Skalbara säkerhetsverktyg för autonoma fordon utvecklade av forskare

Såsom tillverkning och distribution av autonoma fordon ökar i hastighet, blir säkerheten för autonoma fordon allt viktigare. Av denna anledning investerar forskare i skapandet av mått och verktyg för att spåra säkerheten för autonoma fordon. Enligt ScienceDaily har ett forskarteam från University of Illinois at Urbana-Champaign använt maskinläringsalgoritmer för att skapa en skalbar plattform för analys av autonoma fordonssäkerhet, med både hårdvaru- och programvaruförbättringar för att göra detta.

Att förbättra säkerheten för autonoma fordon har förblivit en av de svårare uppgifterna inom AI, på grund av de många variabler som är inblandade i uppgiften. Inte bara är sensorer och algoritmer som är inblandade i fordonet extremt komplexa, utan det finns också många yttre förhållanden som ständigt förändras, såsom vägförhållanden, topografi, väder, belysning och trafik.

Landskapet och algoritmerna för autonoma fordon förändras ständigt, och företagen behöver ett sätt att hålla jämna steg med förändringarna och svara på nya problem. Forskarteamet i Illinois arbetar på en plattform som låter företagen hantera nyligen identifierade säkerhetsproblem på ett snabbt och kostnadseffektivt sätt. Men den renodlade komplexiteten i systemen som driver autonoma fordon gör detta till en massiv uppgift. Forskarteamet designar ett system som kommer att kunna spåra och uppdatera autonoma fordonssystem som innehåller dussintals processorer och acceleratorer som kör miljontals rader med kod.

Generellt sett kör autonoma fordon ganska säkert. Men när ett fel eller en oväntad händelse inträffar, är ett autonomt fordon för närvarande mer benäget att bli inblandat i en olycka än mänskliga förare, eftersom fordonet ofta har svårt att hantera plötsliga nödsituationer. Det är visserligen svårt att kvantifiera hur säkra autonoma fordon är och vad som orsakar olyckor, men det är uppenbart att fel i ett fordon som färdas i 70 mph på en väg kan vara extremt farligt, och därför behöver hanteringen av nödsituationer i autonoma fordon förbättras.

Saurabh Jha, en doktorand och en av forskarna som är involverade i programmet, förklarade för ScienceDaily behovet av att förbättra felhanteringen i autonoma fordon. Jha förklarade:

“Om en förare av en vanlig bil upptäcker ett problem, såsom fordonssvaj eller -drag, kan föraren anpassa sitt beteende och styra fordonet till en säker stoppningspunkt. Men beteendet hos det autonoma fordonet kan vara oförutsägbart i en sådan situation, såvida inte det autonoma fordonet uttryckligen har tränats för sådana problem. I den verkliga världen finns det ett oändligt antal sådana fall.”

Forskarna syftar till att lösa detta problem genom att samla in och analysera data från säkerhetsrapporter som lämnats in av företag som utvecklar autonoma fordon. Företag som Waymo och Uber är skyldiga att lämna in rapporter till DMV i Kalifornien minst en gång om året. Dessa rapporter innehåller data om statistik som hur långt fordonen har kört, hur många olyckor som har inträffat och under vilka förhållanden fordonen har opererat.

Forskningsgruppen från University of Illinois analyserade rapporter som täckte åren 2014 till 2017. Under denna period körde autonoma fordon runt 1 116 000 mil, fördelat på 144 olika fordon. Enligt forskargruppens resultat var olyckor 4000 gånger mer sannolika att inträffa när de jämfördes med samma avstånd som körts av mänskliga förare. Olyckorna kan tyda på att AI i fordonet misslyckades med att korrekt koppla ur och undvika olyckan, och i stället förlitade sig på den mänskliga föraren att ta över.

Det är svårt att diagnostisera potentiella fel i hårdvaran eller programvaran i det autonoma fordonet, eftersom många fel endast uppstår under specifika förhållanden. Det är inte heller möjligt att genomföra tester under alla möjliga förhållanden som kan förekomma på vägen. I stället för att samla in data från hundratusentals riktiga mil som autonoma fordon har kört, använder forskargruppen simulerade miljöer för att drastiskt minska den tid och pengar som spenderas på att generera data för utbildning av autonoma fordon.

Forskningsgruppen använder de genererade data för att undersöka situationer där AV-fel kan inträffa och säkerhetsproblem kan uppstå. Det verkar som att användningen av simuleringar verkligen kan hjälpa företag att hitta säkerhetsrisker som de annars inte skulle ha kunnat upptäcka. Till exempel, när teamet testade Apollo AV, skapat av Baidu, isolerade de över 500 instanser där AV misslyckades med att hantera en nödsituation och en olycka inträffade som ett resultat. Forskningsgruppen hoppas att andra företag kommer att använda sin testplattform och förbättra säkerheten för sina autonoma fordon.