Solo con l’adozione di sistemi ridondanti e con la fusione dei sensori l’auto autonoma sarà sicura ed affidabile. La sicurezza si riferisce alla capacità di un veicolo autonomo di prendere decisioni corrette mentre si muove nel traffico. Ciò significa che deve essere in grado di reagire a situazioni impreviste, come ostacoli sulla strada o comportamenti errati da parte di terzi. Implica anche che il sistema non dovrebbe mai fare errori gravi, che potrebbero mettere in pericolo i passeggeri o i terzi. Ora, tante case automobilistiche stanno investendo in sistemi avanzati di assistenza alla guida (Adas): si pensi a Tesla con Autopilot, a Bmw con Driving Assistant Plus, a Mercedes con Drive Pilot, ad Audi con AI Traffic Jam Pilot, a Volvo con Pilot Assist, a Toyota con Safety Sense, a General Motors con Super Cruise, a Ford con Co-Pilot360, a Hyundai con SmartSense, e a Nissan con Pro PilotAssist. Ma la guida autonoma è un’altra cosa: occorre un’evoluzione importante.
I sistemi ridondanti utilizzano più sensori, come fotocamere, radar e Lidar, per monitorare l’ambiente circostante. Se uno dei sensori fallisce, gli altri possono compensare, garantendo che il veicolo continui a operare in sicurezza. La fusione dei sensori consiste nel combinare in modo intelligente i dati raccolti da questi sensori per migliorare la precisione delle decisioni del veicolo. Questi sistemi aumentano la sicurezza dell’auto autonoma perché riducono il rischio di errori gravi o malfunzionamenti, assicurando che il veicolo possa reagire in modo affidabile anche in situazioni critiche, come guasti o condizioni stradali difficili.
Un sistema di guida autonoma deve essere anche utile, ovvero capace di funzionare in una vasta gamma di situazioni e in diversi contesti geografici. Non sarebbe realistico o vantaggioso sviluppare un’auto che possa operare solo in condizioni ideali, come su strade perfettamente asfaltate e senza traffico o in climi sempre favorevoli. Per promuovere l’utilità dei veicoli autonomi, è fondamentale estendere la loro capacità operativa in una varietà di condizioni stradali e climatiche, rendere il sistema scalabile in modo che possa essere implementato su larga scala senza significative modifiche, e garantire che sia economicamente accessibile anche per veicoli di fascia media o inferiore.
Oltre alle case automobilistiche, sono impegnate sul campo anche aziende di settori diversi, come Continental, realtà che inizialmente si occupava di pneumatici e che nel tempo si è evoluta diventando un attore chiave nello sviluppo di tecnologie avanzate per veicoli. O come Infineon, un’azienda leader nel settore dei semiconduttori, specializzata nella produzione di chip e componenti elettronici che sono essenziali per il funzionamento dei veicoli autonomi. O ancora Elektrobit, società specializzata nello sviluppo di software per l’industria automobilistica, con particolare attenzione ai Software-Defined Vehicles (Sdv).
L’articolo trae spunto dagli interventi del cto di Mobileye (società che si occupa di soluzioni per la mobilità, anche autonoma) Shai Shalev-Shwartz e del cto e vicepresidente di Nxp Semiconductors, Lars Reger; nonché da quelli di Nicolai Setzer, ceo di Continental; di Wolfgang Thieme, director product management system and cloud solutions di Elekrobit; e di Thomas Schneid e Jürgen Schäfer, rispettivamente senior director software, partnership & ecosystem management e senior principal engineer architecture & application di Infineon. Discorsi resi durante il “The Autonomous Main Event” tenuto a Vienna qualche giorno fa.
Kellner ha fatto riferimento sia a indagini globali condotte da McKinsey che ai risultati di un workshop svolto a Vienna con esperti di settore, denominato “How to Make Money with Adas? – The Way to (Higher) Profitability”. The Autonomous è una comunità globale, avviata dall’azienda di soluzioni software e hardware per Adas TTTech Auto, che si propone di plasmare il futuro della mobilità autonoma sicura. Con un approccio di piattaforma aperta, l’obiettivo di The Autonomous è costruire un ecosistema che riunisca tutti gli attori coinvolti nello sviluppo della mobilità autonoma sicura, permettendo loro di collaborare e generare competenze condivise. L’head of The Autonomous è Philip Schreiner; il chairman è Ricky Hudi. La scelta di Vienna non è casuale: lì è operativa L’Aba – Austrian Business Agency, l’agenzia governativa ufficiale dell’Austria dedicata alla promozione degli investimenti esteri e al supporto delle aziende straniere che desiderano stabilire una presenza nel paese. È molto impegnata sul fronte dei software design vehicle.
I quattro principi di design per un sistema di guida autonoma sicuro
Sono quattro i principi fondamentali che devono essere rispettati durante lo sviluppo e la progettazione dei veicoli autonomi. Per Shai Shalev-Shwartz «servono a ridurre al minimo i rischi e a creare un sistema che possa operare con il massimo livello di sicurezza anche nelle situazioni più complesse».
Il primo è “non fare errori di giudizio”. Un veicolo autonomo deve essere in grado di prendere decisioni logiche e sicure in ogni situazione. Questo significa che non deve mai eseguire manovre pericolose o insensate, come attraversare un incrocio senza fermarsi quando il semaforo è rosso, o effettuare sorpassi rischiosi in condizioni in cui la visibilità è ridotta. L’obiettivo è quello di programmare il sistema in modo che non prenda mai decisioni che potrebbero mettere in pericolo i passeggeri o gli altri utenti della strada. Ogni azione deve essere attentamente valutata per garantire che sia conforme alle regole della strada e sicura in quel contesto specifico.
Il secondo è “essere robusto ai guasti”. Un sistema di guida autonoma deve essere progettato in modo tale che, anche in caso di guasto di uno o più componenti, il veicolo continui a funzionare in sicurezza. Ad esempio, se un sensore smette di funzionare mentre il veicolo è in autostrada, il sistema deve essere in grado di rilevare immediatamente il problema e attivare delle misure di riserva. Potrebbe, ad esempio, affidarsi ad altri sensori funzionanti per continuare a monitorare l’ambiente circostante.
Il terzo è “evitare errori ripetibili”. Se il sistema commette un errore in una situazione, non deve ripeterlo ogni volta che si ripresenta una situazione simile. Ad esempio, se un veicolo autonomo non riconosce correttamente un segnale stradale in una determinata area, il sistema deve essere in grado di apprendere dall’errore e correggerlo. Questo significa che, in futuro, il veicolo dovrà essere in grado di riconoscere correttamente quel segnale e comportarsi di conseguenza. L’eliminazione di errori ripetibili è essenziale per garantire che il sistema diventi sempre più sicuro e preciso con l’uso e l’apprendimento continuo.
Il quarto è “minimizzare il tempo tra i guasti”. Anche se ci sono errori che non possono essere completamente evitati, questi devono essere così rari da non compromettere la sicurezza complessiva del sistema. L’obiettivo è ridurre il più possibile la frequenza dei guasti, rendendoli eventi eccezionalmente rari. In pratica, il sistema deve essere progettato in modo che il tempo tra un guasto e l’altro sia estremamente lungo, garantendo così che la maggior parte delle operazioni si svolga senza problemi.
Errori ripetibili e non ripetibili nei sistemi di guida autonoma
Gli errori ripetibili sono quelli che si verificano ogni volta che il sistema si trova di fronte a una determinata situazione. Un esempio tipico potrebbe essere un veicolo autonomo che non riesce a riconoscere costantemente un particolare tipo di segnale stradale, come un segnale di stop o un cartello di limite di velocità in un’area specifica. Questo tipo di errore è particolarmente problematico perché indica che il sistema fallisce in modo prevedibile e costante in una determinata situazione. Un errore di questo tipo è inaccettabile per un sistema di guida autonoma, poiché mina la fiducia nella sua capacità di operare in sicurezza. Eliminare gli errori ripetibili è quindi essenziale per garantire che il sistema diventi progressivamente più sicuro e preciso, imparando dai propri errori e correggendosi costantemente.
Dall’altra parte ci sono gli errori non ripetibili, noti anche come “cigni neri“. Per Shai Shalev-Shwartz «questi errori sono molto più rari e difficili da prevedere, poiché si verificano solo in circostanze particolari o eccezionali». Un esempio potrebbe essere un sensore che smette di funzionare correttamente solo in presenza di condizioni meteorologiche molto specifiche, come una particolare combinazione di luce solare riflessa e nebbia, che confonde il sensore stesso. Questi errori non sono facilmente riproducibili e possono manifestarsi solo in contesti molto rari, rendendoli difficili da identificare e correggere durante la fase di test del sistema. Tuttavia, sebbene sia quasi impossibile eliminare completamente questo tipo di errori, l’obiettivo degli sviluppatori è ridurre al minimo la loro probabilità di accadimento. Ciò significa che il sistema deve essere progettato in modo tale che questi errori si verifichino così raramente da non compromettere la sicurezza complessiva del veicolo.
La ridondanza e la fusione dei sensori
Si accennava al fatto che un elemento fondamentale per migliorare la sicurezza e l’affidabilità dei sistemi autonomi è la ridondanza. Il principio alla base di questa strategia è semplice: se uno dei sensori dovesse guastarsi o smettere di funzionare correttamente, gli altri possono intervenire per compensare l’errore. Ad esempio, è possibile utilizzare contemporaneamente fotocamere, radar e Lidar. Ognuno di questi sensori ha caratteristiche uniche, e insieme formano un sistema più robusto. Se uno di essi smette di funzionare, come potrebbe succedere in condizioni climatiche avverse o per un guasto tecnico, gli altri due possono comunque continuare a rilevare ostacoli, segnali stradali e altri elementi dell’ambiente, mantenendo il veicolo autonomo operativo e sicuro.
Come si diceva, molto rilevante è anche la strategia chiamata fusione intelligente dei sensori. Per Shai Shalev-Shwartz «questo approccio prevede di combinare i dati raccolti da diversi sensori in modo coordinato e intelligente, così da garantire che il sistema prenda decisioni basate sulle informazioni più accurate e complete disponibili. Invece di affidarsi a un solo sensore per determinare, ad esempio, la distanza di un ostacolo, la fusione dei sensori consente al sistema di elaborare e integrare i dati da più fonti, migliorando la precisione e riducendo il rischio di errori».
Per Schwartz un metodo di fusione avanzato va definito Primary, Guardian, Fallback (Pgf): che introduce tre livelli di controllo per assicurarsi che il sistema funzioni correttamente anche in presenza di guasti o malfunzionamenti.
Quanto al Primary (Primario), il sistema principale responsabile di prendere le decisioni durante la guida. È questo il livello che guida effettivamente il veicolo e determina le azioni da compiere in base alle informazioni fornite dai sensori.
Quanto al Guardian (Guardiano), questo è il livello di controllo che verifica costantemente l’operato del sistema primario, assicurandosi che stia funzionando in modo corretto. Il guardiano interviene per monitorare eventuali errori o anomalie nel sistema primario.
Quanto al Fallback (Riserve), se il sistema primario dovesse fallire, entra in gioco il sistema di riserva, che prende il controllo per garantire che il veicolo continui a funzionare in sicurezza. Il sistema di fallback è pensato per gestire situazioni di emergenza o criticità, minimizzando i rischi anche in caso di guasto del sistema principale.
Questa combinazione di sensori ridondanti e di un sistema di controllo a più livelli assicura che ci siano sempre meccanismi di controllo e sicurezza attivi, riducendo al minimo la possibilità di errori fatali. L’approccio Pgf, infatti, offre una struttura robusta in cui ogni livello agisce come un ulteriore strato di protezione, garantendo che, anche se un componente del sistema fallisce, ci sia sempre una soluzione pronta a intervenire per mantenere il veicolo autonomo in condizioni di sicurezza.
L’uso complicato dell’intelligenza artificiale e dei modelli Gpt in questo contesto
Un altro aspetto fondamentale del discorso riguarda l’uso dell’intelligenza artificiale, in particolare dei modelli Gpt (Generative Pre-trained Transformers), per migliorare i sistemi di guida autonoma. Questi modelli Gpt, noti per la loro capacità di generare testi e riconoscere immagini, sono in grado di analizzare una vasta gamma di input provenienti da diverse fonti, come sensori, telecamere e radar. La loro capacità di elaborare informazioni complesse e di prendere decisioni basate su probabilità ha portato a una vera e propria rivoluzione nel campo dell’IA, perché consentono di gestire dati molto eterogenei in modo efficiente e con un alto grado di flessibilità.
Grazie ai modelli Gpt, i sistemi di IA possono fare previsioni e prendere decisioni con un approccio probabilistico, ovvero valutando quale sia la scelta più probabile e appropriata in una determinata situazione. Questo tipo di intelligenza ha già dimostrato di essere estremamente utile in molti campi, dall’elaborazione del linguaggio naturale alla classificazione delle immagini, e ha potenzialità enormi anche nell’ambito della guida autonoma. L’idea è che questi modelli possano aiutare i veicoli autonomi a interpretare meglio l’ambiente circostante, prendendo decisioni più rapide e accurate.
Tuttavia, vanno espresse alcune considerazioni critiche sull’intelligenza artificiale e sui limiti che questa tecnologia presenta nell’applicazione ai sistemi autonomi, in particolare per quanto riguarda la sicurezza e l’affidabilità
Un primo punto che da mettere in evidenza è la questione del tempo reale e dei riflessi veloci. Per Lars Reger «far funzionare correttamente un sistema autonomo, non è sufficiente disporre di un’IA avanzata come i modelli Gpt. La vera sfida risiede nella capacità di creare sistemi che funzionino in tempo reale, cioè in grado di rispondere immediatamente a situazioni critiche che possono presentarsi durante la guida». Questo tipo di risposta rapida richiede un livello di sicurezza estremamente elevato, che non può essere garantito unicamente dall’AI moderna. Infatti, è necessaria un’infrastruttura complessiva ben progettata, composta da hardware potente e software altamente affidabile, per supportare l’intelligenza artificiale in questi compiti.
In pratica si sollevano dubbi sulla capacità dell’IA attuale di gestire le esigenze di sicurezza e reattività richieste per questi sistemi. In altre parole, non è chiaro se la tecnologia AI oggi sia sufficientemente avanzata per far fronte alle necessità di prontezza e di risposta immediata in contesti critici.
Un altro punto importante riguarda la sicurezza dei sistemi. Per Lars Reger, «se i sistemi autonomi non sono intrinsecamente sicuri o sono vulnerabili agli attacchi hacker, non ci sarà alcuna possibilità di vedere veicoli autonomi adottati su larga scala». Perché questi dispositivi possano essere diffusi e accettati, devono essere sicuri e protetti contro eventuali manomissioni o intrusioni esterne. In questo senso, l’AI da sola non può garantire la sicurezza totale di questi sistemi. Reger avverte che, sebbene l’IA sia uno strumento potente, non è sufficiente per affrontare tutte le sfide legate alla protezione dei sistemi robotici e autonomi.
Si fa poi riferimento alle architetture intelligenti che devono sostenere l’AI. Per Lars Reger «sebbene i modelli Gpt e altre IA rappresentino una grande innovazione, non sono l’unico elemento necessario per far funzionare correttamente robot o veicoli autonomi». Oltre all’IA, serve una solida architettura di supporto, che comprenda hardware sicuro e affidabile, e un software capace di gestire i vari compiti richiesti dal sistema autonomo. Solo con un’integrazione di queste componenti sarà possibile raggiungere i livelli di affidabilità e sicurezza richiesti per un funzionamento senza problemi.
Il dubbio che si esprime a questo proposito è che affidarsi esclusivamente all’IA non sia una strategia praticabile.
Come valutare l’utilità dei sistemi di guida autonoma
Per Shalev Schwartz ci sono tre fattori fondamentali per valutare l’utilità di un sistema autonomo, ciascuno cruciale per determinarne l’effettiva applicabilità su larga scala.
Il primo è la citata capacità operativa, nota come Odd (Operational Design Domain), che si riferisce all’ambito entro cui il veicolo autonomo può operare in sicurezza. Un sistema con un Odd limitato sarà in grado di funzionare solo in contesti specifici, come piccole città con poco traffico o in climi temperati. Tuttavia, per essere davvero utile, il veicolo deve avere un Odd ampio e versatile. Ciò significa che dovrebbe essere in grado di adattarsi a molteplici scenari, dalle strade trafficate dei centri urbani alle autostrade aperte, fino ai percorsi meno prevedibili delle zone rurali. Inoltre, dovrebbe sapersi comportare bene sia in condizioni climatiche favorevoli, sia durante eventi estremi come forti piogge o nebbia fitta. La capacità operativa amplia quindi il raggio d’azione del veicolo e lo rende funzionale in una gamma più ampia di situazioni reali.
Il secondo aspetto cruciale per l’utilità di un sistema autonomo è la citata scalabilità, ossia la capacità di essere implementato su larga scala senza richiedere modifiche sostanziali. Un sistema che funziona bene in un contesto specifico, ma che richiede adattamenti significativi per essere utilizzato in altre parti del mondo, risulta meno utile. Un buon sistema autonomo deve poter essere utilizzato in diversi paesi e su diverse tipologie di strade, senza richiedere troppe personalizzazioni o interventi tecnici. Questa scalabilità consente alle case automobilistiche di implementare il sistema su vari modelli di veicoli e di introdurlo in mercati internazionali senza ostacoli tecnici o economici significativi. La scalabilità, quindi, è un fattore essenziale per garantire che la tecnologia autonoma possa diffondersi globalmente.
Infine, l’ultimo fattore di valutazione dell’utilità è la menzionata convenienza economica. Un sistema autonomo che può essere installato solo su veicoli di lusso o che richiede costi di manutenzione elevati non sarà accessibile alla maggior parte delle persone, limitando la sua adozione. Per essere veramente utile e diffuso, un sistema autonomo deve essere accessibile anche su veicoli di fascia media o addirittura economica, offrendo un’opzione che sia alla portata del grande pubblico. Solo con un prezzo competitivo e accessibile, i veicoli autonomi potranno essere utilizzati su larga scala, e la tecnologia potrà davvero cambiare il panorama della mobilità.
La aziende impegnate sul campo
- Continental, sensori integrati in architetture collegate al Cloud
Come si diceva, Continental ha un ruolo centrale nel settore dei sistemi di assistenza alla guida avanzata (Adas) e dei veicoli autonomi grazie al suo contributo sia in ambito hardware che software. Oltre ai componenti fisici come sensori avanzati (fotocamere, radar, Lidar), Continental si concentra sull’integrazione tra questi e architetture software, collegando i veicoli al cloud per migliorare costantemente le funzionalità di guida autonoma.
Un elemento chiave per Continental è la sua strategia di collaborazione con altre aziende. In particolare, per Nicolai Setzer «la partnership con Aurora evidenzia l’importanza dell’intelligenza artificiale nello sviluppo di veicoli autonomi, specialmente nel trasporto merci autonomo. L’azienda ha anche creato una piattaforma chiamata Sdv (Software-Defined Vehicle), che separa lo sviluppo software dall’hardware, consentendo aggiornamenti continui senza interventi sui componenti fisici».
- Infineon, sicurezza e efficianza dell’IA
La menzionata Infineon si concentra sulla sicurezza e sull’efficienza dell’intelligenza artificiale (AI) incorporata nei sistemi di controllo e pianificazione. La sua posizione nella catena di fornitura per le tecnologie di guida autonoma è a livello hardware, ma ha sviluppato soluzioni che integrano IA e machine learning per migliorare le prestazioni dei veicoli autonomi.
Per Thomas Schneid e Jürgen Schäfer negli ultimi tre anni Infineon ha dimostrato che l’integrazione di approcci basati sull’intelligenza artificiale nei classici algoritmi di controllo e pianificazione migliora significativamente l’accuratezza del tracciamento e l’efficienza energetica. Un esempio concreto è l’incremento del 50% dell’accuratezza del tracciamento rispetto ai metodi tradizionali e un miglioramento del 10% dell’efficienza energetica attraverso l’uso di reinforcement learning. Inoltre, l’AI ha ridotto drasticamente la potenza di calcolo necessaria, fino a 100 volte meno rispetto ai metodi classici.
Infineon ha anche lavorato per garantire che i sistemi basati su AI possano essere sicuri. Ha sviluppato un processo di sviluppo che integra standard di sicurezza già esistenti, come l’Iso 26262 (sicurezza funzionale di hardware e software) e l’Iso 21448 (sicurezza delle funzionalità previsionali), con un nuovo standard, l’Iso 8800, specifico per la sicurezza dell’intelligenza artificiale.
Infineon ha già testato queste tecnologie su veicoli sperimentali, ma per portare questi sistemi a un livello più avanzato e applicarli in ambienti di traffico reali, cercano collaborazioni con partner che possano aiutarli a perfezionare la tecnologia e renderla pronta per la produzione di massa.
- Electrobit e Sdv
La menzionata Electrobit si concentra particolarmente sul concetto di Software-Defined Vehicle (Sdv), ossia veicoli definiti dal software. Durante il workshop, si è parlato dell’importanza dell’open source nel settore automotive, in particolare per facilitare l’integrazione di tecnologie avanzate e migliorare l’interazione tra il cloud e il veicolo, dal cockpit fino alla gestione dei sistemi.
Per Wolfgang Thieme Electrobit contribuisce attivamente con soluzioni software open source, gestendo sistemi complessi che includono l’uso di Linux e tecnologie come container orchestration per la gestione dei dati a bordo del veicolo. Il workshop ha evidenziato come l’open source sia un elemento chiave per l’evoluzione dei veicoli autonomi, pur riconoscendo alcune sfide, come la sicurezza e la gestione delle garanzie sui software open source. Un altro tema trattato è stato l’uso delle tecnologie cloud, che stanno diventando sempre più rilevanti nell’automotive. Queste tecnologie consentono di migliorare la capacità di aggiornamento e gestione dei veicoli, garantendo un progresso continuo nel campo degli Sdv.
