A Kodiak két új mesterséges intelligencia eszközzel fejleszti az önvezető autók biztonsági validációját
A mesterséges intelligencia gyors fejlődése lehetővé teszi a mérnökök számára, hogy minden eddiginél gyorsabban fejlesszék az önvezető technológiákat, de az önvezető autók igazi határa az, hogy ezeket a fejlesztéseket kimutatható és szigorú biztonsággal lehessen párosítani.
Az önvezető járművek fejlesztésében elért haladás már nem a nagyobb költségvetésektől vagy flottáktól függ, hanem a valós tesztelésből és szimulációból származó érdemi információk kinyerésétől. A hangsúly annak validálásán van, hogyan reagálnak az önvezető rendszerek ritka és összetett forgatókönyvekre, amelyek a valós vezetési körülmények között csak ritkán fordulhatnak elő.
A kihívás megoldása érdekében a Kodiak két olyan eszközt alkalmazott, amelyek felgyorsítják a biztonságtechnikai tervezés ütemét, mélységét és pontosságát, hogy egyértelmű és meggyőző bizonyítékokat szolgáltassanak a Kodiak Driver biztonságára vonatkozóan.
Az első eszköz a Kodiak valószínűségi kockázatértékelése (PRA), egy olyan módszertan, amelyet a vállalat a Kodiak-vezető várható, különböző súlyosságú ütközési arányának becslésére, valamint a kockázati profilt meghatározó főbb forgatókönyvek, kockázati tényezők és autonómia-meghibásodási módok azonosítására használ. A vállalat ezután összehasonlítja ezt az eredményt az emberi teljesítményre vonatkozó alapértékekkel, amelyeket a vezető közlekedési kutatóközpontokkal együttműködve határoznak meg.
A második eszköz a BreakPoint, egy mesterséges intelligencia (MI) validációs eszköz, amely a vállalat szerint intelligensen és hatékonyan keresi azokat a szélsőséges eseteket, amelyek ütközésekhez vagy más nemkívánatos viselkedéshez vezethetnek.
A BreakPoint által nyújtott elemzés segít a vállalat PRA-modelljeinek kidolgozásában, lehetővé téve a Kodiak számára, hogy azonosítsa a Kodiak Driver főbb kockázati területeit, és ennek megfelelően rangsorolja a fejlesztési erőfeszítéseket. Ezek az eszközök együttesen a vállalat biztonsági elemzésének részét képezik, és támogatják a mesterséges intelligencia által vezérelt önvezető rendszer fejlesztését és telepítését.
A biztonság számszerűsítése
A Kodiak PRA a bayesi valószínűségszámítást, a rendszermérnökséget, a megbízhatósági elemzést és a statisztikai modellezést ötvözi a biztonsági teljesítmény számszerűsítésére. Úgy tervezték, hogy megbecsülje az ütközési arányokat olyan ritka forgatókönyvek esetén, amelyeket nehéz pusztán valós teszteléssel megragadni, miközben számszerűsíti az ezekhez a becslésekhez kapcsolódó bizonytalanságot is. Ez lehetővé teszi a vállalat számára, hogy azonosítsa, hol erősek a bizonyítékok, és hol van szükség további validálásra.
A Kodiak PRA három fő tényezőre bontja a működési forgatókönyveket: a forgatókönyv-expozíció, amely azt méri, hogy a jármű milyen gyakran találkozik egy adott helyzettel; az ütközési valószínűség, amely becsli az ütközés valószínűségét az adott forgatókönyv bekövetkeztekor; és az ütközés súlyossága, amely az ütközés lehetséges következményeit méri fel az adott forgatókönyvben.
A PRA kvantitatív keretet biztosít az ismert veszélyes forgatókönyvek értékeléséhez és a kapcsolódó kockázatok kiértékeléséhez. A BreakPoint ezt kiegészíti a korábban ismeretlen vagy nem tesztelt veszélyes forgatókönyvek azonosításával, és az elemzés hatókörébe vonásával. Az eszközök együttesen támogatják a biztonsági kockázatok azonosításának, számszerűsítésének és enyhítésének szisztematikus megközelítését, segítve a tervezett funkciók biztonsága (SOTIF) keretrendszerben felvázolt kihívások kezelését.
Kockázatalapú priorizálás
A PRA eredmények alapján a Kodiak közvetlenül összehasonlítja a Kodiak Driver teljesítményét a hasonló emberi vezetők ütközési arányával analóg működési környezetben. A vezetést strukturált eseményekre bontva, a hétköznapiaktól a ritka eseményekig, a vállalat szerint korlátozott bizonytalansággal tudja megbecsülni a kockázatot, és biztosítani tudja, hogy a Kodiak Driver kiváló teljesítményt nyújtson.
A telepítési döntéseken túl a PRA segít azonosítani és rangsorolni a főbb kockázati tényezőket a fejlesztés során. Bayes-i keretrendszere kiemeli, hol van szükség további bizonyítékokra, segítve a tesztelés és a validáció összpontosítását a kevésbé feltárt forgatókönyvekre.
Töréspont
Egy gyakori mérnöki tesztelési technika, hogy szándékosan hibákat injektálnak a rendszerbe, és megfigyelik a rendszer válaszát, hogy megbizonyosodjanak arról, hogy a várt módon képes kezelni a hibát.
A BreakPoint realisztikus, időben változó hibákat vezet be az autonómia rendszerbe, hogy értékelje a teljesítményt normál és kihívást jelentő körülmények között. Az eszköz egy ellentétes megközelítést alkalmaz a potenciális meghibásodási módok azonosítására azáltal, hogy olyan forgatókönyveket keres, amelyek ütközésekhez vezethetnek. Ezeket az eredményeket ezután kockázat szempontjából értékelik, és beépítik a PRA keretrendszerbe a folyamatos biztonsági elemzés támogatása érdekében.
Kodiak szerint a BreakPoint korábban ismeretlen meghibásodási módokat azonosított, amelyeket a valós tesztelés során nem figyeltek meg. Az egyik példa egy alacsony valószínűségű forgatókönyv volt, amelyben az érzékelő rendszer helytelenül becsülhette meg az ipari működési területén leállt járművek sebességét. A vállalat azt állította, hogy a probléma szimulációban történő azonosítása lehetővé tette a forgatókönyv gyorsabb kezelését, megjegyezve, hogy akár több ezer mérföldnyi valós vezetésre is szükség lehetett ugyanahhoz az eseményhez.
