AS_01_2021

Automazione e Strumentazione Gennaio/Febbraio 2021 MERCATI primo piano 25 tare il grado di affidabilità degli schemi d’identifica- zione, riconoscimento e movimento degli oggetti stessi, attivando in modo opportuno l’impianto ster- zante o frenante. L’integrazione di tutti questi sensori, sistemi, al- goritmi, software di intel- ligenza artificiale sta ren- dendo le ECU (electronic control unit) automotive sempre più complesse da testare e validare, non soltanto dal punto di vi- sta della sicurezza funzionale (functional safe- ty), che deve essere conforme allo standard ISO 26262, ma anche sotto il profilo della capacità di gestire la guida autonoma in maniera affi- dabile e sicura in tutte le possibili condizioni e situazioni di viaggio. AI, come può aiutare ad accelerare la validazione Nel testing e validazione dei sistemi Adas per i livelli 1 e 2 di automazione del veicolo, che, rispettivamente, assistono la guida o la auto- matizzano parzialmente, è ancora possibile validare le funzionalità selezionando ‘manual- mente’ i casi di test e conducendo prove su strada. Tuttavia, con il passaggio verso i livelli di automazione successivi (Livello 3, 4) e il ‘full autonomous driving’ (Livello 5), l’incremento della complessità è tale da richiedere un enorme volume di test: le self-driving car devono dimostrare di muoversi in maniera affidabile in un’estrema varietà di scenari di guida, con- dizioni meteo, livelli del traffico, segnaletica, situazioni impreviste. Per collaudare un’auto a guida autonoma in tutti questi possibili casi occorrerebbe percorrere centinaia di milioni di chilometri, e ciò, per motivi economici e di tempo non è evidentemente concepibile. Ecco perché, pur continuando a rimanere essenziali per la validazione, in prospettiva, i test fisici su strada richiederanno in maniera crescente l’integrazione con strumenti di simulazione e tecnologie di intelligenza artificiale. In particolare, nei processi di collaudo, verifica e validazione dei sistemi di guida autonoma (AD - autonomous driving), le case automo- bilistiche e gli Oem stanno oggi puntando ad affiancare ai test fisici, e alle tecniche di simu- lazione virtuale dei vari ambienti e condizioni di guida, anche modelli di analisi statistica e metodologie di appredimento automatico (machine learning - ML). Questi ultimi hanno in sostanza l’obiettivo di individuare in modo rapido, nel vasto numero di possibili scenari e condizioni di guida, i test case davvero rile- vanti e critici per portare a termine con suc- cesso i test di validazione. Allo scopo di analizzare lo ‘spazio di input’ degli Adas e implementare processi di testing e validazione in grado di fornire una copertura com- pleta dei casi di test in cui il veicolo può rivelare comportamenti difettosi, le tecniche che sfruttano reti neurali e machine learning possono essere svariate. Tra queste, si può citare, ad esempio, la ‘multi-objective search’ o ‘multi-objective optimization’ (otti- mizzazione multi-obiettivo), che uti- lizza algoritmi genetici , a loro volta appartenenti a un dominio dell’intel- ligenza artificiale noto nel settore at- traverso termini come ‘computazione evolutiva’ o ‘algoritmi evolutivi’. Il mercato globale della AI nel settore manufacturing (fonte: Technavio) L’intelligenza artificiale aiuta ad automatizzare e ottimizzare i test di validazione automotive (fonte: Pixabay)