I veicoli autonomi stanno rivoluzionando l'industria automobilistica

Mouser svela i componenti chiave e le innovazioni di comunicazione necessarie per l'adozione di un veicolo completamente autonomo.

In questa serie verranno inoltre esaminare alcune problematiche di natura etica che devono essere affrontate e risolte per garantire l’accettazione sociale dei veicoli a guida autonoma. Gli argomenti trattati in questa serie saranno i seguenti:

• Come le tecnologie per la guida autonoma stanno ridisegnando il panorama automotive
• Superare le percezioni e adottare le tecnologie per la guida autonoma
• Autonomia dei veicoli: le fasi chiave dell’evoluzione
• Tecnologie dei sensori per i veicoli autonomi
• Le comunicazioni V2V e V2I forniscono i dati “time-critical” per i veicoli autonomi
• Stabilire un quadro etico per i veicoli autonomi

I produttori automobilistici che operano su scala globale devono far fronte a un gran numero di problematiche. Anche se la realizzazione di versioni elettriche dei loro modelli di punta non è sicuramente semplice, acquisire una posizione di primo piano nel settore delle tecnologie per i veicoli autonomi è un compito ancora più arduo. Anche se al giorno d’oggi molti veicoli sono equipaggiati con sistemi avanzati di assistenza alla guida (ADAS - Advanced Driver Assistance System), tra i quali spiccano il rilevamento dei punti ciechi e il controllo adattativo della velocità di crociera, sostituire “in toto” il guidatore richiede un approccio completamente diverso.

Replicare il processo che avviene nel cervello di un guidatore che deve districarsi in un incrocio trafficato con algoritmi di apprendimento automatico va sicuramente al di là delle capacità dei sistemi ADAS. Considerazioni tecniche a parte, vi sono problematiche sociali ed emotive più profonde attinenti la guida autonoma.Non sono solamente le Case automobilistiche a sperare nel successo dei veicoli autonomi: anche tutte le organizzazioni che si occupano a vario titolo di sicurezza stradale, a livello sia nazionale sia regionale, si augurano che tale obiettivo venga conseguito. La ragione è semplice: nell’Unione Europea il numero di vittime di incidenti stradali è di 25.000 all’anno ed è opinione diffusa che le auto a guida autonoma potranno contribuire a ridurre in maniera significativa il tasso di mortalità.

I sistemi per la guida autonoma, equipaggiati con una molteplicità di sensori, sono in grado di rilevare potenziali rischi più velocemente e in maniera più affidabile rispetto a un conducente umano. Tali sistemi, inoltre, avranno il vantaggio di poter comunicare istantaneamente con altri veicoli al fine di prevenire incidenti imputabili a incomprensioni tra guidatori. Sebbene l'identificazione del rischio di collisione sia un aspetto chiave delle tecnologie per la guida autonoma, i sistemi autonomi devono in primo luogo apprendere il comportamento degli utenti della strada. Gli algoritmi di apprendimento automatico devono apprendere una mole enorme di informazioni e le reti neurali profonde (DNN – Deep Neural Network) rappresentano la soluzione più appropriata. Maggiore è il numero di sorgenti di informazioni disponibili, più sicuro sarà il funzionamento dei sistemi per la guida autonoma.

La connettività permetterà inoltre di aggiornare su base continuativa le conoscenze relative alla sicurezza stradale, tramite l'apprendimento delle esperienze acquisite da altri veicoli autonomi. Il concetto di intelligenza collettiva prevede che i veicoli trasmettano continuamente informazioni ai sistemi si gestione basati su cloud, generando in tal modo un'utile base di conoscenza contenente tutte le azioni compiute dai singoli veicoli che vengono poi condivise con i veicoli presenti e futuri attraverso aggiornamenti software. Tesla, ad esempio, ha adottato questo approccio, raccogliendo i dati dei propri veicoli fin dalla fase iniziale e continuando ad analizzare le informazioni relative all'attività degli stessi per supportare lo sviluppo su base continuativa dei propri sistemi per la guida autonoma.

La raccolta dei dati nella modalità appena descritta, sebbene comporti indubbi vantaggi in termini di miglioramento delle conoscenze acquisite, comporta l'insorgere di problematiche riguardanti la privacy. A questo riguardo, le domande da porsi sono numerose: in che modo stabilire chi ha il permesso di acquisire, analizzare e distribuire i dati del veicolo? Come comportarsi per tutelare la privacy degli occupanti del veicolo? Chi si assumerà la responsabilità di monitorare e assicurare che i meccanismi di controllo siano operativi? Un approccio consiste nell'astrarre i dati a un livello tale da eliminare qualsiasi informazione utile per l’identificazione personale, permettendo allo stesso tempo l'accesso alle attività del veicolo al fine di analizzare le tendenze. Parecchi aspetti che riguardano l'accesso ai dati e alla privacy richiedono decisioni da parte delle autorità giudiziarie e degli Enti che si occupano di vigilanza.

Estrarre l’intelligenza dai dati acquisiti
Fortunatamente, gli incidenti stradali sono relativamente rari rispetto alle molte ore che i veicoli trascorrono su strada. Ciò comporta l'insorgere di alcune problematiche per i data scientist impegnati nello sviluppo di reti neurali per la guida autonoma. Per risultare efficaci, tali algoritmi devono poter disporre di una mole enorme di dati per apprendere le diverse modalità secondo le quali avvengono gli incidenti: in questo modo, una volta installati, saranno in grado di identificare immediatamente e reagire in modo appropriato a un evento potenzialmente fatale che si dovesse verificare nel momento in cui i veicoli si muovono sulla strada.

La simulazione riveste un ruolo importante nell'addestramento dei sistemi di apprendimento automatico, come dimostra la soluzione sviluppata da alcuni ricercatori dell'università tedesca di Saarland che non prevede la generazione di veri e propri incidenti. I ricercatori hanno realizzato un sistema di addestramento per reti neurali basato sulla simulazione che propone possibili scenari di incidenti ed eventi particolarmente complessi che i sistemi autonomi devono essere in grado di identificare e risolvere.

In ogni caso, anche la verifica basata sulle simulazioni non è esente da problematiche: benché tali simulazioni possano accedere a database di conoscenze molto dettagliati, resta da decidere il grado di probabilità di ciascuno scenario. Inoltre, è necessario simulare tutte quelle situazioni derivanti da un guasto di una parte del sistema o di un sensore. Il malfunzionamento di un sensore, a esempio, potrebbe indurre il sistema a credere che stia per verificarsi una collisione, quando invece la realtà è completamente diversa. La disponibilità di dati che pervengono in contemporanea da più sensori potrebbe aiutare la rete neurale nell'auto-diagnosi, per avvertire gli occupanti del veicolo e mettere il quest’ultimo in una condizione di sicurezza intrinseca (fail-safe).

La registrazione delle attività pregresse dei veicoli rappresenterà sicuramente un valido ausilio per il processo di apprendimento in quanto i veicoli autonomi potranno imparare sia dai loro errori sia da quelli degli altri veicoli. Il caricamento frequente dei dati, che permette ai costruttori di addestrare nuovamente le reti neurali, anche ogni notte, rappresenta un approccio efficace per garantire la maggior sicurezza possibile dei veicoli a guida autonoma.

Come già sottolineato in precedenza, la riservatezza dei dati è un aspetto cruciale, in quanto protegge gli occupanti di un veicolo contro eventuali tentativi di violazione della loro privacy. L’astrazione dei dati a un livello tale da renderli anonimi permetterà di raggiungere tale scopo, anche se saranno necessarie norme legali chiare e accordi “ad hoc” tra proprietari dei veicoli e costruttori.

Per sviluppare e aggiornare sistemi per veicoli autonomi sicuri e affidabili, le varie Case non dovrebbero creare sistemi di tipo proprietario, bensì instaurare rapporti di collaborazione. Mediante la condivisione di scenari di addestramento, i produttori di automobili e i clienti potrebbero trarre un indubbio vantaggio dalla possibilità di identificare qualsiasi situazione di rischio. Per poter rilevare il maggior numero di possibili scenari di incidente, è assai probabile che in prossimo futuro gli Enti che si occupano della sicurezza stradale a livello nazionale e le aziende attive nel comparto automobilistico collaborino alla definizione di package di addestramento standardizzati.

I sistemi per la guida autonoma si basano sui dati provenienti da una miriade di sensori per poter circolare in maniera sicura, ma è necessario predisporre un framework composto da protocolli di alto livello in grado di stabilire quali azioni intraprendere nel caso non sia possibile evitare un incidente. Il concetto di un albero decisionale relativo alla salvaguardia è già un argomento controverso, dove la salvaguardia degli occupanti del veicolo e dei pedoni riveste un ruolo prioritario. La preparazione di un framework di salvaguardia di base è un compito estremamente complesso e delicato, che coinvolge aspetti legali e sociali, e sarà analizzato in modo più dettagliato in questa serie di blog.

www.mouser.com

  Richiedi maggiori informazioni…