Forscher der University of Michigan haben eine neue Methode zum Testen von Autopiloten entwickelt, mit der Sie die Milliarden Kilometer Straßentests, die für die Zulassung zum Betrieb erforderlich sind, nicht bestehen können.
Der Prozess, der unter Verwendung von Daten aus mehr als 40 Millionen Kilometern in der realen Welt entwickelt wurde, kann den Zeitaufwand für die Bewertung von Roboterfahrzeugen in potenziell gefährlichen Situationen um 300.000 bis 100 Millionen Mal reduzieren. Forscher stellen fest, dass dies 99,9% der Zeit- und Testkosten einsparen kann.
Roger L. McCarthy, Professor für Maschinenbau an der Universität von Michigan, argumentiert, dass selbst die fortschrittlichsten und umfangreichsten Bemühungen, Autopilot-Autos heute zu testen, die Notwendigkeit einer gründlichen Prüfung von Autos nicht rechtfertigen. Anstelle eines integrierten Ansatzes, der alles auf einmal misst, zerlegt die neue Methode den Prozess in separate Komponenten, die in der Simulation erneut getestet werden können, und bietet automatisch gesteuerten Fahrzeugen komprimierte Sätze der schwierigsten Verkehrssituationen. Wenn Sie beispielsweise Daten über die Reaktion eines Robomobils auf ein unerwartetes Hindernis benötigen, sollten Sie sich auf diese Situation konzentrieren. Wie sich unbemannte Fahrzeuge in „langweiligen“ Momenten verhalten, kann auch durch statistische Analyse ermittelt werden.
Die Forscher geben einen einfachen Vergleich: Insgesamt 1,6 Tausend km (1.000 Meilen) von Tests entsprechen 482,8 Tausend Kilometern (161 Millionen km) in der realen Welt. Und obwohl 100 Millionen Meilen wie eine zu lange Strecke klingen, reicht das nicht aus. Damit Forscher genügend Daten erhalten, um die Sicherheit ohne Fahrer zu zertifizieren, sind komplexe und äußerst seltene Straßenszenarien erforderlich. Zum Beispiel passiert ein tödlicher Unfall nur einmal alle 100 Millionen Meilen.
Damit die Verbraucher zustimmen können, ohne Fahrer in ein Auto zu steigen, muss mit 80% iger Sicherheit nachgewiesen werden, dass es 90% sicherer ist als von Menschen gefahren. Dafür müssten Autos entweder in der realen Welt oder in einer Simulation 17,7 Millionen km (11 Millionen Meilen) zurücklegen. Selbst in einem Jahrzehnt von Tests rund um die Uhr unter typischen städtischen Bedingungen werden etwas mehr als 3 Millionen km (2 Millionen Meilen) getippt.
Darüber hinaus erfordern vollautomatische Fahrzeuge eine völlig andere Art von Test als die heutigen Autos. Auch die Fragen der Forscher sind komplizierter. Anstatt herauszufinden, was bei einem Unfall passiert, sollten sie bestimmen, wie erfolgreich Autos das Auftreten verhindern können.
Wissenschaftler haben eine Analogie zum Testen eines Autos mit einem Arzttermin gezogen. Testmethoden für Autos mit menschlicher Kontrolle - dies misst den Blutdruck oder die Herzfrequenz, testet unbemannte Fahrzeuge - überprüft den IQ des Patienten.
Um einen vierstufigen beschleunigten Ansatz zu entwickeln, analysierten die Forscher Daten von 40,6 Millionen realen Kilometern (25,2 Millionen Meilen), die von zwei Projekten des Institute of Transport Studies der University of Michigan gesammelt wurden. Innerhalb von zwei Jahren setzten sie rund 3.000 Autos und Freiwillige ein.
Anschließend identifizierten sie Ereignisse, die „sinnvolle Interaktionen“ zwischen dem automatischen Fahrzeug und der gefahrenen Person enthalten könnten, und erstellten eine Simulation, die die gesamte Fahrt ohne Zwischenfälle durch diese sinnvollen Interaktionen ersetzte. Danach programmierten sie die Simulation so, dass unbemannte Fahrzeuge menschliche Fahrer auf den Straßen als Hauptbedrohung betrachteten und überall von Menschen angetriebene Autos zufällig platzierten.
Auf die Programmierphase folgten mathematische Tests, um das Risiko und die Wahrscheinlichkeit bestimmter Ergebnisse zu bewerten, einschließlich Verletzungen, Unfälle und Momente in der Nähe des Unfalls. Zusammenfassend interpretierten die Forscher die Ergebnisse beschleunigter Tests unter Verwendung der
Stichprobenmethode nach Signifikanz , um herauszufinden, wie automatisch angetriebene Autos statistisch auf alltägliche Situationen auf der Straße reagieren.
Für verschiedene potenziell gefährliche Manöver kann ein beschleunigter Bewertungsprozess durchgeführt werden. Das Forschungsteam hat bisher nur die beiden häufigsten Situationen bewertet, die zu schweren Unfällen führen sollten: ein unbemanntes Fahrzeug, das einem menschlichen Fahrer folgt, und umgekehrt eine Person in einem Auto, das einem autonomen Transport folgt. Die Genauigkeit der Bewertung wurde durch Durchführen und Vergleichen von beschleunigten und realen Simulationen bestimmt. Das Team stellt fest, dass es notwendig ist, die Forschung fortzusetzen und andere Situationen auf der Straße zu berücksichtigen.