Op een maandagochtend in januari van dit jaar stapte een man in zijn Tesla sedan, reed op een snelweg buiten Los Angeles, en schakelde de semi-autonome "Autopilot" -modus van het voertuig in. De auto jongleerde met input van 8 camera's, 12 ultrasone sensoren en één radar om op de snelweg te navigeren, andere voertuigen vermijden en binnen de stippellijnen blijven. Vervolgens, het ploegde recht in de achterkant van een gestopte brandweerwagen.

Autonome voertuigtechnologie wordt vaak geprezen om zijn vermogen om uiteindelijk de wegen veiliger te maken - en met goede reden. Maar situaties zoals hierboven beschreven tonen aan dat zelfs de semi-autonome voertuigen van vandaag een aantal serieuze problemen moeten oplossen. Gelukkig, onderzoekers zoals Xin Li werken er hard aan om enkele van de meest fundamentele problemen op te lossen waarmee zelfrijdende autotechnologie momenteel wordt geconfronteerd, om uiteindelijk het aantal doden door motorvoertuigen te verminderen.

"Een paar jaar geleden begon ik met een paar autobedrijven in de VS te praten over de problemen die ze hadden met zelfrijdende auto's, " zegt Li, een professor in de afdeling Electrical &Computer Engineering aan zowel Duke als Duke Kunshan University. Vanwege zijn dubbele benoeming, Li brengt veel tijd door in China, waar hij het gesprek over zelfrijdende auto's met Chinese autofabrikanten heeft voortgezet.

Li zegt dat er momenteel twee belangrijke problemen zijn die volledig autonoom rijden in de weg staan:het verificatieprobleem en het integratieprobleem.

Het verificatieprobleem komt neer op het volgende dilemma:om te bewijzen dat iets veilig is, je moet eerst leren welke omstandigheden ervoor zorgen dat het mislukt. "Als u uw klant vraagt ​​om met een zelfrijdende auto op de weg te rijden, het percentage mislukkingen moet zeer, heel klein, " zegt Li. Uitzoeken hoe dat tarief te berekenen - en, door verlenging, hoe die fouten vervolgens te corrigeren - is een centrale onderzoeksvraag voor Li geworden.

Dus hoe bereken je het uitvalpercentage? Een oplossing is om de zelfrijdende auto gewoon door een gebied te laten navigeren totdat hij een fout maakt - niet stoppen bij een stopbord, bijvoorbeeld. Maar de meeste van deze storingen gebeuren onder zeer zeldzame omstandigheden die 'hoekgevallen' worden genoemd (denk aan een rotsblok dat op een bergweg valt), wat betekent dat deze aanpak een onbetaalbare hoeveelheid tijd zou kosten.

"Het is moeilijk om alle mogelijke scenario's in alle hoekgevallen fysiek te observeren, dus we dachten, 'waarom gebruiken we geen computer en vragen we de computer om synthetisch deze mogelijke gevallen te genereren?'", zegt Li. In plaats van te wachten op een auto op de weg om elke bizarre samenloop van weer en grillige stuurprogramma's te ontdekken die ervoor zorgen dat het systeem een stoplicht verkeerd gelezen, De unieke aanpak van Li's team creëert deze scenario's met behulp van intelligente computerprogramma's. Deze programma's gebruiken statistische modellen en algoritmen om synthetische situaties te genereren voor het autonome systeem om te navigeren.

In een recent artikel gepubliceerd in het novembernummer van Computer-Aided Design, zijn team toonde aan dat hoge temperaturen en verouderde circuits de beelden kunnen verslechteren die worden verzameld door de camera's van een zelfrijdende auto. Het team gebruikte een machine learning-techniek genaamd Cycle-Consistent Generative Adversarial Networks om synthetische beeldgegevens te genereren alsof deze bij hoge temperatuur of met behulp van oude circuits waren verzameld. Toen ze die gedegradeerde beelden in het autonome systeem voedden, het worstelde om stopborden goed te identificeren. Door synthetische faalgevallen als deze te creëren, Li's onderzoek stelt autofabrikanten in staat om nauwkeuriger te verifiëren hoe vaak en, belangrijker, onder welke scenario's een systeem zou kunnen falen. Li werkt vervolgens samen met zijn collega's in de industrie om deze nieuwe technologie te implementeren in hardware en software die autonome voertuigen veiliger maakt.

Helaas, hoe meer componenten aan een autonoom voertuig worden toegevoegd, hoe groter de kans dat er iets mis gaat. Dit is het paradigma van de tweede hindernis voor autonome voertuigen:het integratieprobleem. Zelfrijdende auto's moeten allerlei gecompliceerde systemen naadloos combineren - van modules voor het vermijden van botsingen tot stoplichtdetectie - en dat alles terwijl ze door een omgeving navigeren met een snelheid van 60 mijl per uur. Uitzoeken hoe je ervoor kunt zorgen dat componenten snel en effectief samenwerken, vormt de volgende fase in Li's onderzoek.

"Eerlijk gezegd, het is een heel moeilijk probleem en we hebben nog geen goede oplossing, " zegt Li, hoewel hij hoopvol is dat het ontwikkelen van een meer gecentraliseerd computersysteem voor de auto een lange weg zou kunnen gaan naar de integratie van de functionaliteit van het voertuig.

Li zegt dat er ook een fundamenteler probleem is op het gebied van de ontwikkeling van zelfrijdende auto's:onderwijs. Terwijl conventioneel voertuigontwerp het domein is van mechanische ingenieurs, het bouwen van autonome voertuigen vereist een brede expertise op het gebied van kunstmatige intelligentie, softwareontwerp en systeemengineering. Om de problemen van morgen het hoofd te bieden, is een nieuwe interdisciplinaire benadering nodig. "Ik denk dat het heel belangrijk is voor een onderwijsinstelling als Duke om studenten met de juiste achtergrond op te leiden, zodat ze zich kunnen bezighouden met deze opkomende gebieden wanneer ze afstuderen, " zegt Li.

Fundamenteel onderzoek doen naar zelfrijdende auto's heeft ongelooflijk veel op het spel. "Als de industrie mijn oplossing overneemt, Ik heb wel de verantwoordelijkheid om ervoor te zorgen dat dit gaat werken... Als er een fout is, kunnen mensen gedood worden, " zegt Li. Tegelijkertijd, werken aan enkele van de grootste vragen in de ontwikkeling van zelfrijdende auto's is een ongelooflijke kans. "Op dit moment is autonoom rijden een opkomend veld met veel openstaande problemen. Dit maakt het een zeer opwindende tijd voor academische mensen zoals ik, " zegt Li.