Autonomi langs veien

Autonome kjøretøy utvikles for å kunne operere uten menneskelig innblanding, navigere gjennom å sanse/gjenkjenne miljøet rundt seg ved hjelp av kunstig intelligens (KI) og teknologier som radar, LiDAR, GPS, odometri og maskinsyn. – De har også potensial til å forbedre den generelle trafikksikkerheten og redusere trafikkulykker betydelig. Det er imidlertid ikke uten risiko; restrisiko eller gjenværende risiko refererer til risikoen som gjenstår selv etter at omfattende testing og sikkerhetstiltak er iverksatt, forklarer prosjektleder og sjefforsker ved SINTEF, Ovidiu Vermesan.

Risiko

Siden kjøretøyene er avhengige av ulike sensorer, maskinvare, programvare og kunstig intelligens (KI)-baserte algoritmer for å kunne navigere og ta beslutninger, kan teknologiene ha begrensninger som for eksempel dårligere ytelse under ugunstige værforhold (kraftig regn, snø, etc.) eller vanskeligheter ved å gjenkjenne enkelte hindringer i veibanen (is, hull, stein, etc.).

Feiltolking, maskinvare- eller programvarefeil kan oppstå selv med redundante systemer og sikkerhetskontroller, noe som kan føre til uventet oppførsel/handling og i verste fall ulykker. Restrisiko er forbundet med muligheten for slike feil.

Utfordrende

Etter hvert som teknologien for autonome kjøretøy fortsetter å utvikle seg, forventes den gjenværende risikoen å avta over tid ettersom sikkerhetstiltakene forbedres og teknologien blir mer robust. Men å oppnå full autonomi uten gjenværende risiko er en utfordrende oppgave, og den kan bare delvis elimineres, gitt de komplekse og dynamiske omgivelsene til det virkelige kjøremiljøet.

ODD

Som et resultat av dette må kjøretøyene tilpasses sitt «Operational Design Domain» (ODD) til de forskjellige kjørescenarioene. ODD refererer til de spesifikke forholdene og miljøene som et selvkjørende kjøretøy er konstruert og ment for å operere under, og definerer begrensningene for autonome kjøretøy og deres operasjonelle evner. ODD tar hensyn til ulike faktorer, som blant annet inkluderer ulike miljøforhold, veityper, trafikkforhold, fart, driftsbegrensninger, og nødsituasjoner.

Overvåke kjøreforhold

Overvåking av vei og kjøreforhold er en kontinuerlig utfordring for utviklere av autonome kjøretøy. Målet er å sikre at kjøretøyene trygt kan operere i et bredt spekter av miljøer, forhold og veityper. Kontinuerlige fremskritt innen sensorteknologi, databehandling, KI og maskinlæring (ML) hjelper autonome kjøretøy med å bli mer kapable og tilpasningsdyktige til varierende vei og kjøreforhold.

Norsk sensorplattform

SINTEF, NxTech og TracSense har samarbeidet i prosjektet for å implementere en sensorfusjonsplattform for overvåkning av veitilstanden som kombinerer sensorer for friksjonsdeteksjon (radar, optisk, fuktighet og temperatur), 3-akser vibrasjon, et kamera, en KI-basert prosesseringsenhet og en kjøretøy-til-alt (V2X) innebygd enhet for kommunikasjon med andre kjøretøy og infrastruktur. Utvikling av nye robuste KI-baserte elektronikk- og kommunikasjonssystemer for neste generasjons autonome systemer er et fokusområde for SINTEF og NxTech forklarer Vermesan.

Testing og programmering

Nxtech har i dette prosjektet bidratt med testing og programmering av ulike sensorer og kommunikasjonsmoduler plassert i kjøretøy og infrastruktur langs en teststrekning på Kråkerøy i Fredrikstad.

Verdifulle data

– For testing og utvikling har bruken av elektriske kjøretøy fra Paxster vært av stor verdi, for å oppnå relevante prosesser i forhold til motorkontroll og styring innenfor reelle rammer der forskjellig værforhold og ulike typer veistandarder gir verdifulle data, forklarer Hans-Erik Sand hos NxTech. – Sensorer og kommunikasjonsmoduler som har vært montert og testet ut langs en teststrekning på Kråkerøy i Fredrikstad er blant annet TracSense sin friksjonssensor, OBU- og RSU-enheter (On Board Unit/Road Side Unit) med systemer utviklet av SINTEF og NxTech i et tidligere prosjekt, GPS moduler, kameraer og vibrasjonssensorer. Med fokus på trådløs kommunikasjon mellom kjøretøy og infrastruktur, signalstyrke og rekkevidde, samt pakketap og tidsforsinkelser i ulike prosesseringsledd, har relevante tester blitt tilrettelagt for å identifisere eventuelle svakheter og mulige forbedringer, forklarer forsker Roy Bahr ved SINTEF. Utvikling av egne loggeverktøy, uthenting av sensor data, og kommunikasjon på tvers av plattformer er både utfordrende og givende, sier Ruben Fosby ved NxTech.

Friksjonsmåling

Måling av veidekkefriksjon er viktig for å opprettholde trafikksikkerheten og sikre at kjøretøy kan navigere trygt, spesielt under ugunstige værforhold. Friksjonskoeffisienten er estimert basert på sensordata fra en optisk sensor kombinert med radar, temperatur og fuktighet. Veiforholdene blir videre analysert ved å måle hjulhastigheten, kjøretøyets stabilitetskontroll og vibrasjonsavlesninger og kombinert med visuell AI-basert veitilstandsidentifikasjon (hull, sprekker, kjørefelt, veitype, etc.).

Avlesningene er synkronisert med vær- og miljøinformasjon, inkludert data om lufttemperatur, fuktighet og nedbør.

Spredning av informasjon

Sensorinformasjonen smeltes sammen, behandles og overføres gjennom en V2X innebygd enhet til de autonome kjøretøyene som følger og til infrastrukturen, og gir informasjon i sanntid om veiforholdene slik at kjøretøyene bak kan tilpasse oppførselen sin til sanntidsforholdene.

Måling av vegoverflatefriksjon er avgjørende for drift av autonome kjøretøy i sanntid, veivedlikehold, sikkerhetsplanlegging og optimalisering av trafikkstyring under utfordrende forhold som regn, snø eller is. Disse målingene hjelper AV-er, transportmyndigheter og kjøretøyprodusenter med å sikre at veiene er trygge for kjøring og at kjøretøy kan tilpasse seg varierende friksjons nivåer.

Funksjonell sikkerhet

Funksjonell sikkerhet er fravær av urimelig risiko fra funksjonsfeil forårsaket av maskinvare- og programvarefeil i et kjøretøy eller utilsiktet oppførsel som oppstår i forbindelse med dets tiltenkte design.

ISO 26262-standarden definerer funksjonssikkerhetsvilkår og aktiviteter for elektriske og elektroniske systemer innen motorkjøretøyer. Den tar for seg maskinvare- og programvarefarene som kan påvirke sikkerheten for autonome kjøretøy. Standarden definerer fire bilsikkerhetsintegritetsnivåer (ASIL), der ASIL D er det strengeste og A er det minste. Hvert nivå er knyttet til spesifikke utviklingskrav som må overholdes for sertifisering.

Forutsigbarhet

På den annen side er ISO 21448 opptatt av feilårsaker knyttet til systemytelsesbegrensninger og forutsigbar misbruk av systemet, ytelsesbegrensninger eller mangler ved de implementerte funksjonene på grunn av teknologibegrensninger som sensorytelse og støy, eller begrensninger av algoritmer som f.eks. gjenstandsdeteksjonsfeil og begrensninger ved aktuatorteknologi.

Risikovurdering

Begge standardene brukes i prosessen med gjenværende risikovurdering og reduksjon. Vurderingen begynner å definere en liste over scenarier eller situasjoner som systemet må operere i, og trekker på den definerte ODD for å lage denne listen. Deretter er det nødvendig å kombinere farer og situasjoner til farlige hendelser, beskrive forventede skader og bestemme risikoparametere for å beregne numeriske verdier av potensiell risiko for hver kombinasjon av situasjon og fare. Etter risikovurderingen velges de høyeste risikoscenarioene. De verste tilfellene som kan skje angående hver mulig feil. Deretter defineres til slutt sikkerhetskravene basert på disse verste tilfellene. Fare- og risikovurderingsprosessen (HARA) setter konstruksjonsmålene for systemet på en måte som er klar over alle de verste feilene som kan oppstå. Validering bekrefter at disse verste fall-feilene er håndtert, og den gjenværende risikoen er minimert.