Accelererende selvkørende bilinnovation

En mandag morgen i januar i år steg en mand ind i sin Tesla sedan, trukket ind på en motorvej uden for Los Angeles, og aktiverede køretøjets semi-autonome "Autopilot"-tilstand. Bilen jonglerede med input fra 8 kameraer, 12 ultralydssensorer og en radar til at navigere på motorvejen, undgår andre køretøjer og holder sig inden for de stiplede linjer. Derefter, den pløjede lige ind bag på en standset brandbil.

Autonom køretøjsteknologi bliver ofte rost for sin evne til i sidste ende at gøre vejene sikrere - og det er der god grund til. Men situationer som den, der er beskrevet ovenfor, viser, at selv nutidens semi-autonome køretøjer har nogle alvorlige problemer, der skal løses. Heldigvis, forskere som Xin Li arbejder hårdt på at løse nogle af de mest fundamentale problemer, som selvkørende bilteknologi i øjeblikket står over for for i sidste ende at reducere dødsfald i motorkøretøjer.

"For et par år siden begyndte jeg at tale med et par af bilfirmaerne i USA om de problemer, de stod over for med selvkørende biler, " siger Li, en professor i Institut for Elektro- og Computerteknik ved både Duke og Duke Kunshan University. På grund af hans dobbelte udnævnelse, Li bruger meget tid i Kina, hvor han har fortsat den selvkørende bilsamtale med kinesiske bilproducenter.

Li siger, at der i øjeblikket er to hovedproblemer, der står i vejen for teknologi til fuld autonom kørsel:verifikationsproblemet og integrationsproblemet.

Verifikationsproblemet koger ned til følgende dilemma:for at noget skal bevises sikkert, du skal først lære, hvilke omstændigheder der får det til at mislykkes. "Hvis du beder din kunde om at køre en selvkørende bil på vejen, fejlraten skal være meget, meget lille, " siger Li. Ved at finde ud af, hvordan man beregner den sats – og, i forlængelse heraf, hvordan man så retter op på disse fejl - er blevet et centralt forskningsspørgsmål for Li.

Så hvordan beregner du fejlprocenten? En løsning er simpelthen at lade den selvkørende bil navigere i et område, indtil den laver en fejl – ikke at stoppe ved et stopskilt, for eksempel. Men de fleste af disse fejl sker under meget sjældne omstændigheder kaldet "hjørnetilfælde" (tænk, en kampesten, der vælter ned på en bjergvej), hvilket betyder, at denne tilgang vil tage uoverkommelig lang tid.

"Det er svært fysisk at observere alle mulige scenarier i alle hjørnesager, så vi tænkte, 'hvorfor bruger vi ikke en computer og beder computeren om syntetisk generere disse mulige tilfælde?'" siger Li. I stedet for at vente på en bil på vejen for at afsløre ethvert bizart sammenløb af vejr og uberegnelige bilister, der får systemet til at læste forkert et stoplys, Li's teams unikke tilgang skaber disse scenarier ved hjælp af intelligente computerprogrammer. Disse programmer bruger statistiske modeller og algoritmer til at generere syntetiske situationer, som det autonome system kan navigere i.

I et nyligt papir offentliggjort i november 2017-udgaven af ​​Computer-Aided Design, hans team viste, at høje temperaturer og forældede kredsløb kan forringe de billeder, der er indsamlet af en selvkørende bils kameraer. Holdet brugte en maskinlæringsteknik kaldet Cycle-Consistent Generative Adversarial Networks til at generere syntetiske billeddata, som om de blev indsamlet ved en høj temperatur eller ved hjælp af gamle kredsløb. Da de fodrede de forringede billeder ind i det autonome system, det kæmpede for korrekt at identificere stopskilte. Ved at skabe syntetiske fejltilfælde som dette, Lis forskning giver bilproducenter mulighed for mere præcist at verificere, hvor ofte og, vigtigere, under hvilke scenarier et system kan fejle. Li arbejder derefter sammen med sine samarbejdspartnere i industrien for at implementere denne nye teknologi i hardware og software, der gør autonome køretøjer sikrere.

Desværre, jo flere komponenter tilføjet til et autonomt køretøj, jo større er chancerne for, at noget går galt. Dette er paradigmet for den anden forhindring for autonome køretøjer:integrationsproblemet. Selvkørende biler skal problemfrit kombinere alle slags komplicerede systemer – fra kollisionsundgåelsesmoduler til stoplysregistrering – alt sammen mens de navigerer i et miljø med 60 miles i timen. At finde ud af, hvordan man sikrer, at komponenterne arbejder sammen hurtigt og effektivt, vil udgøre den næste fase i Lis forskning.

"Ærligt talt, det er et meget vanskeligt problem, og vi har ikke en god løsning endnu, " siger Li, selvom han håber på, at udviklingen af ​​et mere centraliseret computersystem til bilen kan gå langt hen imod at integrere køretøjets funktionalitet.

Li siger, at der også er et mere grundlæggende problem inden for udvikling af selvkørende biler – uddannelse. Mens konventionelt køretøjsdesign er domænet for mekaniske ingeniører, at bygge autonome køretøjer vil kræve bred ekspertise inden for kunstig intelligens, softwaredesign og systemudvikling. At imødegå morgendagens problemer vil tage en ny tværfaglig tilgang. "Jeg tror, ​​det er meget vigtigt for en uddannelsesinstitution som Duke at uddanne studerende med den rette baggrund, så de kan engagere sig i disse nye områder, når de dimitterer, " siger Li.

At lave grundlæggende forskning i selvkørende biler har utroligt store spil. "Når industrien vedtager min løsning, Jeg har ansvaret for at sikre, at det her kommer til at fungere...Hvis der er en fejl, kan folk blive dræbt, " siger Li. Samtidig, at arbejde med nogle af de største spørgsmål inden for udvikling af selvkørende biler er en utrolig mulighed. "Lige nu er autonom kørsel et spirende felt med masser af åbne problemer. Dette gør det til en meget spændende tid for akademikere som mig, " siger Li.