135 / 152
l’elenco di oggetti (dal radar) e le immagini (dalle telecamere).
I sistemi decisionali costituiscono il secondo elemento di appro-
fondimento. Per imitare le decisioni umane, i sistemi di bordo
dovrebbero essere in grado di negoziare una serie di scenari sot-
toponendosi a processi formativi iterativi di ‘machine learning’. La
comprensione e la definizione dei diversi scenari e immagini rac-
colti costituiscono un problema vitale per un sistema autonomo
così come la creazione di regole ‘if-then’ complete. La tecnologia,
tuttavia, consentirà di costruire database di regole if-then inte-
grati con motori di intelligenza artificiale (AI) che rendano pos-
sibile effettuare analisi inferenziali completando così gli scenari
non completamente previsti dalle regole a DB. Creare tali motori
di machine learning è un compito estremamente complesso che
richiederà un notevole sviluppo e test prima di poterli vedere
all’opera sulle nostre strade. I sistemi di bordo degli AV, infine,
dovranno gestire anche processi di sicurezza permettendosi fal-
limenti controllati che limitino il livello di rischio per i propri pas-
seggeri e le altre persone circostanti. Non esiste alcun modo per
verificare, infatti, ogni possibile stato software con i relativi risul-
tati. Il tema delle garanzie assicurative per veicoli autonomi sarà
quindi completamente da riscrivere così come le norme che il
legislatore dovrà articolare in caso di incidenti determinati senza
dolo diretto da parte dei conducenti. Per questi motivi saranno
necessarie ridondanze e tempi di prova molto lunghi.
Percezione, localizzazione e mappatura
Il perfezionamento degli autoveicoli avviene attraverso diversi
approcci, incentrati sulla percezione, mappatura e localizzazione.
L’obiettivo della percezione è raggiungere livelli affidabili di per-
cezione con il minor numero di test. In particolare oggi si pro-
pende per l’uso di radar, sonar e telecamere che siano in grado
di percepire veicoli e altri oggetti nell’ambiente. Questo approc-
cio non è attualmente in grado di considerare però l’ambiente
a un livello di granularità fine anche se richiede meno potenza
di elaborazione. Una seconda tendenza è costituita dall’uso della
tecnologia lidar in aggiunta alla più tradizionale. Tale secondo
approccio richiede una maggiore capacità di elaborazione dati,
più robusta. Gli esperti ritengono che l’uso del lidar diventerà l’ap-
proccio favorito da molti futuri player AV. Anche per la mappatura
sono due gli approcci attualmente in uso. Le mappe granulari e
ad alta definizione si producono utilizzando veicoli dotati di lidar
e telecamere mentre la mappatura delle funzioni non richiede
necessariamente la tecnica lidar ma un ibrido di telecamere in
combinazione con il radar ottenendo mappe con solo alcune ca-
ratteristiche stradali che consentono la navigazione. La mappa,
ad esempio, cattura la segnaletica orizzontale e verticale oltre a
ponti e altri oggetti relativamente vicini alle strade. I dati cattu-
rati sono analizzati per generare dati semantici come segnali di
velocità con limitazioni temporali. Anche per la localizzazione
attualmente sono perseguiti due approcci. La mappatura HD,
utilizzando sensori a bordo (incluso GPS) per confrontare l’am-
biente percepito di AV con corrispondenti mappe HD. Questo
approccio fornisce punti di riferimento utilizzati che i veicoli
possono utilizzare per identificare esattamente la loro posizione
(comprese le informazioni sulla corsia) e in che direzione ci si stia
dirigendo. Un’altra strada è costituita dalla localizzazione GPS