Forskere udvikler platform til skalerbar test af autonom bilsikkerhed

I løbet om at fremstille autonome køretøjer (AV'er), sikkerhed er afgørende, men til tider overset som eksemplificeret af de seneste overskriftsulykker. Forskere ved University of Illinois i Urbana-Champaign bruger kunstig intelligens (AI) og maskinlæring til at forbedre sikkerheden ved autonom teknologi gennem både software og hardware fremskridt.

"At bruge AI til at forbedre autonome køretøjer er ekstremt hårdt på grund af kompleksiteten af ​​køretøjets elektriske og mekaniske komponenter, samt variation i ydre forhold, såsom vejr, vejforhold, topografi, trafikmønstre, og belysning, sagde Ravi Iyer

"Der sker fremskridt, men sikkerhed er fortsat en væsentlig bekymring. "

Gruppen har udviklet en platform, der gør det muligt for virksomheder hurtigere og mere omkostningseffektivt at håndtere sikkerhed i det komplekse og stadigt skiftende miljø inden for autonom teknologi. De samarbejder med mange virksomheder i Bay -området, herunder Samsung, NVIDIA, og en række nystartede virksomheder.

"Vi ser en indsatsdækkende indsats på tværs af brancher og universiteter med hundredvis af startups og forskningsteams, og løser et par udfordringer i vores gruppe, "sagde Saurabh Jha, en ph.d. -kandidat i datalogi, der leder de studerendes indsats på projektet. "At løse denne udfordring kræver en tværfaglig indsats på tværs af videnskab, teknologi, og fremstilling. "

En grund til at dette arbejde er så udfordrende er, at AV'er er komplekse systemer, der bruger AI og maskinlæring til at integrere mekanisk, elektronisk, og computingsteknologier til at træffe beslutninger om kørsel i realtid. En typisk AV er en mini-supercomputer på hjul; de har mere end 50 processorer og acceleratorer, der kører mere end 100 millioner linjer kode for at understøtte computersyn, planlægning, og andre maskinlæringsopgaver.

Som forventet, der er bekymringer med sensorerne og den autonome kørselsstak (computersoftware og hardware) i disse køretøjer. Når en bil kører 70 km / t ned ad en motorvej, fejl kan være en betydelig sikkerhedsrisiko for chauffører.

"Hvis en chauffør i en typisk bil opdager et problem som f.eks. Køretøjsdrift eller træk, føreren kan justere sin adfærd og guide bilen til et sikkert stoppested, "Forklarede Jha." Dog, det autonome køretøjs adfærd kan være uforudsigelig i et sådant scenario, medmindre det autonome køretøj eksplicit er uddannet til sådanne problemer. I den virkelige verden, der er uendeligt mange sådanne tilfælde. "

Traditionelt set når en person har problemer med software på en computer eller smartphone, det mest almindelige it -svar er at slukke og tænde enheden igen. Imidlertid, denne type rettelse er ikke tilrådelig for AV'er, da hvert millisekund påvirker resultatet og en langsom reaktion kan føre til døden. Sikkerhedsproblemerne ved sådanne AI-baserede systemer er steget i de sidste par år blandt interessenter på grund af forskellige ulykker forårsaget af AV'er.

"Nuværende regler kræver virksomheder som Uber og Waymo, som tester deres køretøjer på offentlige veje for årligt at rapportere til California DMV om, hvor sikre deres køretøjer er, "sagde Subho Banerjee, en CSL og datalogi kandidatstuderende. "Vi ville forstå fælles sikkerhedsproblemer, hvordan bilerne opførte sig, og hvad den ideelle sikkerhedsmetrik er for at forstå, hvor godt de er designet. "

Gruppen analyserede alle sikkerhedsrapporter indsendt fra 2014-2017, dækker 144 AV'er, der kører en kumulativ 1, 116, 605 autonome miles. De fandt ud af, at for det samme antal kørte miles, menneskedrevne biler var op til 4000 gange mindre tilbøjelige end AV'ere til at have en ulykke. Det betyder, at den autonome teknologi mislykkedes, i en alarmerende hastighed, at håndtere en situation korrekt og frakoble teknologien, ofte afhængig af den menneskelige chauffør til at overtage.

Problemet, forskere og virksomheder har, når det kommer til at forbedre disse tal, er, at indtil et autonomt køretøjssystem har et specifikt problem, det er svært at træne softwaren til at overvinde den.

Yderligere, fejl i software- og hardware -stakken viser sig kun som sikkerhedskritiske spørgsmål under visse kørselsscenarier. Med andre ord, tests udført på AV'er på motorveje eller tomme/mindre overfyldte veje er muligvis ikke tilstrækkelige, da sikkerhedsovertrædelser under software-/hardwarefejl er sjældne.

Når der opstår fejl, de finder sted efter hundredtusinder af miles er kørt. Arbejdet med at teste disse AV'er i hundredtusinder af miles tager lang tid, penge, og energi, gør processen ekstremt ineffektiv. Teamet bruger computersimuleringer og kunstig intelligens til at fremskynde denne proces.

"Vi indsprøjter fejl i software- og hardware -stakken i de autonome køretøjer i computersimuleringer og indsamler derefter data om det autonome køretøjs svar på disse problemer, "sagde Jha." I modsætning til mennesker, AI -teknologi i dag kan ikke ræsonnere om fejl, der kan opstå i forskellige kørescenarier. Derfor, har brug for store mængder data for at lære softwaren at tage de rigtige handlinger i lyset af software- eller hardwareproblemer. "

Forskningsgruppen bygger i øjeblikket teknikker og værktøjer til at generere kørselsforhold og problemer, der maksimalt påvirker AV -sikkerhed. Ved hjælp af deres teknik, de kan finde et stort antal sikkerhedskritiske scenarier, hvor fejl kan føre til ulykker uden at skulle opregne alle muligheder på vejen - en enorm besparelse af tid og penge.

Under test af en åben AV -teknologi, Apollo fra Baidu, teamet fandt mere end 500 eksempler på, hvornår softwaren ikke kunne håndtere et problem, og fejlen førte til en ulykke. Resultater som disse får gruppens arbejde bemærket i branchen. De arbejder i øjeblikket på et patent på deres testteknologi, og planlægger at implementere det snart. Ideelt set, forskerne håber, at virksomheder bruger denne nye teknologi til at simulere det identificerede problem og løse problemerne, før bilerne indsættes.

"Sikkerheden ved autonome køretøjer er afgørende for deres succes på markedet og i samfundet, "sagde Steve Keckler, vicepræsident for arkitekturforskning for NVIDIA. "Vi forventer, at de teknologier, der udvikles af Illinois -forskergruppen, vil gøre det lettere for ingeniører at udvikle sikrere bilsystemer til lavere omkostninger. NVIDIA er begejstret for vores samarbejde med Illinois og er glad for at støtte deres arbejde."

Denne forskning er blevet offentliggjort flere gange af IEEE (artikel 1, artikel 2, artikel 3).