Kako uopće možemo biti sigurni da će autonomna vozila biti - sigurna?

Kako uopće možemo biti sigurni da će autonomna vozila biti – sigurna?

Autonomna vozila kod mnogih i dalje izazivaju osjećaj nesigurnosti. No, ovaj tekst mogao bi pomoći da se rasvijetli proces iza razvoja i testiranja sigurnosno-kritičnih sustava u vozilima budućnosti.

Autoindustrija se danas nalazi na pragu jednog od najvećih tehnoloških napredaka u području transporta – razvitku autonomnih vozila. Koliko je taj napredak značajan, pokazuje i činjenica da u njemu, osim same autoindustrije, sudjeluju i predstavnici iz drugih industrija kao što su Waymo, Apple, Baidu, Uber, Mobileye, Nvidia te mnoge druge manje, specijalizirane tvrtke.

Uz tehnološku, vrlo je opsežna i društvena dimenzija razvoja autonomnih vozila – od samog stupnja prihvaćenosti tehnologije u društvu pa sve do promjena u zakonodavstvu koje su nužne da bi se autonomna vozila mogla staviti u upotrebu.

Moderna vozila već su kompleksna

Elektronički sustav modernih automobila izuzetno je kompleksan, a s ciljem razvoja autonomnog vozila ta kompleksnost i dalje raste. Broj elektroničkih komponenti u automobilu kao što su senzori, mikrokontroleri i razni aktuatori, povećava se u svakoj idućoj generaciji, a to nužno znači da se povećava i složenost softvera koji kontrolira i upravlja tim komponentama.

Automobili u sklopu projekta „Robotaxi“, na kojem zajednički rade Daimler i Bosch, a kojem je cilj razviti autonomno taksi vozilo, opremljeni su s više od 40 senzora koji se direktno koriste u svrhu autonomnog upravljanja. To uključuje višestruke mono i stereo kamere, radare, ultrazvučne senzore, LiDAR te razne druge senzore koji služe za određivanje pozicije, brzine te smjera kretanja vozila.

Kako se određuje razina rizičnosti sustava?

Kvarovi ili otkazivanje pojedinih sustava u automobilu mogu imati teške posljedice po život i zdravlje ljudi. Takvi sustavi nazivaju se sigurnosno-kritični sustavi (safety-critical system). Primjeri takvih sustava su: zračni jastuci, ABS sustav, parkirna kočnica, sustav svjetala, sustav za zakretanje prednjih kotača. U tu kategoriju ubraja se i sustav autonomnog upravljanja vozilom.

Sigurnosno-kritični sustavi kategoriziraju se u četiri ASIL (Automotive Safety Integrity Level) razine (A, B, C i D). Najmanje rizični sustavi su oni razine ASIL-A, a sustavi razine ASIL-D su sustavi najvišeg rizika. Razina rizičnosti sustava određuje se na temelju tri parametra:

  1. Vjerojatnost s kojom kvar ili otkazivanje sustava uzrokuje štetu
  2. Mogućnost kontrole vozila u slučaju kvara ili otkazivanja sustava
  3. Intenzitet potencijalne štete nastale zbog kvara ili otkazivanja sustava

Tipičan primjer sustava najvišeg rizika (ASIL-D) je sustav zračnih jastuka – intenzitet potencijalne štete u slučaju otkazivanja sustava zračnih jastuka je vrlo visok. Stražnja kamera može se smatrati sustavom razine ASIL-B – iako u slučaju otkazivanja stražnje kamere također može nastati šteta zbog nedostatka uvida u situaciju iza vozila, brzine kretanja vozila unatrag su niske i intenzitet potencijalne štete je nizak.

Kategorizacija sigurnosno-kritičnih sustava omogućuje definiranje različitih pristupa i metodologija za razvoj sustava različitih razina rizika. Što je viša razina rizičnosti sustava, to je proces razvoja rigorozniji, a time i dugotrajniji i skuplji.

Razvoj sustava, ali i testiranje prema V-modelu

Proces razvoja sustava podijeljen je u manje faze prema V-modelu. U početnoj fazi definira se skup zahtjeva koje sustav u cjelini mora zadovoljiti iz perspektive korisnika, bez razmatranja same implementacije sustava. U drugoj fazi specificira se arhitektura sustava, definiraju se pojedine komponente sustava, njihova sučelja i međusobna interakcija. Treća faza uključuje dizajn pojedinih komponenti odnosno jediničnih elemenata sustava.

Svaka od navedenih faza uključuje i definiranje skupa testova kojima će se u kasnijoj fazi razvoja moći provjeriti jesu li specificirani zahtjevi zadovoljeni. Nakon dizajniranja pojedinih komponenti sustava slijedi njihova implementacija.

Po završetku implementacije prelazi se na drugi dio V-modela – testiranje. Proces testiranja vrši se u obrnutom smjeru: najprije se testiraju komponente kao zasebni elementi (jedinični testovi), nakon toga slijedi testiranje interakcije između više komponenata (integracijski testovi) i u konačnici se testira sustav u cjelini (sistemski testovi).

Kod razvoja sigurnosno-kritičnih sustava, standardom su propisane obavezne i preporučene metode za svaku pojedinu fazu V-modela. Na primjer, u implementacijskoj fazi sustava razine ASIL-D zabranjeno je korištenje rekurzije i implicitne konverzije tipa podataka. Kod implementacije sustava razine ASIL-A njihovo korištenje nije zabranjeno, ali je preporuka da se izbjegava.

Kako se definira kriterij prihvatljivosti?

Kod testiranja sustava prvi korak je definiranje kriterija prihvatljivosti. S obzirom na to da se radi o sustavu u kojem se koriste algoritmi umjetne inteligencije te u kojem je nemoguće predvidjeti sve moguće kombinacije vrijednosti ulaznih signala, najviše smisla ima definirati kriterij prihvatljivosti u statističkom obliku.

Uzmimo za primjer flotu od milijun vozila koja je operabilna sat vremena dnevno. Pretpostavimo da je u 1000 dana rada takve flote dozvoljen najviše jedan kvar u sigurnosno-kritičnim sustavima (usporedivo sa stopom grešaka u zrakoplovnim sustavima). Dakle, radi se o maksimalno jednom dozvoljenom kvaru tijekom milijardu sati rada sustava. Uzmemo li u obzir da se tijekom razvoja sustava testovi ponavljaju više puta, postaje jasno da je testiranje sustava na samim vozilima neizvedivo.

Simulacije značajno ubrzavaju testiranje

Jedan od načina kako ubrzati proces testiranja je korištenje simulacija. Cjelokupno simulacijsko okruženje može se podijeliti na više dijelova: modeli za simulaciju okoliša (vrijeme, osvjetljenje…), 3D reprezentacija okoline, modeli ponašanja ostalih sudionika u prometu (automobili, biciklisti, pješaci…), cestovna mreža i infrastruktura, modeli senzora na automobilu, komponente sustava koji se testira te model dinamike automobila.

U primjeru testiranja sustava na stvarnim vozilima tijekom dovoljno dugog perioda može se pretpostaviti da distribucija vrijednosti ulaznih signala sustava odgovara stvarnim situacijama. Kod korištenja simulacijskih okruženja potrebno je definirati skup situacija u kojima se sustav želi testirati te njihovu distribuciju. Ovo su neki primjeri:

  • Vrsta prometnice: autocesta, brza cesta, gradske ulice
  • Doba dana: dan, noć, sumrak
  • Vremenske prilike: snijeg, kiša, magla
  • Prometna situacija: raskrižje, spora kolona vozila, parkiranje u garaži

Kad simulacija nije dovoljna

Korištenje simulacijskih okruženja omogućava brža testiranja i otkrivanje grešaka u pojedinim dijelovima sustava tijekom njegovog razvoja, ali takav način testiranja nije dovoljan. Idući korak je korištenje stvarnog hardvera na kojem se izvršavaju algoritmi umjetne inteligencije (Hardware in the Loop, HiL). Okolina vozila i samo vozilo pri tome i dalje ostaju simulirani.

Takav način testiranja omogućuje otkrivanje grešaka u komunikaciji između različitih dijelova hardvera (mikrokontroler, FPGA, DSP…) kao i greške vezane uz predugo izvođenje algoritama i nemogućnosti rada u realnom vremenu.

Sljedeći korak je korištenje stvarnog vozila pri čemu se okolina i dalje simulira te sustav umjesto signala sa stvarnih senzora dobiva signale iz simuliranog okruženja. U ovoj fazi naglasak je na testiranju algoritama koji upravljaju vozilom te na promatranju odziva stvarnog vozila.

Kako tvrtke prikupljaju podatke nužne za treniranje?

Napredak u razvoju simulacijskih alata i modela senzora omogućuje njihovo korištenje i u fazi treniranja algoritama umjetne inteligencije. Podaci za treniranje, kao i podaci za testiranje, trebaju imati odgovarajuću distribuciju raznih prometnih situacija. Sustavi senzora mogu generirati i do 8GB/s te je cijeli proces prikupljanja i upravljanja podacima vrlo kompleksan. Dodatna prednost korištenja simuliranih podataka za treniranje je mogućnost automatske anotacije objekata. Različite firme imaju različite strategije prikupljanja i korištenja podataka.

Tesla se oslanja na preko 300.000 vozila koja kruže po raznim dijelovima svijeta, dok Waymo ima svega nekoliko stotina vozila u ograničenoj regiji pa se zbog toga značajno oslanja na korištenje simulacijskih alata za generiranje podataka.

Uz što veće korištenje autonomne tehnologije, tako će rasti i broj prikupljenih podataka, a time posljedično i sigurnost sustava.

Sukladno članku 94. Zakona o elektroničkim medijima, komentiranje članaka na Netokraciji dopušteno je samo korisnicima koji ostave svoje ime i prezime te mail adresu i prihvate pravila ponašanja.

Pravila ponašanja

Na Netokraciji za vas stvaramo kvalitetan, autorski potpisan sadržaj i zaista se veselimo vašim kvalitetnim, kontruktivnim komentarima. Poštujmo stoga jedni druge prilikom komentiranja, kao i Zakon, držeći se sljedećih pravila ponašanja:

  • Ne budite 💩: Nema vrijeđanja, diskriminiranja, ni psovanja (osim ako nije osobni izričaj, ali onda neka psovka bude općenita, a ne usmjerena prema nekome). Također, upoznajte se sa stavkom 2. članka 94. Zakona o elektroničkim medijima prije no što ostavite komentar.
  • Samo kvalitetna rasprava, manje trolanja: Ne morate se ni sa kim slagati, ali budite konstruktivni i doprinesite raspravi! Svako trolanje, flameanje, koliko god "plesalo" na granici, leti van.
  • Imenom i prezimenom, nismo Anonymous 👤: Autor sadržaja stoji iza svog sadržaja, stoga stojite i vi iza svog komentara. Koristimo ime i prezime te pravu email adresu.

Kako koristimo podatke koje ostavljate? Bacite oko na našu izjavu o privatnosti.

Sve ostale komentare ćemo s guštom spaliti, jer ne zaslužuju svoje mjesto na internetu.

Odgovori

Tvoja e-mail adresa neće biti objavljena.

Popularno

Analiza

Kad im USB-om procure podaci milijun građana – javne institucije mogu proći bez sankcija?!

Sa stručnjacima raspravljamo o nedavnom curenju podataka vlasnika svih registriranih vozila u Hrvatskoj i zašto je ono problematično na više razina. Može li ovaj slučaj biti poruka javnim institucijama za ubuduće?

Obrazovanje

Maturanti, pazite koje AI alate koristite za pripremu mature, nisu svi pouzdani…

Jeste primijetili kako je sve više raznih AI alata koji obećavaju uspjeh u školi i pomoć na maturi? Iako imamo pozitivne primjere, nisu svi od povjerenja.

Digitalni mediji

Hrvate od EU izbora više zanimaju Vučić, Međugorje i invazija dabrova!

Ove nedjelje izlazimo na druge po redu izbore u ovoj superizbornoj godini, ali sudeći po pretraživanjima online, Hrvati bi ovog vikenda mogli prije otići na kavu nego na birališta.

Što ste propustili

Veliki intervjui

Kreće Priša! Tjedni izazov za djecu i mlade koji stvara pozitivne navike

Priša je prilika za djecu i mlade da prije početka ljetne zabave i zaslužene lijenosti, naprave nešto pozitivno za svoje navike!

Veliki intervjui

Kad će zaživjeti “hrvatski gaming san”? Ovo su faze 60 milijuna vrijednog projekta u Novskoj

Fakultet, studentski dom, fotonaponska elektrana i sva potrebna infrastruktura uskoro dolaze u Novsku - Centar za gaming industriju bit će prvi takvog tipa u Europi.

Veliki intervjui

“Kao Engineering Manager nisam izgubio dodir s inženjerstvom, naprotiv – naučio sam još više”

Kako izgleda posao Engineering Managera kad radiš za tvrtku koja nezaustavljivo raste saznali smo od Antonia Krističevića. Prošle je godine postao EM u Fonoi, tvrtki koja je prva na svijetu razvila cloud platformu za automatizaciju obračuna poreza na globalnoj razini.

Digitalni mediji

Uloženo je 280 milijuna eura u digitalno oglašavanje u Hrvatskoj u 2023. godini

Hrvatska udruga digitalnih izdavača (HUDI) objavila je rezultate najnovijeg istraživanja HUDI Digitalni AdEx za 2023. godinu.

Startupi

Kako vam HR i financije olakšavaju rast, otkriva Infobipov CBO

Infobipov Chief Business Officer Ivan Ostojić podijelio je iskustva iz procesa skaliranja hrvatskog jednoroga te što im je pomoglo da rast učine održivim.

Startupi

Stižu bolja vremena za SaaSove! Paddleov CMO savjetuje kako ih iskoristiti

Od Paddleovog Chief Marketing Officera na konferenciji SaaStanak 2024 saznali smo kako prebroditi ova neizvjesna vremena na tržištu.