Veiligheidsvalidatie van geautomatiseerd rijden
De toekomst van geautomatiseerd rijden is afhankelijk van een robuuste veiligheidsvalidatie van voertuigen. Betrouwbare veiligheidsbeoordelingen zijn cruciaal voordat geautomatiseerde voertuigen worden vrijgegeven en ingezet op de openbare weg.
Huidige uitdagingen
De technologie voor geautomatiseerd rijden is aanzienlijk verbeterd en omvat geavanceerde sensoren, AI en andere technologieën om complexe rijsituaties aan te kunnen. De belangrijkste uitdaging blijft echter om te bewijzen dat deze complexe systemen te allen tijde veilig kunnen interacteren met hun omgeving. Dit is een van de belangrijkste uitdagingen bij het beoordelen van de veiligheid, wat niet kan worden opgedaan met rijtests in de echte wereld.
Het gebruik van AI-componenten vormt een specifieke uitdaging bij de veiligheidsbeoordeling. Neurale netwerken, vaak volledige black box-functies, geven geen mogelijkheid om te redeneren over hun correctheid. Deze technologie wordt voornamelijk toegepast in de perceptie functie van zelfrijdende voertuigen, die een zeer groot aantal scènevariaties moeten kunnen verwerken. De combinatie van beiden maakt het nog complexer om de veiligheid en betrouwbaarheid te garanderen.
Naast de technische uitdagingen vormt de naleving van regelgeving en normen een andere hindernis. Regelgeving en normen voor geautomatiseerd rijden worden vaak beschouwd als "open normen", zonder overeengekomen interpretaties of praktische implementaties. Deze onzekerheid creëert uitdagingen voor zowel de industrie als regelgevers.
Onze visie
Voor een uitgebreide veiligheidsbeoordeling is het cruciaal om risico's te ontleden volgens hun oorzaak. Door kennis over het systeem en zijn architectuur te combineren met praktijkdata en simulaties, kunnen we de kwantitatieve bijdrage van verschillende risicobronnen aan het totale veiligheidsrisico inschatten. Deze aanpak is essentieel om te bepalen of aan de veiligheidseisen wordt voldaan met redelijke inspanningen en binnen een redelijke termijn..
TNO's grondige en systematische aanpak berust op extrapolatie van normen voor functionele veiligheid (ISO 26262) en SOTIF (ISO/DIS 21448:2021) of regelgeving zoals R157 ALKS met als doel praktisch toepasbare interpretaties van deze normen en regelgeving te bieden. Onze wetenschappelijk onderbouwde methodologieën bieden een basis voor veiligheidsbeoordelingen door voertuigfabrikanten en voor wettelijke type goedkeuring.
Onze oplossingen
TNO StreetWise is een geavanceerde methode voor het vastleggen en beschrijven van werkelijke rijomstandigheden en hun variaties. Het gebruikt deze gegevens om een scenariodatabase op te bouwen die scenario gebaseerd testen en valideren van geautomatiseerde rijsystemen mogelijk maakt. Door gebruik te maken van rijdata van openbare wegen voor het identificeren van scenario's en het genereren van testcases, zorgt StreetWise ervoor dat virtuele testscenario's nauw aansluiten bij de werkelijke rijomstandigheden. Deze aanpak is essentieel voor het garanderen van veilige geautomatiseerde rijtechnologie en het kwantificeren van veiligheidsrisico's.
De laatste grote uitdaging bij automatisch rijden is de veiligheidsbeoordeling. Hoe kunnen we betrouwbaar bepalen of een voertuig dat veilig kan omgaan met specifieke situaties ook veilig is in bijna elke andere situatie? De integratie van AI vergroot het belang en de uitdaging van veiligheidsbeoordeling vanwege de ondoorzichtige aard van AI componenten. Hierdoor zijn traditionele ontwerp- en beoordelingsmethodes niet langer toepasbaar op systemen met AI componenten.
Met behulp van haar expertise op het gebied van systeem- en veiligheidsengineering zet TNO zich in voor de ontwikkeling van probabilistische modellen voor het beoordelen van de doelmatigheid van een AI-gebaseerd systeem. Onze unieke aanpak stelt ons in staat om te beoordelen of AI in staat is om doelmatig te presteren in een open omgeving. Daarnaast wordt beoordeeld of het tijdens de levensduur nog steeds kan omgaan met veranderende eisen en omgevingen, of dat updates nodig zijn. Gezien de afhankelijkheid van de auto-industrie van machine learning voor het herkennen van de verkeerssituatie, is het urgent om oplossingen voor deze uitdaging te vinden.
Onze inspanningen ten behoeve van betrouwbare AI-gebaseerde systemen berusten op drie belangrijke pijlers: Ontwerp (architectonisch ontwerp en beheer van datakwaliteit), verificatie en validatie (op scenario's gebaseerde validatie) en onderhoud van algoritmes met behulp van diagnostiek. Deze uitgebreide aanpak garandeert de betrouwbaarheid van AI-systemen gedurende hun hele levenscyclus.
Als onderliggende methodologie bouwt TNO een gedetailleerd probabilistisch model om de prestaties te beoordelen van geautomatiseerde rijsystemen. Dit model is gebaseerd op analyse van praktijkdata in combinatie met een diepgaand inzicht in de architectuur van het systeem.