Skalbara autonoma fordonssäkerhetsverktyg utvecklade av forskare

När hastigheten för tillverkning och driftsättning av autonoma fordon ökar, blir säkerheten för autonoma fordon ännu viktigare. Av den anledningen investerar forskare i att skapa mätvärden och verktyg för att spåra säkerheten för autonoma fordon. Som rapporterats av ScienceDaily, har ett forskarlag från University of Illinois i Urbana-Champaign använt maskininlärningsalgoritmer för att skapa en skalbar plattform för autonom fordonssäkerhetsanalys, som använder både hårdvaru- och mjukvaruförbättringar för att göra det.

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

Landskapet och algoritmerna för autonoma fordon förändras båda ständigt, och företag behöver ett sätt att hänga med i förändringarna och svara på nya problem. Forskarna i Illinois arbetar på en plattform som låter företag ta itu med nyligen identifierade säkerhetsproblem på en snabb och kostnadseffektiv metod. Men den rena komplexiteten hos systemen som kör autonoma fordon gör detta till ett enormt åtagande. Forskargruppen designar ett system som kommer att kunna hålla reda på och uppdatera autonoma fordonssystem som innehåller dussintals processorer och acceleratorer som kör miljontals rader kod.

I allmänhet kör autonoma fordon ganska säkert. Men när ett fel eller oväntad händelse inträffar är det för närvarande mer sannolikt att ett autonomt fordon råkar ut för en olycka än mänskliga förare, eftersom fordonet ofta har problem med att förhandla fram plötsliga nödsituationer.  Även om det visserligen är svårt att kvantifiera hur säkra autonoma fordon är och vad som är skyldig till olyckor, är det uppenbart att fel på ett fordon som går i 70 mph på en väg kan visa sig vara extremt farligt, därav behovet av att förbättra hanteringen av nödsituationer för autonoma fordon.

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 typisk bil känner av ett problem som att fordonet glider eller drar, kan föraren justera sitt beteende och vägleda bilen till en säker stopppunkt. Det autonoma fordonets beteende kan dock vara oförutsägbart i ett sådant scenario om inte det autonoma fordonet är explicit utbildat för sådana problem. I den verkliga världen finns det ett oändligt antal sådana fall.”

Forskarna siktar på att lösa detta problem genom att samla in och analysera data som inbegriper säkerhetsrapporter som lämnats in av autonoma fordonsföretag. Företag som Waymo och Uber måste lämna in rapporter till DMV i Kalifornien minst årligen. Dessa rapporter innehåller data om statistik som hur långt bilar har kört, hur många olyckor som inträffade och vilka förhållanden fordonen körde under.

University of Illinois forskargrupp analyserade rapporter som täcker åren 2014 till 2017. Under denna period körde autonoma fordon runt 1,116,000 144 4000 miles fördelade på XNUMX olika fordon. Enligt resultaten från forskargruppen, jämfört med samma sträcka som körs av mänskliga förare, var sannolikheten för olyckor XNUMX gånger större. Olyckorna kan innebära att fordonets AI misslyckades med att koppla ur ordentligt och undvika olyckan, utan förlitade sig istället på att den mänskliga föraren skulle ta över.

Det är svårt att diagnostisera potentiella fel i hårdvaran eller mjukvaran i det autonoma fordonet eftersom många fel endast kommer att visa sig under de korrekta förhållandena. Det är inte heller möjligt att utföra tester under alla möjliga förhållanden som kan uppstå på vägen. Istället för att samla in data om hundratusentals riktiga mil loggade av autonoma fordon, använder forskargruppen simulerade miljöer för att drastiskt minska mängden pengar och tid som spenderas på att generera data för träning av AV:er.

Forskargruppen använder genererad data för att utforska situationer där AV-fel kan inträffa och säkerhetsproblem kan uppstå. Det verkar som att användningen av simuleringarna verkligen kan hjälpa företag att hitta säkerhetsrisker som de inte skulle kunna göra annars. Till exempel, när teamet testade Apollo AV, skapad av Baidu, isolerade de över 500 fall där AV misslyckades med att hantera en nödsituation och en olycka inträffade som ett resultat. Forskargruppen hoppas att andra företag kommer att använda sig av deras testplattform och förbättra säkerheten för sina autonoma fordon.