Защита систем помощи водителю (ADAS): стратегии безопасности на ближайшее десятилетие

Системы помощи водителю (ADAS) повышают безопасность транспортных средств за счет мониторинга окружения, выдачи предупреждений, автоматического торможения и помощи в управлении рулем. В ближайшее десятилетие ожидается быстрый рост этих систем благодаря прорывам в сенсорных технологиях и лидарах, а также меняющимся нормативным требованиям.

По словам Джеффилла Пиллипса, руководителя автомобильного маркетинга в National Instruments, Европейский союз в 2020 году обязал все новые автомобили оснащать системами автономного экстренного торможения (AEB) и предупреждений о лобовом столкновении (FCW).

Хотя ADAS все еще на ранней стадии, их возможности по обеспечению безопасности станут ключевым дифференциатором для автопроизводителей, особенно по мере перехода к полностью автономным автомобилям.

OEM и технологические компании сейчас соревнуются в этой в значительной степени нерегулируемой сфере за долю рынка и создание самых безопасных автомобилей на дорогах. С почти 1,3 млн жертв ДТП в мире ежегодно и пятилетним пиком в 1792 смерти на дорогах Великобритании, защита технологий ADAS становится всё более срочной задачей.

Сценарий кошмара

Инженеры по тестированию сталкиваются с пугающим ландшафтом: меняющиеся регуляции, новые сенсорные технологии и ИИ-архитектуры, которые могут быть непрозрачны. Ставки высоки — каждый громкий инцидент с полуавтономным автомобилем привлекает внимание общественности, а даже ограниченное число документированных аварий автономных автомобилей подорвало доверие потребителей.

Инженеры по тестированию должны определить, какого объема верификация необходима для удовлетворения нормативных и юридических стандартов, а также ожиданий общественности. Отсутствие четких руководящих принципов для ИИ-систем означает, что традиционные подходы к тестированию недостаточны.

Согласно исследованию Rand Corporation 2018 года, автономному автомобилю потребуется проехать десятки миллионов миль для статистического доказательства равенства — или превосходства — по сравнению с человеческими водителями. Достижение такого объема в реалистичных временных рамках требует инновационных стратегий тестирования и сред массового моделирования.

История машинного обучения

Полностью автономное вождение во многом опирается на модели машинного обучения, поскольку спектр реальных сценариев практически бесконечен. Инженеры собирают огромные объемы данных, полученных от людей за рулем, размечают их и обучают нейросети воспроизводить человеческое принятие решений.

Хотя команды разработки могут создавать базовые алгоритмы, полученные модели функционируют как «черные ящики», усложняя валидацию. Инженерам по тестированию приходится создавать исчерпывающие библиотеки сценариев, покрывающие широкий спектр граничных случаев, поскольку отсутствие понимания внутренней логики исключает традиционное модульное тестирование.

Новая дорожная карта

Сенсорные портфолио быстро эволюционируют, снижая затраты и создавая новые архитектурные выборы. Производители должны решать между централизованной обработкой на борту и распределенной периферийной обработкой, а также планировать добавление будущих сенсоров, таких как лидары, радары и дополнительные камеры.

Облачные вычисления и 5G-соединения добавляют еще один слой сложности, обеспечивая обмен данными в реальном времени и удаленную диагностику, но также поднимая вопросы задержки и пропускной способности.

Поскольку сенсорный набор будущих платформ неопределен, тестовым командам нужны гибкие инфраструктуры, способные интегрировать новое оборудование без дорогостоящих перестроек. Модульные тестовые стенды и виртуализированные среды позволяют быстро масштабировать нагрузки камер, радаров и лидаров.

Строительство под изменения

По мере перехода автономных функций от прототипов к продуктам, регуляторные органы должны эволюционировать для защиты потребителей. Стандарты вроде ISO 26262 для функциональной безопасности и протоколы краш-тестов EURO-NCAP уже формируют отрасль, в то время как недавно опубликованная Германия этическая рамка для автономных автомобилей создает прецеденты для правил принятия решений.

Даже по мере зрелости формальных стандартов компании будут внедрять собственные слои тестирования для дифференциации. Открытая, адаптируемая тестовая инфраструктура даст инженерам гибкость для включения новых нормативных требований и внутренних целей безопасности.

Автор блога: Джеффилл Пиллипс, руководитель автомобильного маркетинга, National Instruments