, eles isolaram mais de 500 instâncias em que o veículo autônomo falhou em lidar com uma situação de emergência e um acidente ocorreu como resultado. A equipe de pesquisa espera que outras empresas usem sua plataforma de teste e melhorem a segurança de seus veículos autônomos.