www.przemysl-polska.com
Mouser News

Jak technologie jazdy autonomicznej zmieniają krajobraz motoryzacji

Ta sześcioczęściowa seria wpisów omawia najważniejsze kwestie technologiczne i społeczne związane z osiągnięciem pełnej autonomiczności pojazdów.

Jak technologie jazdy autonomicznej zmieniają krajobraz motoryzacji

Każdy artykuł przedstawi kluczowe elementy i innowacje w komunikacji, które są niezbędne do wdrożenia pojazdów w pełni autonomicznych. W ramach cyklu przeanalizujemy również niektóre problemy etyczne, które należy rozwiązać, aby uzyskać społeczną akceptację dla pojazdów autonomicznych. Jakie tematy obejmie ten cykl artykułów?

Światowi producenci samochodów stoją przed wieloma wyzwaniami. Wdrożenie elektrycznych wariantów popularnych modeli to jedno z nich, lecz o wiele bardziej złożonym celem jest objęcie pozycji lidera w dziedzinie technologii pojazdów autonomicznych. Zaawansowane systemy wspomagania kierowcy (ADAS – advanced driver assistance systems) są obecnie dostępne w wielu pojazdach. Do najpopularniejszych należą czujniki martwego pola i adaptacyjne tempomaty, lecz całkowite zastąpienie kierowcy to całkiem nowy poziom. Naśladowanie za pomocą algorytmów uczenia maszynowego procesu pokonywania przez kierowcę ruchliwego skrzyżowania wykracza daleko poza możliwości systemów ADAS. Pomijając kwestie techniczne, istnieją też głębiej zakorzenione i bardziej emocjonalne obawy społeczne dotyczące pojazdów autonomicznych.

Na sukces pojazdów autonomicznych liczą nie tylko ich producenci, lecz także krajowe i lokalne organizacje zajmujące się bezpieczeństwem ruchu drogowego. Na drogach Unii Europejskiej ginie dziś rocznie 25 tysięcy użytkowników i panuje powszechne przekonanie, że samochody samojezdne znacznie zmniejszą te straty. Systemy jazdy autonomicznej, wyposażone w liczne metody detekcji, mogą wykrywać potencjalne zagrożenia znacznie szybciej i pewniej niż człowiek. Co więcej, samochody autonomiczne będą mogły natychmiast komunikować się z innymi pojazdami, aby zapobiegać wypadkom spowodowanym nieporozumieniami między kierowcami. Rozpoznawanie ryzyka kolizji jest kluczowym aspektem technologii jazdy autonomicznej, lecz pojazdy samosterujące muszą najpierw nauczyć się zachowań użytkowników dróg. Algorytmy uczenia maszynowego mają tu wiele do nauczenia się, a głębokie sieci neuronowe (DNN – deep neural network) lubią dane – dużo danych. Im więcej dostępnych źródeł informacji, tym bezpieczniej będą mogły działać systemy jazdy autonomicznej.

Dzięki łączności wiedza o bezpieczeństwie drogowym pojazdu będzie też nieustannie aktualizowana na podstawie doświadczeń innych pojazdów autonomicznych. Koncepcja zbiorowej inteligencji obejmuje pojazdy, które nieustannie przekazują informacje do systemów zarządzania w chmurze, budując tym samym z zachowań samochodów bogatą bazę wiedzy, udostępnianą pojazdom – tym obecnym i tym, które dopiero pojawią się na drogach w przyszłości – poprzez aktualizacje oprogramowania. Takie podejście stosuje na przykład Tesla, która od początku gromadzi dane z użytkowania i analizuje je, aby wspierać ciągły rozwój swoich systemów autonomicznych.

Jest oczywiste, że gromadzenie danych w ten sposób w celu poszerzania wiedzy przynosi wiele korzyści, lecz jednocześnie stawia pod znakiem zapytania kwestię prywatności. Jak kontrolować to, kto ma prawo do gromadzenia, analizowania i dystrybucji danych z pojazdów? A co z naruszaniem prywatności ich użytkowników? Kto będzie monitorować mechanizmy kontrolne i ich stosowanie? Jednym z podejść jest abstrahowanie danych do poziomu, który usuwa wszelkie informacje umożliwiające identyfikację osoby, a zarazem umożliwia dostęp do praktycznych informacji o aktywności pojazdu w celu analizy trendów. O wielu aspektach dostępu do danych i prywatności muszą zadecydować organy prawne i regulacyjne.

Pozyskiwanie informacji ze zgromadzonych danych
Na szczęście do wypadków dochodzi stosunkowo rzadko, jeśli porównamy to z mnóstwem godzin, jakie pojazdy spędzają na drogach. Dla badaczy danych, którym powierzono zadanie stworzenia sieci neuronowych systemów autonomicznych, stwarza to nie lada wyzwanie. Aby algorytmy były efektywne, potrzebują ogromnej ilości danych pozwalających na poznanie przebiegu wypadków, tak aby po wdrożeniu mogły natychmiast identyfikować śmiertelne zagrożenia występujące na drogach i reagować na nie. W szkoleniu systemów uczenia maszynowego ważną rolę odgrywa symulacja. Naukowcy z Uniwersytetu Kraju Saary w Niemczech opracowali rozwiązanie, które nie wymaga wywoływania prawdziwych wypadków. Są oni pionierami złożonego, opartego na symulacji uczenia sieci neuronowych, przedstawiającego możliwe scenariusze wypadków i trudnych zdarzeń, które systemy autonomiczne muszą zidentyfikować i rozwiązać.

Jednym z wyzwań dla weryfikacji opartej na symulacji, nawet przy dostępie do szczegółowych baz danych wiedzy, jest określenie prawdopodobieństwa każdego scenariusza. Niezbędne są też symulacje sytuacji wynikających z awarii części systemu lub czujnika. Jeśli czujnik zawiedzie, system może uznać, że zaraz dojdzie do kolizji, nawet jeśli nic mu nie zagraża. Zbieżność danych z wielu czujników może pomóc sieci neuronowej w autodiagnozowaniu, aby ostrzec pasażerów pojazdu i przełączyć pojazd w stan bezpieczny.

Rejestrowanie zdarzeń z udziałem pojazdów wspomoże ten proces – samochody autonomiczne będą mogły uczyć się na błędach swoich i innych. Regularne (na przykład co noc) wysyłanie danych, na których producenci mogą uczyć sieci neuronowe, jest realnym sposobem na sprawienie, by pojazdy autonomiczne były maksymalnie bezpieczne. Jak już podkreślaliśmy, ochrona danych jest kluczowym czynnikiem, który zabezpiecza użytkowników pojazdu przed naruszeniem prywatności. Można to osiągnąć poprzez abstrahowanie danych do anonimowego poziomu, lecz nadal wymaga to jasnych wytycznych prawnych i porozumienia pomiędzy właścicielami i producentami pojazdów.

Kolejnym aspektem rozwoju i aktualizacji bezpiecznych i niezawodnych systemów pojazdów autonomicznych jest możliwość współpracy producentów pojazdów zamiast opracowywania systemów zastrzeżonych. Dzięki wymianie scenariuszy szkoleniowych producenci pojazdów i ich klienci zyskają pewność, że każda możliwa sytuacja zostanie rozpoznana. Być może aby osiągnąć najwyższy poziom rozpoznawalności zdarzeń, krajowe organy bezpieczeństwa ruchu drogowego i grupy przemysłu motoryzacyjnego wspólnie określą standardowe pakiety uczenia.

Systemy pojazdów autonomicznych wymagają danych z mnóstwa czujników, aby zapewnić bezpieczną nawigację, lecz musi też powstać struktura protokołów wyższego szczebla określająca, co należy zrobić, gdy nie da się uniknąć wypadku. Koncepcja drzewa decyzyjnego dotyczącego bezpieczeństwa już teraz jest tematem kontrowersyjnym, w którym bezpieczeństwo pasażerów pojazdów i pieszych jest traktowane priorytetowo. Przygotowanie fundamentów architektury bezpieczeństwa jest złożonym i niezwykle delikatnym dylematem prawnym i społecznym, którym zajmiemy się w dalszej części niniejszego cyklu.

www.mouser.com

  Zapytaj o więcej informacji…

LinkedIn
Pinterest

Dołącz do ponad 155 000 obserwujących IMP