I kapplöpningen om att tillverka autonoma fordon (AV), säkerheten är avgörande men ibland förbises, vilket exemplifieras av de senaste rubriceringsolyckorna. Forskare vid University of Illinois i Urbana-Champaign använder artificiell intelligens (AI) och maskininlärning för att förbättra säkerheten för autonom teknik genom både mjukvara och hårdvara.

"Att använda AI för att förbättra autonoma fordon är extremt svårt på grund av komplexiteten hos fordonets elektriska och mekaniska komponenter, såväl som variationer i yttre förhållanden, som väder, vägförhållanden, topografi, trafikmönster, och belysning, sa Ravi Iyer

"Framsteg görs, men säkerheten fortsätter att vara ett stort problem."

Gruppen har utvecklat en plattform som gör det möjligt för företag att snabbare och kostnadseffektivare hantera säkerheten i den komplexa och ständigt föränderliga miljön för autonom teknik. De samarbetar med många företag i Bay -området, inklusive Samsung, NVIDIA, och ett antal nystartade företag.

"Vi ser en intressentövergripande insats inom branscher och universitet med hundratals startups och forskargrupper, och hanterar några utmaningar i vår grupp, sa Saurabh Jha, en doktorand i datavetenskap som leder studentinsatser i projektet. "Att lösa denna utmaning kräver en tvärvetenskaplig insats inom vetenskapen, teknologi, och tillverkning."

En anledning till att detta arbete är så utmanande är att AV -enheter är komplexa system som använder AI och maskininlärning för att integrera mekaniska, elektronisk, och datorteknik för att fatta beslut om körning i realtid. En typisk AV är en mini-superdator på hjul; de har mer än 50 processorer och acceleratorer som kör mer än 100 miljoner rader kod för att stödja datorsyn, planera, och andra maskininlärningsuppgifter.

Som förväntat, det finns problem med sensorerna och den autonoma körstacken (datorprogramvara och hårdvara) för dessa fordon. När en bil kör 70 mph ner på en motorväg, fel kan utgöra en betydande säkerhetsrisk för förare.

"Om en förare av en typisk bil känner av ett problem som fordonsdrift eller drag, föraren kan anpassa sitt beteende och styra bilen till en säker stopppunkt, " förklarade Jha. "Men, beteendet hos det autonoma fordonet kan vara oförutsägbart i ett sådant scenario om inte det autonoma fordonet uttryckligen är utbildat för sådana problem. I den verkliga världen, det finns oändligt många sådana fall. "

Traditionellt, när en person har problem med programvara på en dator eller smartphone, det vanligaste IT -svaret är att stänga av och slå på enheten igen. Dock, denna typ av korrigering rekommenderas inte för AV -apparater, eftersom varje millisekund påverkar resultatet och ett långsamt svar kan leda till döden. Säkerhetsproblemen för sådana AI-baserade system har ökat under de senaste åren bland intressenter på grund av olika olyckor orsakade av AV:er.

"Nuvarande regler kräver att företag som Uber och Waymo, som testar sina fordon på allmänna vägar för att årligen rapportera till California DMV om hur säkra deras fordon är, "sa Subho Banerjee, en CSL- och datavetenskaplig doktorand. "Vi ville förstå vanliga säkerhetsproblem, hur bilarna betedde sig, och vad det ideala säkerhetsmåttet är för att förstå hur väl de är designade."

Gruppen analyserade alla säkerhetsrapporter som lämnats in från 2014-2017, täcker 144 AV:er som driver en kumulativ 1, 116, 605 autonoma mil. De fann att för samma antal körda mil, mänskligt drivna bilar var upp till 4000 gånger mindre sannolika än AV:er att råka ut för en olycka. Detta innebär att den autonoma tekniken misslyckades, i oroväckande takt, att hantera en situation på ett lämpligt sätt och koppla ur tekniken, ofta lita på att den mänskliga föraren tar över.

Problemet forskare och företag har när det gäller att förbättra dessa siffror är att tills ett autonomt fordonssystem har en specifik fråga, det är svårt att träna programvaran för att övervinna det.

Ytterligare, fel i programvaru- och hårdvarustacken manifesteras som säkerhetskritiska frågor endast under vissa körscenarier. Med andra ord, tester som utförs på AV -enheter på motorvägar eller tomma/mindre trånga vägar kanske inte är tillräckliga eftersom säkerhetsöverträdelser under program-/hårdvarufel är sällsynta.

När fel uppstår, de äger rum efter att hundratusentals miles har körts. Arbetet som går ut på att testa dessa AV -apparater i hundratusentals miles tar avsevärd tid, pengar, och energi, vilket gör processen extremt ineffektiv. Teamet använder datorsimuleringar och artificiell intelligens för att påskynda denna process.

"Vi injicerar fel i mjukvaran och hårdvaran i de autonoma fordonen i datorsimuleringar och samlar sedan in data om de autonoma fordonens svar på dessa problem, "sa Jha." Till skillnad från människor, AI -teknik idag kan inte resonera om fel som kan uppstå i olika körscenarier. Därför, behöver stora mängder data för att lära mjukvaran att vidta rätt åtgärder inför mjukvaru- eller hårdvaruproblem."

Forskargruppen bygger för närvarande tekniker och verktyg för att generera körförhållanden och problem som påverkar AV-säkerheten maximalt. Med hjälp av deras teknik, de kan hitta ett stort antal säkerhetskritiska scenarier där fel kan leda till olyckor utan att behöva räkna upp alla möjligheter på vägen – en enorm besparing av tid och pengar.

Under testning av en öppet tillgänglig AV -teknik, Apollo från Baidu, teamet hittade mer än 500 exempel på när programvaran inte kunde hantera ett problem och felet ledde till en olycka. Resultat som dessa får gruppens arbete att märkas i branschen. De arbetar för närvarande med ett patent på sin testteknik, och planerar att distribuera det snart. Helst forskarna hoppas att företag använder denna nya teknik för att simulera det identifierade problemet och åtgärda problemen innan bilarna sätts i drift.

"Säkerheten för autonoma fordon är avgörande för deras framgång på marknaden och i samhället, sa Steve Keckler, vice vd för arkitekturforskning för NVIDIA. "Vi förväntar oss att tekniken som utvecklas av Illinois forskarteam kommer att göra det lättare för ingenjörer att utveckla säkrare bilsystem till lägre kostnad. NVIDIA är entusiastiska över vårt samarbete med Illinois och är glada över att stödja deras arbete."

Denna forskning har publicerats flera gånger av IEEE (artikel 1, artikel 2, artikel 3).