К 2021 году, по мере того как игроки продолжают соревноваться за определение «автономной безопасности», в автомобильной и технологической отрасли было потрачено более 60 миллиардов долларов и пройдены десятки миллионов миль. Между тем, на реальных дорогах 94% аварий остаются результатом человеческой ошибки, приводящей к 1,25 млн смертей на дорогах во всем мире в год. Чего не хватает при выявлении самых сложных проблем, стоящих за безопасностью автономных транспортных средств? Прочтите, чтобы узнать точку зрения Rydesafely и узнать, как наше решение персонализированного тестирования может помочь.

[Примечание. Мы сделали это намеренно нетехническим и легко читаемым. Свяжитесь с нами - [email protected] - чтобы глубже понять проблему]

Несколько лет назад все говорили, что беспилотные автомобили «неизбежны». Тем не менее, наступил 2021 год, и мы по-прежнему не видим, чтобы они проносились мимо наших домов.

После громких аварий и несчастных случаев в 2018 году отрасль перенаправила инвестиции, а именно около 20 миллиардов долларов, на проверку безопасности своих программных систем для автономного вождения.

Однако эту дорогостоящую загадку еще никто не разгадал.

Что сдерживает автономные системы на дорогах?

Проще говоря, автономные автомобили становятся «умными» благодаря лежащему в их основе программному обеспечению машинного обучения и моделям нейронных сетей. К сожалению, это черные ящики. Не вдаваясь в технические подробности, это просто означает, что понимание того, что они узнали и где сломаются, не решено. Это имеет огромные финансовые и финансовые последствия для всей отрасли.

Промышленность ответила тупым тестированием бесконечного пробега в стандартизированных сценариях в своего рода «гонке за безопасностью расходов». Waymo потратила 20 миллионов миль на дорогу и более миллиарда долларов к 2021 году. Cruise также имеет 2 миллиона миль в пути, и каждый традиционный производитель автомобилей участвует в этом, но в той или иной степени. К сожалению, эти тупые универсальные мили и доллары не приближают нас к действительно масштабируемым автономным решениям безопасности.

Приведенное ниже известное исследование показывает, что нам нужно будет проехать миллиарды - или даже сотни миллиардов миль - за десятилетия, чтобы эти текущие методы тестирования пробега подтвердили надежность автономной системы. Ежегодно из-за человеческой ошибки погибает 1,25 миллиона человек и ежегодно тратится 5–10 миллиардов долларов на автономное развитие, поэтому мы просто не можем позволить себе это время или расходы.

Короче говоря, универсальный и бесконечный тестовый пробег не работает. Чтобы использовать эти системы на дорогах, нам необходимо индивидуальное тестирование имеющейся системы.

Уходя от бесконечных тестовых миль

Но кто может персонализировать тестирование безопасности?

Наши взаимодействия с политическими партнерами показывают, что в настоящее время отдельным компаниям предоставляется возможность определять конкретные сценарии безопасности. Стандарты политики и другие документы, такие как ISO / PAS 21448, SOTIF и UL600, дают руководящие принципы, но - в зависимости от географического положения - отрасль, как правило, берет на себя инициативу посредством публичной добровольной самооценки (VSSA) или исторической отчетности (Калифорнийские отступления ниже).

Этот отраслевой подход отчасти имеет смысл с точки зрения конфиденциальности и технической точки зрения, поскольку интеллектуальная собственность имеет решающее значение для автономных разработчиков. Кроме того, у правительств, похоже, нет ни желания - ни технических возможностей - писать персонализированные тесты, специфичные для нейронных сетей, доставляемых на дорогах.

Но могут ли сами наши поставщики технологий или автомобилей безопасно определять автономную безопасность для своих собственных систем?

Несомненно, отдельные отраслевые провайдеры проделывают потрясающую работу по автономной разработке. Однако они терпят неудачу в последнем, самом тяжелом и узком рабочем потоке «персонализированной» безопасности для своей конкретной системы. Это потому что:

  1. Им также приходится иметь дело со всеми другими рабочими потоками разработки, от разработки программного обеспечения, моделирования машинного обучения (восприятие, прогнозирование, планирование траектории до выполнения) до датчиков и даже иногда аппаратного обеспечения транспортного средства.
  2. Кроме того, у них есть доступ только к их собственным разрозненным данным или любым смоделированным данным, которые они могут придумать для виртуального и бесконечного генерирования. Им не хватает какой-либо межотраслевой точки зрения.
  3. Они, естественно, придерживаются некоторой предвзятости в своем собственном определении безопасности как отдельного игрока, имеющего финансовую и репутационную заинтересованность в автономной доставке.

Авиационные аналогии со сторонними испытаниями безопасности

В авиационной отрасли существует общепринятое мнение, что авария одного поставщика наносит ущерб репутации и чистой прибыли каждого. Таким образом, в случае авиационного происшествия - или высокого риска авиационного происшествия - этот риск анализируется и отслеживается всеми поставщиками через сторонние агентства.

Мы считаем, что то же самое должно относиться и к автомобильному сектору, и представители отрасли, по всей видимости, с нами согласны.

После аварий с автономными транспортными средствами в 2018 году ряд новых стартапов вышли на рынок с программным обеспечением для внешней проверки безопасности, при этом все еще защищая интеллектуальную собственность автомобильных игроков. Игроки в этом пространстве (полное раскрытие - наши конкуренты) попадают в три ведра.

Короче говоря, все эти игроки хотят стандартизировать безопасность для всей автономной автомобильной промышленности. В Rydesafely мы не думаем, что это возможный или правильный способ вывести автомобили на дорогу.

Важность персонализации сценариев тестирования

Аварии Uber в 2018 году и автопилот Tesla имели совершенно разные параметры сценария: от агента (пешеход, толкающий байк против проезжающего боком грузовика) до варианта использования (городское вождение или вождение по шоссе) и времени суток (ночное время или . дневное время), до угла (прямо впереди по сравнению с ходьбой с правой стороны).

Мы считаем, что единственный способ решить самые сложные и бесшумные системные сбои - это персонализировать тестирование в соответствии с используемой моделью машинного обучения. Это подводит нас к Rydesafely.

Наша платформа - единственное решение для автоматической генерации персонализированного тестирования на основе сценариев для конкретных нейронных сетей, которые питают автономную систему.

Персонализация задач и сценариев безопасности для конкретной автономной системы меняет процесс тестирования и переводит отрасль от бесконечных пробегов (которые обходятся в миллиарды долларов за десятилетия) только к проверке пробелов в конкретной системе. Это приводит к повышению безопасности при 10-кратном ускорении доставки и при 10% стоимости.

Rydesafely: легко развертывается для масштабируемых систем

Итак, как работает Rydesafely. Мы расскажем об этом более подробно в нашем следующем сообщении в блоге, но вкратце:

  1. Мы развертываем приложение Rydesafely в виде докеров и локально, поэтому все данные остаются в единственном доступе клиента.
  2. Наша платформа принимает в качестве входных данных: i) автономные модели и программное обеспечение клиентов, которые они хотят протестировать; ii) необработанные наборы данных о транспортных средствах - не аннотированные людьми - обычно в виде записей с камер, а также датчиков лидара / радара.
  3. Затем в нашем первом продукте используется наш новый IP-адрес, чтобы автоматизировать и персонализировать обнаружение неисправностей, сравнивая эти тысячи часов необработанных данных о вождении с автономным программным обеспечением клиента. Это обеспечивает быстрые результаты обнаружения неисправностей - иногда называемые обнаружением крайних случаев - в одночасье и объединяет области, в которых программное обеспечение не удалось, для упрощения проверки и исправления командой инженеров.
  4. Но это еще не все. После того, как Rydesafely идентифицирует текущие уязвимости, мы создаем совершенно новые сценарии тестирования, основанные на этих уязвимостях. Эти сценарии создают реалистичные сцены в моделировании, гарантируя, что мы уловим потенциальные риски, которые еще не произошли в реальном мире. Благодаря гипер-таргетингу только на уязвимости, это позволяет избежать генерации общих сценариев и бесконечного пробега, предписанного нашими конкурентами для 10-кратной скорости развертывания.
  5. Наконец, мы также создаем сценарии и проверяем нашу работу, используя нашу межотраслевую проприетарную структуру данных. Этот актив может отслеживать внутренние отношения между объектами в мире, чтобы увидеть, где происходят типичные аварии или отказы. Проще говоря, это обеспечивает безопасность системы нашего клиента по сравнению с глобальными общедоступными и частными данными, а также обеспечивает ее соответствие государственной политике и стандартам. Это выталкивает наших клиентов из автомобильной отрасли далеко за пределы разрозненных данных, которые они собирают с собственных автомобилей.

Как это меняет правила игры?

Эта мантра подхода к тестированию «Персонализированная безопасность» позволит в 10 раз сократить время вывода на рынок для игроков автомобильной отрасли. Это также открывает дополнительные миллиардные рынки для полисов и страховщиков, желающих гарантировать риски на основе более надежных методов. Это может привести к тому, что их отрасли промышленности откажутся от исторических данных о происшествиях, а вместо этого начнут писать правила на случай непредвиденных ситуаций и даже отказов, которые не заметны человеческому глазу.

Мы надеемся, что теперь вы понимаете, насколько важен индивидуальный подход к тестированию. Если вы хотите быть в авангарде автономного развертывания и спасти эти многомиллиардные отрасли, свяжитесь с нами. Мы всегда рады поговорить с новыми талантами, клиентами и потенциальными инвесторами в мероприятиях.

Том Стюарт, соучредитель и генеральный директор Rydesafely, имеет опыт работы в стартапе Havn, Jaguar Land Rover и Samsung Electronics и любит создавать продукты для транспортных средств. Он и его команда новаторов используют персонализированное тестирование сценариев безопасности для выявления автономных неисправностей, а затем автоматически создают тесты и сценарии, чтобы помочь получить больше спасающих жизнь автономных систем в дороге. С ним можно связаться по адресу [email protected].