Een betere intelligentietest voor autonome rijsystemen

In 2015 vermoedde Elon Musk dat de industrie tegen 2018 volledig autonome voertuigen zou moeten verwachten, maar dat is nooit gebeurd. In 2014 beloofde Nissan tegen 2020 meerdere commercieel levensvatbare zelfrijdende auto’s op de markt. Hoewel de COVID-19-pandemie de situatie niet hielp, is dit weer een belofte die niet is waargemaakt. Waarom moeten autofabrikanten de doelpalen blijven verplaatsen op zelfrijdende voertuigen? Volgens een recent gepubliceerd onderzoekspaper in Nature Communications door het Center for Connected and Automated Transportation (CCAT), een van de obstakels die de ontwikkeling van autonome voertuigen hebben belemmerd, komt neer op een ernstige inefficiëntie in de manier waarop autonome voertuigtests en evaluaties worden uitgevoerd.

Het geroezemoes rond autonome voertuigen (AV’s) is veelzijdig, maar kan vooral worden toegeschreven aan een verwachte afname van het aantal verkeersdoden en de mogelijkheid om betere toegang tot onderwijs, gezondheidszorg en werkgelegenheid te bieden aan achtergestelde gemeenschappen. Voor een brede acceptatie moet de technologie voor autonoom rijden veilig worden bewezen door een reeks rigoureuze tests te ondergaan om de intelligentie ervan te evalueren in vergelijking met een menselijke bestuurder. Helaas is er geen standaardtest bekend om de gereedheid van een AV te beoordelen. Momenteel combineert state-of-the-art testen softwaresimulatie, testen op gesloten wegen en testen op de weg.

Het probleem met de meeste beschikbare simulatiesoftware en testtracks is dat interessante gebeurtenissen, waaronder ongevallen, zelden voorkomen. Systemen kunnen dus honderden miljoenen (soms miljarden) gereden kilometers vergen om de veiligheidsprestaties aan te tonen. Tot op heden heeft Waymo in totaal slechts 15 miljard mijl gesimuleerd. Scenario-gebaseerde tests zijn in de praktijk gebruikt, waar hoekcases worden ontworpen door veiligheidsexperts of verzameld uit tests op de weg en worden afgespeeld om de respons van een AV te onderzoeken. Deze scenario’s zijn echter verschillend en onmogelijk op te noemen. Meestal gaat het om eenvoudige manoeuvres, een klein aantal voertuigen en korte rijtijden. Het werk uitgevoerd door Dr. Liu en zijn team is gericht op het construeren van een naturalistische en vijandige rijomgeving (NADE), in de hoop de bovenstaande obstakels te overwinnen en de efficiëntie van tests / evaluaties op gesloten circuit en simulatie te verbeteren.

Dr. Henry Liu, hoogleraar civiele techniek en milieutechniek aan de Universiteit van Michigan, construeerde een gesimuleerde rijomgeving met behulp van grootschalige, natuurlijke rijgegevens die werden verzameld door het University of Michigan Transportation Research Institute (UMTRI). Door achtergrondvoertuigen te trainen om te leren wanneer bepaalde vijandige manoeuvres moeten worden uitgevoerd, terwijl tegelijkertijd het grootste deel van de rijomgeving natuurlijk blijft, elimineert de nieuw voorgestelde testmethode vooringenomenheid en verbetert de efficiëntie.

In tegenstelling tot op scenario’s gebaseerde benaderingen, is NADE continu, waardoor een ononderbroken interactie tussen AV’s en meerdere achtergrondvoertuigen mogelijk is. Als een onderzoeker bijvoorbeeld zijn voertuig in een stedelijke omgeving wil testen, zou deze aanpak de testende AV in staat stellen continu te rijden en tegenstrijdige scenario’s te ervaren, waaronder inschakelingen en hard remmen met hogere snelheden. De resultaten laten zien dat deze omgeving de inefficiëntie van de momenteel beschikbare opties met meerdere ordes van grootte elimineert. Verwacht wordt dat deze aanpak de inzet van zelfrijdende voertuigen kan versnellen.

De in dit artikel voorgestelde methodologie, samen met Dr. Liu’s augmented reality-testomgeving, zal in 2021 worden geïmplementeerd in het American Center for Mobility (ACM). Het American Center for Mobility, opgericht in 2016, is een smart city-testcentrum op meer dan 500 hectare op de historische Willow Run-site in Ypsilanti, MI. ACM is een samenwerkingsverband dat bestaat uit de overheid, het bedrijfsleven en academische organisaties die zich richten op het versnellen van de mobiliteitsindustrie door middel van onderzoek, testen, ontwikkeling van normen en educatieve programmering. Deze samenwerking heeft tot doel van Zuidoost-Michigan de locatie bij uitstek te maken voor het testen en valideren van autonome voertuigen.

“Een mijl rijden bij ACM met behulp van augmented reality-simulatie met NADE bovenop onze baan zou gelijk kunnen zijn aan honderden of duizenden kilometers openbare weg, wat leidt tot drastisch lagere totale kosten en doorlooptijden om AV’s te valideren in een veiligere, gecontroleerde, herhaalbare testomgeving. ACM beschouwt dit als een belangrijke bron van productontwikkeling en een enabler voor AV-ontwikkelaars ”, aldus president en CEO van ACM, Reuben Sarkar.