====== Uurimisväljavaade ======

Autonoomia on osa järgmisest suurest elektroonika megatrendist, mis tõenäoliselt muudab ühiskonda. Uue tehnoloogiana on suur hulk avatud uurimisprobleeme. Need probleemid võib liigitada nelja suurde kategooriasse: autonoomia riistvara, autonoomia tarkvara, autonoomia ökosüsteem ja autonoomia ärimudelid. Riistvara osas koosneb autonoomia liikuvuskomponendist (mis muutub järjest elektriliseks), anduritest ja arvutustest.  

Autonoomia andurite uurimine areneb kiiresti, keskendudes tugevalt "andurite sulandumisele, vastupidavusele ja intelligentsele tajule". Üks põnev valdkond on "multimodaalne andurite liitmine", kus LiDAR-i, radari, kaamerate ja inertsiaalsete andurite andmed kombineeritakse tehisintellekti abil, et parandada tajumist keerukates või halvenenud keskkondades. Teadlased töötavad välja **ebakindlust arvestavaid termotuumasünteesi mudeleid**, mis mitte ainult ei integreeri andmeid, vaid ka kvantifitseerivad usaldustasemeid, mis on ohutuskriitiliste süsteemide jaoks hädavajalikud. Kasvab ka huvi "sündmuspõhiste kaamerate" ja "adaptiivse LiDAR" vastu, mis pakuvad dünaamiliste stseenide jaoks madala latentsusajaga või selektiivset skannimisvõimalust, samas kui **enesejärelevalvega õpe** võimaldab autonoomsetel süsteemidel eraldada semantilist arusaamist töötlemata, märgistamata anduriandmetest. Teine kriitiline tõukejõud on **vastupidavate ja kontekstiteadlike andurite** arendamine. See hõlmab andureid, mis töötavad iga ilmaga, nagu "FMCW radar" ja "polarisatsioonipõhine nägemine" ning süsteemid, mis suudavad tuvastada ja parandada anduri rikkeid või võltsimist reaalajas. Teadlased uurivad ka "maastikutundlikku tuvastust", "semantilist kaardistamist" ja "infrastruktuurist sõidukisse (I2V)" andurite võrke, et laiendada olukorrateadlikkust kaugemale vaateväljast. Lõpuks on andurite kaasdisain – kus riistvara, paigutus ja algoritmid on koos optimeeritud – kogumas tõmbejõudu, eriti "servaarvutusarhitektuurides", kus reaalajas töötlemine ja madal võimsus on üliolulised. Need edusammud toetavad autonoomiat mitte ainult autodes, vaid ka droonides, allveesõidukites ja robotsüsteemides, mis töötavad struktureerimata või GPS-keelatud keskkondades.

Arvutamise osas keskenduvad põnevad uuringud reaalajas otsuste tegemise võimaldamisele keskkondades, kus pilveühenduvus on piiratud, latentsus on kriitiline ja võimsus on piiratud. Üks silmapaistev valdkond on "taju- ja juhtimisalgoritmide koosprojekteerimine serva riistvaraga", näiteks närvivõrgu tihendamise, kvantimise ja kärpimise tehnikate integreerimine, et käivitada täiustatud tehisintellekti mudeleid manustatud süsteemides (nt NVIDIA Jetson, Qualcomm RB5 või kohandatud ASIC-id). Teadusuuringud on suunatud ka "dünaamilisele töökoormuse ajastamisele", kus andurite töötlemine, lokaliseerimine ja planeerimine on latentsus- ja energiapiirangute põhjal arukalt jaotatud CPU-de, GPU-de ja spetsiaalsete kiirendite vahel. Veel üks põhirõhk on "adaptiivsel, kontekstiteadlikul andmetöötlusel", kus süsteem muudab olukorrateadlikkuse põhjal dünaamiliselt oma arvutuskoormust või tajub täpsust – näiteks suurendab arvutusressursse keerukate manöövrite ajal või vähendab neid tühikäigul sõitmise ajal. Sellega on seotud "sündmuspõhine andmetöötlus" ja "neuromorfsed arhitektuurid", mis jäljendavad bioloogilist efektiivsust, et vähendada energiakasutust tajuülesannetes. Teadlased uurivad ka "turvalist servatäitmist", nagu usaldusväärsed andmetöötluskeskkonnad ja käitusaja jälgimine, et tagada deterministlik käitumine võistlevates tingimustes. Lõpuks avavad "koostöö servavõrgud", kus mitu autonoomset agenti (sõidukid, droonid või infrastruktuuri sõlmed) jagavad reaalajas arvutusi ja andmeid äärel, avavad uued piirid sülemite autonoomia ja detsentraliseeritud intelligentsuse vallas.

Lõpuks, kuna toimub nihe "tarkvaraga määratletud sõidukite" suunas, on üha suurem vajadus arendada alt-üles andmetöötluse riistvaraarhitektuure, millel on tarkvara taaskasutamise ja riistvarainnovatsiooni kriitilised omadused. See protsess jäljendab infotehnoloogia arvutiarhitektuure, kuid seda ei eksisteeri tänapäeval autonoomia maailmas.

Tarkvara osas asuvad olulised süsteemifunktsioonid, nagu taju, tee planeerimine ja asukohateenused, tarkvara/AI kihis. Kuigi AV-süsteemid on mõnevõrra tõhusad, on need pisut vähem tõhusad kui inimene, kes suudab maailmas navigeerida, kulutades vaid umbes 100 vatti võimsust. On mitmeid kohti, kus inimeste/masinate autonoomia on erinev. Nende hulka kuuluvad:
  - Fookus: inimestel on fookuse ja perifeerse nägemise idee... samas kui AV-d jälgivad kogu aeg kõiki suundi. See mõjutab võimsust, andmeid ja arvutusi
  - Liikumisel põhinev taju: inimesed kasutavad liikumist tuvastamise võtmeallkirjana. Seevastu praegused tajumootorid püüavad tõhusalt töötada staatiliste fotodega.
  - Tajupõhine äratundmine: inimesed kasutavad arvutuste piiramiseks objektide tulevase liikumise ootust. Sellel tehnikal on arvutustes eelised, kuid seda ei kasutata praegu AV-des.
 
Seega on lisaks traditsioonilistele masinõppetehnikatele avatud uurimisprobleemid uuemad AI-arhitektuurid, millel on robustsuse, võimsuse/arvutamise efektiivsuse ja efektiivsuse omadused. 

Ökosüsteemi osas on peamised avatud uurimisprobleemid sellistes valdkondades nagu ohutuse valideerimine, V2X-side ja ökosüsteemi partnerid.

Autonoomsete süsteemide kontrollimine ja valideerimine (V\&V) areneb kiiresti ning peamised uuringud on keskendunud tehisintellekti juhitud käitumise "tõestavalt ohutuks ja seletatavaks" muutmisele. Üks peamisi suundi hõlmab "AI-käitumise piiramist" ametlike meetodite abil ja "selgitatava AI" (XAI) väljatöötamist, mis toetab ohutusargumente, mida regulaatorid ja insenerid võivad usaldada. Teadlased keskenduvad ka "haruldaste ja äärmuslike juhtumite stsenaariumide genereerimisele" võistleva õppimise, simulatsiooni ja digitaalsete kaksikute abil, eesmärgiga luua katsejuhtumeid, mis seavad kahtluse alla taju- ja planeerimissüsteemide piirid. Uute "katvusmõõdikute" (nt semantilise või riskipõhise katvuse) määratlemine on muutunud ülioluliseks, kuna traditsiooniline koodikatvus ei hõlma mittedeterministlike AI komponentide keerukust. Teine aktiivne valdkond on "skaleeritav süsteemitaseme V&V", kus komponendi tasemel valideerimine peab toetama kõrgema taseme ohutusgarantiid. See hõlmab "kompositsioonipõhist arutluskäiku", lepingupõhist disaini ja mudelipõhist ohutusjuhtumite automatiseerimist. **Digitaalsete kaksikute** integreerimine suletud ahela simulatsiooniks ja reaalajas jälgimiseks võimaldab pidevat valideerimist isegi pärast kasutuselevõttu. Paralleelselt on tekkimas "küberjulgeolekuteadlik V&V", mis keskendub vastupidavuse võltsimisele ja valideerimistoru enda turvalisusele. Lõpuks loovad simulatsioonivormingute (nt OpenSCENARIO, ASAM) standardimine ja "testiinfrastruktuuri koodina" kasv aluse skaleeritavale ja sertifitseeritavale autonoomiale, eriti arenevates regulatiivsetes raamistikes nagu UL 4600 ja ISO 21448.

Üks ökosüsteeme aitab kaasa autonoomiale, võib-olla ühenduse loomisele infrastruktuuriga ja loomulikult on inimese ja masina segakeskkondades loomulik inimmasina liides (HMI).  V2X-i (Vehicle-to-Everything) autonoomia võtmeuuringud keskenduvad koostöökäitumise võimaldamisele ja olukorrateadlikkuse suurendamisele madala latentsusajaga turvalise suhtluse kaudu. Peamiselt keskendutakse "usaldusväärsele ja kiirele sidele" selliste tehnoloogiate nagu "C-V2X ja 5G/6G" kaudu, mis on kriitilise tähtsusega ajatundlike autonoomsete funktsioonide (nt koordineeritud sõidurajavahetuse, ristmike haldamise ja hädaolukorras reageerimise) toetamiseks. Tihedalt seotud on "servaarvutusarhitektuuride" arendamine, kus V2X-sõnumeid töödeldakse lokaalselt, et vähendada latentsust ja toetada reaalajas otsuste tegemist. Teadusuuringud on aktiivsed "koostöötaju", kus sõidukid ja infrastruktuur jagavad andurite andmeid, et laiendada vaatevälja väljaspool oklusioone, võimaldades keerukates linnakeskkondades ohutumat navigeerimist. Teine põhiline uurimissuund on "nutika infrastruktuuri ja digitaalsete kaksikute" integreerimine, kus teeäärsed andurid pakuvad HD-kaartide reaalajas värskendusi ja suurendavad sõidukite tajumist. See on oluline dünaamiliste teeolude, ehitustsoonide ja ajutiste märgistuste tuvastamiseks. Paralleelselt on järjest suurem murekoht "turvalisuse ja privaatsuse tagamine V2X-suhtluses". Töö on käimas krüptitud, autentitud protokollide ja pahatahtlike osalejate või vigaste andmete tuvastamise ja neile reageerimise meetodite kallal. Lõpuks on standardimine ja koostalitlusvõime laiaulatusliku kasutuselevõtu jaoks üliolulised; jõupingutused on keskendunud sideprotokollide ühtlustamisele tarnijate ja piirkondade vahel ning tugevate stsenaariumipõhiste testimisraamistike väljatöötamisele, mis hõlmavad nii simulatsiooni kui ka füüsilist valideerimist. Lõpuks on avatud uurimisprobleem kompromiss individuaalse autonoomia ja infrastruktuurist sõltumise vahel. Infrastruktuuri sõltuvusega on seotud juriidilise vastutuse, ärimudeli või maksumuse lahtised küsimused. 

Inim-masina liides (HMI) autonoomia tagamiseks jääb valdkonnaks, kus on mitmeid avatud uurimis- ja disainiprobleeme, eriti usalduse, kontrolli ja olukorrateadlikkuse osas. Üks suur probleem on see, kuidas luua kasutajate ja autonoomsete süsteemide vahel "asjakohane usaldus ja läbipaistvus". Praegused liidesed ei suuda sageli selgelt edastada sõiduki võimalusi, piiranguid või otsuste tegemise põhjendusi, mis võib põhjustada liigset usaldust või segadust. Mõistmise edendamiseks piisava teabe andmise ja kognitiivse ülekoormuse vältimise vahel on õrn tasakaal. Lisaks jääb kriitiliseks probleemiks "ohutu ja intuitiivse juhtimisülemineku tagamine", eriti 3. ja 4. taseme autonoomias. Juhtidel võib ülevõtmistaotluse ajal uuesti sisselülitamiseks kuluda mitu sekundit ning selliste viipade ajastus, modaalsus ja selgus ei ole veel süsteemides standardiseeritud ega optimeeritud.  Veel üks väljakutsete kogum seisneb "olukorrateadlikkuse" säilitamises ja "kohanduvate, juurdepääsetavate liideste" kujundamises. Passiivsed kasutajad autonoomsetes süsteemides kipuvad end välja lülitama, kaotades keskkonna jälgimise, mis võib ootamatute sündmuste ajal ohtlik olla. Tõhus HMI peab pakkuma kontekstitundlikku tagasisidet, kasutades visuaalseid, kuuldavaid või haptilisi näpunäiteid, kohanedes samal ajal kasutaja oleku, kogemuse taseme ja juurdepääsetavuse vajadustega. Veelgi enam, autonoomsetel sõidukitel puuduvad praegu tõhusad viisid väliste osalejatega (nt jalakäijad või muud juhid) suhtlemiseks, mis asendaksid inimeste näpunäiteid, nagu silmside või žestid. Standardiseeritud, tõlgendatavate väliste HMI-de, sõidukeele, väljatöötamine jääb aktiivseks uurimisvaldkonnaks. Lõpuks muudab HMI tõhususe hindamise ühtsete mõõdikute ja regulatiivsete standardite puudumine disaini valideerimise veelgi keerulisemaks, muutes süsteemide võrdlemise või tootjate ohutuse tagamise keeruliseks.

Lõpuks avaldab autonoomia mõju sellistele teemadele nagu tsiviilinfrastruktuuri juhendamine, välihooldus, suhtlemine hädaabiteenistustega, suhtlemine puuetega ja noorte sõitjatega, kindlustusturud ja mis kõige tähtsam - juristid. Kõigi nende teemade aluseks on palju uurimisprobleeme. 

Ärimudelite osas on kasutusmudelid ja nende mõju tarneahelale avatud uurimisprobleemid. Näiteks tarneahela jaoks on kriitiliseks tehnoloogiaks pooljuhid, mis on väga tundlik väga suure helitugevuse suhtes. Näiteks mobiilsuse suurim turg, autotööstus, on u. 10% pooljuhtide mahust ja muud vormid (õhus, meres, kosmoses) on suurusjärkude võrra madalamad. Tarneahela punkti vaatenurgast on väike arv kaldeid, mis teenindavad suurt turgu, ideaalsed. Uurimisprobleem on järgmine: milline peaks olema nende väga skaleeritavate komponentide olemus.  Lõppturgude osas viib traditsioonilise transpordi autonoomia tõenäoliselt ühiku mahu vähenemiseni. Miks?   Autonoomia abil on võimalik saada palju suurem kasutamine (võrreldes tänapäeva autode <5%). Siiski on tõenäoline, et autonoomia vallandab laia klassi lahendusi sellistel turgudel nagu põllumajandus, laod, turustamine, tarnimine ja palju muud. Eriti mikromobiilsuse rakendused pakuvad huvitavaid võimalusi väga suurte mahtude jaoks.  Taotluste täpne olemus on avatud uurimisprobleem.