Programvarustacken för automatiserad körning

Programvara för automatiserad körning omvandlar osäkra sensordata till fysisk rörelse genom att uppskatta position, förstå situationen, förutsäga utvecklingen, välja en laglig väg och styra fordonet. Den vanliga kedjan är perception, lokalisering, förutsägelse, planering och reglering; maskininlärning kan slå ihop steg, men säkerhetsfrågorna kvarstår.

Perception bygger en världsmodell

Programvaran upptäcker körfält, vägkanter, fritt utrymme, skyltar, signaler, fordon, fotgängare, cyklister och andra relevanta objekt. Den följer dem över tid och uppskattar position, hastighet, riktning och osäkerhet.

Sensorfusion kombinerar bilder, radarekon, lidar-punktmoln och rörelsedata. Det är ingen majoritetsomröstning: tid, kalibrering, sensortillit och korrelerade fel måste beaktas. Reflektion, skymning eller blockerad lins kan göra en källa missvisande.

En användbar modell visar också det osynliga. Är en fotgängare delvis dold bakom en skåpbil ska osäkerheten följa med i förutsägelse och planering, inte göra området tomt.

Lokalisering uppskattar position och tillit

Lokalisering kombinerar GNSS, tröghetssensorer, hjulrörelse, kartor och observerade vägdrag. Resultatet är en uppskattad pose—position och riktning—med osäkerhet.

Osäkerheten avgör säkra manövrer. Ett fordon som inte säkert känner sitt körfält bör inte göra ett snävt filbyte bara för att rutten kräver det. I tunnlar, stadskanjoner eller ändrade vägar måste det förlita sig mindre på en källa.

Förutsägelse visar flera möjliga framtider

Andra trafikanter följer inga manus. En cyklist kan väja för ett hål, ett barn komma fram ur skymundan och en förare svänga utan signal.

Modeller uppskattar möjliga banor och avsikter, helst med sannolikheter i stället för en säker framtid. Planeringen måste förbli säker över trovärdiga alternativ, inte bara gissa den troligaste handlingen.

Osäkerhet bör ändra beteendet: lägre fart, större avstånd eller uppskjuten manöver. För stor försiktighet kan också skapa fara genom att blockera trafik eller bli oförutsägbar; systemet måste komma fram utan att låtsas att osäkerheten försvunnit.

Planering väljer beteende och rörelse

Planering sker på flera nivåer:

Ruttplanering väljer vägar och mål.
Beteendeplanering väljer att följa, lämna företräde, ansluta, byta fil eller stanna.
Rörelseplanering skapar en kollisionsundvikande bana med fart och krökning.

Planen måste följa regler, fysiska gränser, komfort och begripligt beteende. En matematiskt kollisionsfri bana kan vara dålig om den passerar en cyklist för nära eller tvekar otydligt i en korsning.

Det behövs också en reservbana. Programvaran måste veta vad den kan göra vid stängt körfält, försämrad sensor eller otillgängligt mål.

Reglering gör banan till rörelse

Regulatorn översätter banan till styrning, motormoment och bromsning och tar hänsyn till fart, väggrepp, lutning, last och fördröjning.

Elbilar har blandad bromsning: regenerering och friktionsbromsar måste ge förutsägbar retardation när batteri, temperatur och grepp ändras. Mjukhet är inte kosmetik; tvär reglering kan destabilisera passagerare, minska greppet och göra avsikten svårare att läsa.

Oberoende övervakning kan kontrollera skillnaden mellan beordrad och faktisk rörelse, säkerhetsgränser och huvudsystemets hälsa.

Maskininlärning är en komponent, inte ett säkerhetsargument

Maskininlärning används mycket för perception, förutsägelse och allt mer planering. Vissa system är modulära; andra kopplar sensorindata mer direkt till banor genom inlärda modeller. Verkliga lösningar kan ligga däremellan.

Varken ”end-to-end-AI” eller en handbyggd kedja bevisar förmåga. Frågorna är:

Vilka data och scenarier definierar önskat beteende?
Hur hittas sällsynta, snedvridna eller felmärkta fall?
Hur representerar systemet osäkerhet?
Vilka gränser ligger utanför modellen?
Hur testas en ändring för regression?
Vilken oberoende övervakning kan begränsa osäker utdata?

ISO/PAS 8800 behandlar risk från otillräckliga AI-utdata, systematiska fel och slumpmässiga hårdvarufel i vägfordon. Hög genomsnittlig noggrannhet är inte ett godtagbart säkerhetsargument.

Träning, test och validering är olika uppgifter

Träning förbättrar modellen. Test söker fel. Validering frågar om hela systemet passar den avsedda domänen.

Utvecklare kombinerar:

återspelning av inspelade data;
software- och hardware-in-the-loop-test;
simulering med kontrollerade variationer;
scenarier på avstängd bana;
övervakad testning på allmän väg; och
övervakad förarlös drift efter införande.

Simulering skapar sällsynta faror utan att utsätta allmänheten, men är bara användbar om modellerna speglar verkligheten. Offentliga kilometer ger driftbevis men belägger sällsynta, precisa faror ineffektivt. Ett trovärdigt program behöver scenario- och exponeringsbaserade belägg.

Ett fast testpaket räcker inte. Programvara kan överanpassas till måttet, och en förbättring kan skapa regression någon annanstans.

Reservlösning och fjärrassistans

Systemet kontrollerar ständigt driftsdomän, sensorhälsa, lokaliseringskvalitet och fordonsstatus.

På nivå 2 lämnar en gräns hela uppgiften till den redan övervakande föraren. På nivå 3 hanterar systemet en begäran om ingripande och riskminskning. På nivå 4 måste det nå ett tillstånd med minimal risk utan förare.

Förarlösa flottor kan använda fjärrassistans för sammanhang, exempelvis bekräfta en tillfällig barriär. Det är inte kontinuerlig fjärrkörning. Fordonet ansvarar för säker rörelse om inte modellen uttryckligen använder en fjärrförare.

Uppdateringar förändrar en säkerhetskritisk produkt

Trådlösa uppdateringar kan förbättra perception, utöka domänen eller ändra beteendet, men också skapa regression. En ny version kräver spårbarhet, säkerhet, stegvis införande, övervakning och strategi för återställning eller begränsning.

En uppdatering ändrar inte SAE-nivån genom marknadsföring. Hela funktionen—hårdvara, programvara, domän, reservlösning, godkännande och instruktioner—måste stödja den nya rollen.

För köpare är gränssnittet ofta synligast. Det bör tydligt visa aktiv funktion, vad den gör, vad människan förväntas göra och varför en gräns närmar sig. Lägesförvirring är ett systemfel, inte bara användarfel.