En måndagsmorgon i januari i år satte sig en man i sin Tesla sedan, drog in på en motorväg utanför Los Angeles, och aktiverade fordonets halvautonoma "Autopilot"-läge. Bilen jonglerade ingångar från 8 kameror, 12 ultraljudssensorer och en radar för att navigera på motorvägen, undvika andra fordon och hålla sig inom de streckade linjerna. Sedan, den plöjde rakt in i ryggen på en stoppad brandbil.
Autonom fordonsteknik hyllas ofta för sin förmåga att så småningom göra vägarna säkrare – och det av goda skäl. Men situationer som den som beskrivs ovan visar att även dagens halvautonoma fordon har några allvarliga problem att lösa. Lyckligtvis, Forskare som Xin Li arbetar hårt för att åtgärda några av de mest grundläggande problemen som för närvarande står inför med teknik för självkörande bilar för att så småningom minska dödsfall i motorfordon.
"För några år sedan började jag prata med några av bilföretagen i USA om problemen de stod inför med självkörande bilar, säger Li, professor vid avdelningen för el- och datorteknik vid både Duke och Duke Kunshan University. På grund av hans dubbla utnämning, Li tillbringar mycket tid i Kina, där han har fortsatt samtalet med självkörande bilar med kinesiska biltillverkare.
Li säger att det finns två huvudproblem som för närvarande står i vägen för helt autonom körteknik:verifieringsproblemet och integrationsproblemet.
Verifieringsproblemet kokar ner till följande dilemma:för att något ska bevisas säkert, du måste först lära dig vilka omständigheter som gör att det misslyckas. "Om du ber din kund att köra en självkörande bil på vägen, misslyckandet måste vara mycket, väldigt liten, säger Li. Funderar på hur man beräknar den räntan – och, i förlängningen, hur man sedan rättar till dessa misslyckanden – har blivit en central forskningsfråga för Li.
Så hur beräknar du misslyckandet? En lösning är att helt enkelt låta den självkörande bilen navigera i ett område tills den gör ett misstag – inte stanna vid en stoppskylt, till exempel. Men de flesta av dessa misslyckanden inträffar under mycket sällsynta omständigheter som kallas "hörnfall" (tänk, ett stenblock som ramlar in på en bergsväg), vilket innebär att detta tillvägagångssätt skulle ta oöverkomligt lång tid.
"Det är svårt att fysiskt observera alla möjliga scenarier över alla hörnfall, så vi tänkte, "varför använder vi inte en dator och ber datorn att syntetiskt generera dessa möjliga fall?" säger Li. Istället för att vänta på en bil på vägen för att avslöja varje bisarr sammanflöde av väder och oregelbundna förare som får systemet att läste fel ett stoppljus, Li -teamets unika tillvägagångssätt skapar dessa scenarier med hjälp av intelligenta datorprogram. Dessa program använder statistiska modeller och algoritmer för att generera syntetiska situationer för det autonoma systemet att navigera.
I en nyligen publicerad artikel som publicerades i november 2017-numret av Computer-Aided Design, hans team visade att hög temperatur och åldrade kretsar kan försämra bilderna som samlats in av en självkörande bils kameror. Teamet använde en maskininlärningsteknik som kallas Cycle-Consistent Generative Adversarial Networks för att generera syntetisk bilddata som om den samlades in vid en hög temperatur eller med gamla kretsar. När de matade in de försämrade bilderna i det autonoma systemet, det kämpade för att korrekt identifiera stoppskyltar. Genom att skapa syntetiska felfall som detta, Li:s forskning tillåter biltillverkare att mer exakt verifiera hur ofta och, mer viktigt, under vilka scenarier ett system kan misslyckas. Li arbetar sedan med sina medarbetare inom industrin för att implementera denna nya teknik i hårdvara och mjukvara som gör autonoma fordon säkrare.
Tyvärr, ju fler komponenter som läggs till ett autonomt fordon, desto större är chansen att något går fel. Detta är paradigmet för det andra hindret för autonoma fordon:integrationsproblemet. Självkörande bilar måste sömlöst kombinera alla typer av komplicerade system – från kollisionsundvikande moduler till stoppljusdetektering – allt samtidigt som de navigerar i en miljö i 60 miles per timme. Att ta reda på hur man säkerställer att komponenter fungerar snabbt och effektivt kommer att utgöra nästa fas i Lis forskning.
"Ärligt, det är ett mycket svårt problem och vi har ingen bra lösning än, säger Li, även om han är hoppfull om att utvecklingen av ett mer centraliserat datorsystem för bilen kan gå långt mot att integrera fordonets funktionalitet.
Li säger att det också finns en mer grundläggande fråga för utvecklingen av självkörande bilar – utbildning. Medan konventionell fordonsdesign är maskiningenjörernas domän, att bygga autonoma fordon kommer att kräva bred expertis inom artificiell intelligens, mjukvarudesign och systemutveckling. Att möta morgondagens problem kommer att ta ett nytt tvärvetenskapligt tillvägagångssätt. "Jag tror att det är väldigt viktigt för en utbildningsinstitution som Duke att utbilda studenter med rätt bakgrund så att de kan engagera sig i dessa framväxande områden när de tar examen, säger Li.
Att göra grundforskning om självkörande bilar har otroligt höga insatser. "När industrin använder min lösning, Jag har ansvaret för att se till att det här kommer att fungera ... Om det finns ett fel kan människor dödas, säger Li. Samtidigt, att arbeta med några av de största frågorna inom utveckling av självkörande bilar är en otrolig möjlighet. "Just nu är autonom körning ett framväxande område med många öppna problem. Detta gör det till en mycket spännande tid för akademiker som jag, säger Li.
