====== Väljakutsed ees ====== {{:en:safeav:avt:av_stack.jpg?600|}} Väljakutsete osas on autonoomia väga varajases voorus. Laias laastus võib väljakutsed jagada kolme suurde kategooriasse. Esiteks autonoomia torujuhtme põhilised tehnoloogilised elemendid (andurid, asukohateenused, taju ja tee planeerimine, ohutuse demonstreerimise algoritmid ja metoodika ning lõpuks äriökonoomika. Autonoomsed sõidukid toetuvad ümbritseva tajumiseks ja tõlgendamiseks andurite komplektile, nagu LiDAR, radar, kaamerad, GPS ja ultraheliseadmed. Kuid kõigil neil anduritüüpidel on omased piirangud, eriti keerulistes keskkonnatingimustes. Kaamerad võitlevad vähese valguse, pimestamise ja ilmastikuhäiretega, nagu vihm või udu, samas kui LiDAR võib udu või lume korral kannatada tagasihajumise tõttu. Radar on küll kehva ilma korral vastupidavam, kuid tagab madalama ruumilise eraldusvõime, muutes selle objektide üksikasjalikuks klassifitseerimiseks vähem tõhusaks. Need keskkonna haavatavused vähendavad tajusüsteemide töökindlust, eriti ohutuskriitiliste stsenaariumide korral. Teine suur väljakutse seisneb mitme anduritüübi integreerimises andurite liitmise kaudu. Täpse reaalajas termotuumasünteesi saavutamiseks on vaja täpset ajalist sünkroniseerimist ja ruumilist kalibreerimist, mis võib aja jooksul mehaaniliste või termiliste pingete tõttu triivida. Lisaks puutuvad andurid üha enam kokku küberjulgeolekuohtudega. GPS-i ja LiDAR-i võltsimine või võistlevad rünnakud kaamerapõhistele tuvastussüsteemidele võivad sisestada valeandmeid või eksitada otsustusalgoritme, mistõttu on vaja jõulisi vastumeetmeid nii riistvara kui ka tarkvara tasandil. Sensorsüsteemidel on raskusi ka oklusiooni ja semantilise tõlgendamisega. Paljud andurid vajavad nõuetekohaseks toimimiseks otsenähtavust, mistõttu nende jõudlus halveneb linnatingimustes visuaalsete takistustega, nagu pargitud sõidukid või ehitus. Isegi kui objekte tuvastatakse, jääb masinõppemudelite jaoks väljakutseks nende kavatsuste mõistmine (nt kas jalakäija on tänavat ületamas). Samal ajal genereerivad kõrge eraldusvõimega andurid tohutuid andmevooge, koormates pardal olevat töötlemist ja side ribalaiust ning luues kompromisse eraldusvõime, latentsusaja ja energiatõhususe vahel. Lõpuks takistavad massilist kasutuselevõttu praktilised probleemid, nagu hind, suurus ja vastupidavus. LiDAR-seadmed, kuigi väga tõhusad, on sageli kallid ja mehaaniliselt keerukad. Kaamerad ja radar peavad olema vastupidavad, et ilmastikutingimustele ja vibratsioonile vastu pidada, ilma nende jõudlust halvendamata. Neid probleeme raskendab standardiseeritud valideerimismeetodite puudumine andurite töökindluse hindamiseks erinevates reaalsetes tingimustes, mistõttu on arendajatel ja reguleerivatel asutustel keeruline luua usaldust ja tagada turvalisus erinevates tegevusvaldkondades. {{:en:safeav:avt:sensors-21-05397-g020-550.jpg?600|}} "Tajusüsteem" on autonoomse sõiduki funktsionaalsuse keskmes, võimaldades autol ümbritsevat reaalajas mõista ja tõlgendada. See töötleb mitme anduri – kaamerad, LiDAR, radar ja ultraheliseadmed – andmeid, et tuvastada, klassifitseerida ja jälgida objekte. Tajusüsteem võitleb "semantilise mõistmise ja servajuhtumitega". Kuigi objektide tuvastamine ja klassifitseerimine on süvaõppega paranenud, ebaõnnestuvad need mudelid sageli harvaesinevates või ebatavalistes stsenaariumides (nt ümberkukkunud sõiduk, kostüümis jalakäija või ehituse ümbersõidud). Tegude konteksti ja kavatsuste mõistmine (nt kas jalakäija hakkab ületama) on veelgi raskem. Tõelise olukorrateadlikkuse puudumine võib viia halva otsustusvõimeni ning on 4. ja 5. tasandi autonoomia jaoks peamine väljakutse. Samuti loob reaalajas tajumise "arvutuskoormus" – eriti kõrge eraldusvõimega sisendite puhul – piiranguid töötlemisvõimsuse, soojushalduse ja latentsuse osas. Mudeli täpsuse ja kiiruse tasakaalustamine ning süsteemi jõudluse tagamine manustatud platvormidel on pidev inseneri väljakutse. Asukohateenused – mida sageli nimetatakse lokaliseerimiseks – on autonoomsete sõidukite (AV-de) jaoks hädavajalikud, võimaldades neil määrata oma täpse asukoha kaardil või reaalses keskkonnas. Kuigi traditsiooniline GPS pakub põhilist positsioneerimist, nõuavad autonoomsed sõidukid "sentimeetri täpsust", vastupidavust ja reaalajas reageerimisvõimet, mis kõik kujutavad endast olulisi väljakutseid. Üks suur väljakutse on GNSS-i (Global Navigation Satellite Systems) (Global Navigation Satellite Systems) (Global Navigation Satellite Systems) (nt GPS) piiratud täpsus ja töökindlus, eriti linnakanjonites, tunnelites või tiheda lehestikuga aladel. Hooned võivad blokeerida või peegeldada satelliidi signaale, mis võib põhjustada mitme tee vigu või signaali täielikku kadumist. Kuigi sellised tehnikad nagu reaalajas kinemaatiline (RTK) korrigeerimine ja suurendamine maapealsete jaamade kaudu parandavad täpsust, võivad need lahendused olla kallid, infrastruktuurist sõltuvad ja GNSS-keelatud keskkondades võivad siiski ebaõnnestuda. Kompenseerimiseks kombineerivad AV-d sageli GPS-i "sensoripõhise lokaliseerimisega", sealhulgas LiDAR, kaamerad ja IMU-d (inertsiaalsed mõõtühikud), mis võimaldavad kaardipõhist ja surnud arvestust. Anduripõhine surnud arvestus, kasutades IMU-sid ja odomeetriat, võib aidata lühikesi GNSS-i katkestusi ületada, kuid "triiv koguneb aja jooksul" ja vead võivad süveneda, eriti järskude pöörete, vibratsiooni või rehvi libisemise korral. Lõpuks sõltub "kaardipõhine lokaliseerimine" kõrglahutusega (HD) kaartide olemasolust, mis sisaldavad üksikasjalikke funktsioone, nagu sõiduraja märgistus, äärekivid ja liiklusmärgid. Nende kaartide koostamine ja hooldamine on kulukas ning teemuutuste, ehituse või ajutiste takistuste tõttu võivad need kiiresti vananeda, mis viib vale lokaliseerimiseni. Teekonna planeerimine autonoomsetes sõidukites on keeruline ja ohutuse seisukohalt kriitiline ülesanne, mis hõlmab sõiduki trajektoori määramist praegusest asukohast soovitud sihtkohta, vältides takistusi, järgides liikluseeskirju ja tagades reisijate mugavuse. Üks olulisemaid väljakutseid selles valdkonnas on dünaamilise ja ettearvamatu keskkonnaga tegelemine. Teiste liiklejate (nt jalakäijate, jalgratturite ja autojuhtide) käitumine võib olla ebaühtlane, mistõttu peab planeerija pidevalt reaalajas kohanema. Nende agentide kavatsuste ennustamine on oma olemuselt ebakindel ja põhjustab sageli liiga ettevaatlikku või ebaturvalist käitumist, kui seda valesti hinnata. Reaalajas reageerimisvõime on veel üks oluline piirang. Teekonna planeerimine peab toimuma väikese latentsusega, võttes arvesse paljusid kaalutlusi, sealhulgas liiklusseadusi, tee geomeetriat, andurite andmeid ja sõiduki dünaamikat. See nõuab optimaalsuse, ohutuse ja arvutusliku tõhususe tasakaalustamist rangete ajapiirangute raames. Lisaks peab planeerija võtma arvesse sõiduki füüsilisi piiranguid, nagu pöörderaadius, kiirendus ja pidurduspiirangud, eriti keeruliste manöövrite puhul, nagu kaitsmata pöörded või takistuste vältimine. Teine püsiv väljakutse on puuduliku või mürarikka teabega töötamine. Anduri ummistus, halb ilm või lokaliseerimise triiv võivad varjata kriitilisi üksikasju, nagu teemärgised, liiklusmärgid või läheduses olevad objektid. Seetõttu peavad planeerijad tegema otsuseid ebakindluse tingimustes, mis lisab keerukust ja riske. Lisaks peab sõiduk liikuma keerulistes ja sageli muutuvates teetopoloogiates (nt ringristmikud, ehitustsoonid või ajutised ümbersõidud), kus kaardiandmed võivad olla vananenud või ebaselged. Lõpuks toob vajadus pideva ümberplaneerimise järele kaasa tugevuse ja mugavuse probleemid. Teekonna planeerimise süsteem peab sageli kohandama trajektoore, et reageerida uutele sisenditele, kuid järsud muudatused võivad halvendada sõidukvaliteeti või destabiliseerida sõidukit. Seda kõike tuleb teha, säilitades samal ajal ranged ohutusgarantiid, tagades, et iga kavandatud tee on kokkupõrkevaba ja seadusega kooskõlas. Süsteemi väljatöötamine, mis vastaks nendele nõudmistele erinevates keskkondades ja äärmuslikes olukordades, on endiselt üks raskemaid väljakutseid täielikult autonoomse sõidu saavutamisel. Ohutuse algoritmid ja metoodika: {{:en:safeav:avt:validation.jpg?600|}} Peamine kitsaskoht on endiselt võimetus AI käitumist täielikult valideerida, mistõttu on vaja rangemaid meetodeid terviklikkuse hindamiseks, sihipäraste testjuhtumite genereerimiseks ja seotud süsteemikäitumiseks. Selgitatava tehisintellekti, digitaalsete kaksikute ja formaalsete meetodite edusamme peetakse paljutõotavateks teedeks. Lisaks puuduvad praegustes süsteemides skaleeritavad abstraktsioonihierarhiad, mis takistab komponenditaseme valideerimise üldistamist süsteemitaseme tagatiseks. Usalduse loomiseks kasutajate ja reguleerivate asutustega peab tööstus vastu võtma ka "progressiivse ohutusraamistiku", mis näitab selgelt pidevat täiustamist, regressioonikontrolle õhu kaudu (OTA) värskenduste ajal ja reaalsetest riketest saadud õppetunde. "V&V testimisseadmete" osas rõhutatakse nii virtuaalseid kui ka füüsilisi tööriistu. Virtuaalsed keskkonnad mängivad võtmerolli arenevate V&V metoodikate toetamisel, mistõttu on vaja standardiasutuste, nagu ASAM, pidevat tööd. Füüsilised katserajad peavad arenema nii, et mitte ainult ei replitseeriks tõhusalt reaalseid stsenaariume, vaid kinnitaks ka nende virtuaalsete vastete täpsust – see on ette nähtud "filmikomplekti" mudeli kaudu, mis suudab kiiresti lavastada keerulisi stsenaariume. Teine esilekerkiv probleem on "elektromagnetilised häired (EMI)," eriti aktiivsete andurite laialdase kasutamise tõttu. Traditsioonilised staatilised EMI testimismeetodid on ebapiisavad ja on vaja dünaamilisi programmeeritavaid EMI testimiskeskkondi, mis on kohandatud küberfüüsikalistele süsteemidele. Lõpuks on kasvav mure autonoomsete süsteemide küberturvalisuse pärast. Need süsteemid toovad sisse süsteemsed haavatavused, mis ulatuvad riistvarast tarkvarani, mistõttu on vaja valitsuse tasandi järelevalvet. Peamised anduriviisid, nagu LiDAR, GPS ja radar, on vastuvõtlikud võltsimisele ning selliste ohtude tuvastamine on kiireloomuline uurimistöö prioriteet. V&V protsess ise peab arenema, et minimeerida kokkupuudet võistlevate rünnakutega, käsitledes turvalisust tõhusalt süsteemi valideerimise sisemise piiranguna, mitte järelmõtlemisena. Ärimudelid ja tarneahel: {{:en:safeav:avt:waymo-robotaxi.jpg?600|}} Robotaksod ehk autonoomsed sõiduautod on autonoomse sõiduki (AV) tehnoloogia paljulubav kasutusjuht, mis võib muuta linnaliiklust, pakkudes tellitavat juhita transporti. Peamised kasutusmudelid hõlmavad linnasõitu linnakeskustes, esimese ja viimase miili transiiti, et ühendada sõitjad ühistranspordiga, lennujaama- ja hotellitransporditeenused geotaraga piiratud aladel ning liikuvus suletud ülikoolilinnakutes, nagu ülikoolid või ettevõtete pargid. Nende mudelite eesmärk on suurendada sõidukite kasutamist, vähendada transpordikulusid ja pakkuda suuremat mugavust, eriti keskkondades, kus inimeste ja juhi kulud on olulised. Äriprobleemid on aga suured. Robotaksode arendamine ja kasutuselevõtt nõuab tohutuid kapitaliinvesteeringuid riistvarasse, tarkvarasse, testimisse ja infrastruktuuri. Tegevuskulud on endiselt kõrged, eriti varajases staadiumis, kui endiselt on vaja inimohutuse juhte, üksikasjalikke kaarte ja piiratud kasutusalasid. Reguleeritav ebakindlus takistab ka skaleeritavust, kuna erinevad jurisdiktsioonid kohaldavad ebajärjekindlaid ohutus-, kindlustus- ja tööstandardeid. See muudab laienemise aeglaseks ja kulukaks. Lisaks on tarbijate usaldus autonoomsete süsteemide vastu endiselt habras. Kõrgetasemelised intsidendid on tõstatanud ohutusprobleeme ja paljud sõitjad võivad kõhkleda juhita sõidukite kasutamises, eriti tundmatutes või hädaolukordades. Infrastruktuuri piirangud – nagu kehv teemärgistus või piiratud ühenduvus – piiravad veelgi keskkondi, kus robottaksod saavad töökindlalt töötada. Samal ajal seab kasumlikkuse saavutamise väljakutse konkurentsivõimeline piletihinnakujundus, sõidukipargi hoolduslogistika ja integratsioon laiemate transpordivõrkudega. Üldiselt, kuigi robo-taksod pakuvad märkimisväärset pikaajalist lubadust, sõltub nende edu keerukate tehnoloogiliste, regulatiivsete ja äritõkete ületamisest. Pooljuhtide tööstuse arenev majandus kujutab endast märkimisväärset väljakutset väikesemahulistele turgudele, kus kohandatud kiipide arendamine ei ole sageli kulutõhus. Selle tulemusena peavad autonoomsed ja ohutuskriitilised süsteemid üha enam toetuma kaubanduslikele riiulitele (COTS) komponentidele, mistõttu on hädavajalik välja töötada metoodikad, mis tagavad turvalisuse, töökindluse ja jõudluse, kasutades neid standardseid osi. See nihe paneb suuremat rõhku süsteemide kujundamisele, mis on vastupidavad ja kohandatavad isegi ilma kohandatud ränita. Lisaks tuleb nüüd elektroonika ja manussüsteemide puhul rakendada traditsioonilisi probleeme, nagu põllu hooldatavus, eluea kulud ja tarneahela projekteerimise tavad, mis on levinud masinaehituses ja tööstuses. Kuna kaasaegsetes toodetes domineerivad elektroonilised komponendid, on tarneahela järgnevate mõjude haldamiseks vaja terviklikumat disaini lähenemisviisi. Tarkvaraga määratletud sõidukite suundumus peegeldab seda vajadust, edendades sügavamat integratsiooni riistvara ja tarkvara tarnijate vahel. Tarneahela vastupidavuse edasiseks suurendamiseks püütakse standardida väiksema hulga suuremahuliste kiipide ümber ja hõlmata paindlikke, programmeeritavaid riistvarakangaid, mis integreerivad digitaalseid, analoog- ja tarkvaraelemente. See arhitektuurimuutus on võtmetähtsusega tarnehäirete leevendamisel ja süsteemi pikaajalise elujõulisuse säilitamisel. Lõpuks tähendab "hooldatavus" ka kohapealsete remondirajatiste olemasolu, mida tuleb autonoomiaga hakkama saamiseks uuendada.