Розроблені дослідниками масштабовані інструменти безпеки автономних транспортних засобів

Відповідно до зростання швидкості виробництва та розгортання автономних транспортних засобів, питання безпеки цих транспортних засобів стає ще більш важливим. Саме тому дослідники інвестують у створення метрик та інструментів для відстеження безпеки автономних транспортних засобів. За повідомленням ScienceDaily, команда дослідників з Університету Іллінойсу в Урбана-Шампейні використала алгоритми машинного навчання для створення масштабованої платформи аналізу безпеки автономних транспортних засобів, використовуючи як апаратні, так і програмні вдосконалення.

Поліпшення безпеки автономних транспортних засобів залишається однією з найбільш складних задач у сфері штучного інтелекту, оскільки існує велика кількість змінних, які впливають на цю задачу. Не тільки сенсори та алгоритми, які використовуються в транспортному засобі, надзвичайно складні, але також існує велика кількість зовнішніх умов, які постійно змінюються, таких як стан дороги, рельєф, погода, освітлення та рух.

Ландшафт та алгоритми автономних транспортних засобів постійно змінюються, і компанії потребують засобу для того, щоб слідкувати за цими змінами та реагувати на нові проблеми. Дослідники Іллінойського університету працюють над платформою, яка дозволить компаніям швидко та ефективно вирішувати питання безпеки, які були виявлені нещодавно. Однак надзвичайна складність систем, які керують автономними транспортними засобами, робить цю задачу величезною. Команда дослідників розробляє систему, яка зможе відстежувати та оновлювати системи автономних транспортних засобів, які містять десятки процесорів та прискорювачів, які виконують мільйони рядків коду.

Загалом, автономні транспортні засоби рухаються досить безпечно. Однак, коли відбувається несправність або несподівана подія, автономний транспортний засіб зараз більш схильний до участі в аварії, ніж транспортні засоби з людським водієм, оскільки автономний транспортний засіб часто має труднощі з подоланням раптових надзвичайних ситуацій. Хоча складно оцінити безпеку автономних транспортних засобів та визначити причину аварій, очевидно, що несправності транспортного засобу, який рухається зі швидкістю 70 миль на годину по дорозі, можуть бути надзвичайно небезпечними, тому необхідно поліпшити реакцію автономних транспортних засобів на надзвичайні ситуації.

Саурабх Джха, аспірант та один з дослідників програми, пояснив ScienceDaily необхідність поліпшення обробки несправностей автономних транспортних засобів. Джха пояснив:

“Якщо водій звичайної машини відчуває проблему, таку як відхилення транспортного засобу або його притягання, водій може змінити своє поведіння та спрямувати машину до безпечної зупинки. Однак поведінка автономного транспортного засобу може бути непередбачуваною в такій ситуації, якщо тільки автономний транспортний засіб не був явно навчений для таких проблем. У реальному світі існує нескінченна кількість таких випадків”.

Дослідники намагаються вирішити цю проблему, збираючи та аналізуючи дані щодо звітів про безпеку, поданих компаніями-виробниками автономних транспортних засобів. Компанії, такі як Waymo та Uber, зобов’язані подавати звіти до Департаменту машин України в Каліфорнії щонайменше раз на рік. Ці звіти містять дані про статистику, таку як кількість пройдених миль, кількість аварій та умови, за яких транспортні засоби працювали.

Команда дослідників з Університету Іллінойсу проаналізувала звіти за 2014-2017 роки. За цей період автономні транспортні засоби проїхали близько 1 116 000 миль, розподілених по 144 різних транспортних засобів. За даними дослідників, порівняно з такою ж відстанню, пройденою людськими водіями, аварії були у 4000 разів більш ймовірними. Аварії можуть свідчити про те, що штучний інтелект транспортного засобу не зміг належним чином відключитися та уникнути аварії, спираючись замість цього на людину-водію.

Важко діагностувати потенційні помилки в апаратному чи програмному забезпеченні автономного транспортного засобу, оскільки багато помилок проявляються тільки під певними умовами. Також не є можливим проводити тести під кожною можливою умовою, яка може виникнути на дорозі. Замість збору даних про сотні тисяч реальних миль, пройдених автономними транспортними засобами, команда дослідників використовує симульовані середовища, щоб суттєво зменшити кількість грошей і часу, витрачених на генерацію даних для навчання автономних транспортних засобів.

Команда дослідників використовує згенеровані дані для вивчення ситуацій, в яких можуть відбуватися несправності автономних транспортних засобів та виникати питання безпеки. Здається, що використання симуляцій може дійсно допомогти компаніям виявити ризики безпеки, яких вони не могли б виявити інакше. Наприклад, коли команда тестувала автономний транспортний засіб Apollo, створений компанією Baidu, вони виявили понад 500 випадків, коли автономний транспортний засіб не зміг належним чином обробити надзвичайну ситуацію, внаслідок чого сталася аварія. Команда дослідників сподівається, що інші компанії будуть використовувати їхню платформу тестування та поліпшувати безпеку своїх автономних транспортних засобів.