【摘要】 在制造自动驾驶汽车(AV)的竞赛中，安全至关重要，但有时却被忽视，例如最近发生的头条新闻事故。伊利诺伊大学香槟分校的研究人员正在使
在制造自动驾驶汽车(AV)的竞赛中，安全至关重要，但有时却被忽视，例如最近发生的头条新闻事故。伊利诺伊大学香槟分校的研究人员正在使用人工智能(AI)和机器学习来通过软件和硬件方面的进步来提高自主技术的安全性。
拉维·；艾耶尔(Ravi Iyer)表示：由于汽车电气和机械组件的复杂性，以及天气，路况，地形，交通模式和照明等外部条件的变化，使用AI来改进自动驾驶汽车非常困难。
正在取得进步，但是安全仍然是一个重大问题。
该小组开发了一个平台，使公司可以在复杂且不断变化的自主技术环境中更快，更经济地解决安全问题。他们正在与海湾地区的许多公司合作，包括三星，NVIDIA和许多初创公司。
计算机科学博士学位的候选人索拉布·；贾(Saurabh Jha)表示：我们看到拥有数百家初创企业和研究团队的行业和大学在利益相关者的范围内做出努力，并且正在应对我们团队中的一些挑战。 。解决这一挑战需要跨科学，技术和制造领域的多学科合作。
这项工作如此具有挑战性的原因之一是，AV是使用AI和机器学习来集成机械，电子和计算技术以制定实时驾驶决策的复杂系统。典型的AV是带轮的微型超级计算机。他们有50多个处理器和加速器，它们运行着超过1亿行代码，以支持计算机视觉，计划和其他机器学习任务。
不出所料，这些车辆的传感器和自动驾驶堆栈(计算软件和硬件)受到关注。当汽车以每小时70英里的速度在高速公路上行驶时，故障可能对驾驶员构成重大安全风险。
贾哈解释说：如果一辆普通汽车的驾驶员感觉到诸如车辆漂移或拉力之类的问题，驾驶员可以调整其行为并将车辆引导至安全的停车点。但是，在这种情况下，自动驾驶汽车的行为可能是无法预测的，除非对自动驾驶汽车进行明确的培训以解决此类问题。在现实世界中，这种情况的数量是无限的。
传统上，当人在计算机或智能手机上使用软件时遇到问题时，最常见的IT响应是关闭设备然后重新打开。但是，这种类型的修复方法不建议用于AV，因为每毫秒都会影响结果，并且响应缓慢会导致死亡。由于AV引起的各种事故，在过去几年中，此类基于AI的系统对安全性的关注增加了。
CSL和计算机科学研究生Subho Banerjee说：现行法规要求Uber和Waymo这样的公司在公共道路上对其车辆进行测试，并每年向加利福尼亚州DMV报告其车辆的安全性。我们想了解常见的安全问题，汽车的性能以及了解其设计水平的理想安全指标是什么。
该小组分析了2014-2017年提交的所有安全报告，涵盖了144辆自动驾驶汽车，累计行驶了1，116，605英里。他们发现，在相同里程行驶的情况下，人类驾驶汽车发生事故的可能性比自动驾驶汽车少4000倍。这意味着自主技术未能以惊人的速度适当地处理情况并脱离该技术，而常常依靠驾驶员来接管。
研究人员和公司在提高这些数字时遇到的问题是，直到自动驾驶汽车系统出现特定问题为止，很难训练该软件来克服该问题。
此外，仅在某些驾驶情况下，软件和硬件堆栈中的错误才显示为安全关键问题。换句话说，在高速公路或空旷/拥挤的人行道上的自动驾驶汽车上进行的测试可能是不够的，因为在软件/硬件故障下很少违反安全规定。
当确实发生错误时，错误发生在行驶了数十万英里之后。在数十万英里的范围内测试这些AV的工作需要大量的时间，金钱和精力，从而使该过程效率极低。该团队正在使用计算机仿真和人工智能来加快这一过程。
贾哈说：我们通过计算机仿真在自动驾驶汽车的软件和硬件堆栈中注入错误，然后收集自动驾驶汽车对这些问题的响应数据。与人类不同，当今的AI技术无法推理出在不同驾驶场景中可能发生的错误。因此，需要大量数据来指导软件面对软件或硬件问题采取正确的措施。
该研究小组目前正在构建技术和工具，以产生最大程度影响影音安全性的驾驶条件和问题。使用他们的技术，他们可以发现大量的安全关键情况，在这些情况下错误可能导致事故，而不必枚举道路上的所有可能性，从而节省了大量的时间和金钱。
在测试一种公开可用的视音频技术(来自百度的Apollo)时，该团队发现了500多个示例，说明该软件何时无法解决问题以及失败导致事故。诸如此类的结果使该小组的工作在业界受到关注。他们目前正在为他们的测试技术申请专利，并计划很快进行部署。理想情况下，研究人员希望公司使用这项新技术来模拟已发现的问题并在部署汽车之前解决问题。
NVIDIA架构研究副总裁Steve Keckler表示：自动驾驶汽车的安全性对其在市场和社会中的成功至关重要。我们希望由伊利诺伊州研究团队开发的技术将使工程师能够更轻松地以较低的成本开发更安全的汽车系统。NVIDIA对我们与伊利诺伊州的合作感到兴奋，并很高兴为他们的工作提供支持。