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.

Forrás

Lépjen kapcsolatba velünk

Budapest, Than Károly u. 3, 1119
(1) 371 5936

mp@kti.hu