Масштабируемые инструменты безопасности автономных транспортных средств, разработанные исследователями

По мере того, как увеличивается скорость производства и развертывания автономных транспортных средств, безопасность автономных транспортных средств становится все более важной. По этой причине исследователи инвестируют в создание метрик и инструментов для отслеживания безопасности автономных транспортных средств. Как сообщает ScienceDaily, команда исследователей из Университета Иллинойса в Урбане-Шампейне использовала алгоритмы машинного обучения для создания масштабируемой платформы анализа безопасности автономных транспортных средств, используя как аппаратные, так и программные улучшения.

Улучшение безопасности автономных транспортных средств остается одной из наиболее сложных задач в области ИИ, поскольку в этой задаче участвуют многие переменные. Не только датчики и алгоритмы, участвующие в транспортном средстве, чрезвычайно сложны, но также существует множество внешних условий, которые постоянно меняются, таких как состояние дорог, топография, погода, освещение и трафик.

Ландшафт и алгоритмы автономных транспортных средств постоянно меняются, и компаниям нужен способ отслеживать эти изменения и реагировать на новые проблемы. Исследователи Иллинойса работают над платформой, которая позволяет компаниям быстро и эффективно решать недавно выявленные проблемы безопасности. Однако чрезвычайная сложность систем, которые управляют автономными транспортными средствами, делает это огромным заданием. Исследовательская команда проектирует систему, которая сможет отслеживать и обновлять системы автономных транспортных средств, содержащие десятки процессоров и ускорителей, работающих на миллионах строк кода.

В целом, автономные транспортные средства ездят довольно безопасно. Однако, когда происходит сбой или неожиданное событие, автономное транспортное средство в настоящее время более вероятно попасть в аварию, чем водители-люди, поскольку транспортное средство часто испытывает трудности при переговорах о внезапных чрезвычайных ситуациях. Хотя, безусловно, трудно квантифицировать, насколько безопасны автономные транспортные средства и что вызывает аварии, очевидно, что неисправности транспортного средства, движущегося со скоростью 70 миль в час по дороге, могут быть чрезвычайно опасными, поэтому необходимо улучшить обработку чрезвычайных ситуаций автономными транспортными средствами.

Саурабх Джха, аспирант и один из исследователей, участвовавших в программе, объяснил ScienceDaily необходимость улучшения обработки неисправностей в автономных транспортных средствах. Джха объяснил:

“Если водитель обычного автомобиля обнаруживает проблему, такую как дрейф или тяга транспортного средства, водитель может изменить свое поведение и направить автомобиль в безопасную точку остановки. Однако поведение автономного транспортного средства может быть непредсказуемым в такой ситуации, если только автономное транспортное средство не было явно обучено для таких проблем. В реальном мире существует бесконечное количество таких случаев”.

Исследователи стремятся решить эту проблему, собирая и анализируя данные, связанные с отчетами о безопасности, представленными компаниями, производящими автономные транспортные средства. Компании, такие как Waymo и Uber, обязаны представлять отчеты в Департамент транспортных средств Калифорнии не реже одного раза в год. Эти отчеты содержат данные о статистике, такой как пройденное расстояние, количество аварий и условия, в которых работали транспортные средства.

Команда исследователей Университета Иллинойса проанализировала отчеты за 2014-2017 годы. В течение этого периода автономные транспортные средства проехали около 1 116 000 миль, распределенных по 144 различным транспортным средствам. Согласно выводам исследовательской команды, по сравнению с тем же расстоянием, пройденным водителями-людьми, аварии были в 4000 раз более вероятными. Аварии могут указывать на то, что ИИ транспортного средства не смог правильно отключиться и избежать аварии, вместо этого полагаясь на водителя-человека, чтобы взять управление.

Трудно диагностировать потенциальные ошибки в аппаратном или программном обеспечении автономного транспортного средства, поскольку многие ошибки проявляются только при определенных условиях. Также нецелесообразно проводить испытания при каждом возможном условии, которое может возникнуть на дороге. Вместо сбора данных о сотнях тысяч реальных миль, пройденных автономными транспортными средствами, исследовательская команда использует симулированные среды, чтобы значительно сократить количество денег и времени, потраченных на генерацию данных для обучения АТС.

Исследовательская команда использует сгенерированные данные для изучения ситуаций, в которых могут возникнуть неисправности АТС и проблемы безопасности. Оказывается, что использование симуляций может действительно помочь компаниям выявить риски безопасности, которые они не смогли бы выявить иначе. Например, когда команда протестировала АТС Apollo, созданную Baidu, они изолировали более 500 случаев, когда АТС не смогла справиться с чрезвычайной ситуацией, и в результате произошла авария. Исследовательская команда надеется, что другие компании будут использовать их платформу тестирования и улучшат безопасность своих автономных транспортных средств.