Guida autonoma, connettività e intelligenza artificiale stanno rivoluzionando il settore automotive, con un impatto significativo sulla sicurezza, sia a livello di viabilità, sia dei veicoli
Passeranno ancora diversi anni prima di poter circolare in città su un veicolo a guida autonoma, e molti di noi non hanno in realtà alcuna fretta di dire addio al volante; d’altro canto, la tecnologia non arresta la sua corsa anche nel settore automotive e i sistemi Adas (Advanced driver assistance systems) continuano a evolvere per raggiungere l’obiettivo di una guida totalmente autonoma. Svincolato dagli input del guidatore, il veicolo autonomo offre maggiori garanzie di sicurezza sia agli occupanti del mezzo, sia ai pedoni che incontra lungo la strada. Inoltre, questi veicoli hanno tutto il potenziale per rendere i trasporti più accessibili ed equi, migliorare la qualità dell’aria e, con un’adeguata pianificazione urbana, contribuire a ridurre gli ingorghi e creare sempre più spazi verdi in città.
Eliminare l’errore umano dall’equazione della sicurezza
In teoria, grazie all’adozione della guida autonoma, tutti i fattori umani che influenzano negativamente la guida saranno drasticamente ridotti. Per far sì che questo assunto si trasformi in realtà è però indispensabile che la tecnologia garantisca livelli sempre più alti di sicurezza, a dimostrazione del fatto che un veicolo autonomo è in effetti più sicuro di un guidatore umano. Nel caso dei veicoli autonomi, i produttori di tecnologia non possono replicare i livelli di performance della sicurezza solo con i test: per dimostrare la sicurezza dei propri sistemi gli OEM devono usare scenari Sotif (Safety of the intended functionality), che applicano una certa metodologia di testing. Infatti, Sotif (ISO PAS/21448) è stato sviluppato specificamente per risolvere le sfide relative alla sicurezza dei veicoli autonomi e semiautonomi con le quali gli sviluppatori di software devono confrontarsi quotidianamente. Un grande contributo nel processo di validazione della sicurezza arriva da strumenti come, per esempio, il software di analisi della sicurezza di Ansys che, insieme con la toolchain di simulazione, unisce la simulazione con le statistiche e l’analisi basata sullo scenario. Inoltre, questo tipo di tool rende possibile la simulazione con sensori virtuali per il test delle percezioni e la validazione del comportamento dei sensori in scenari reali, ai fini di un’efficace analisi dell’affidabilità.
Connettività dei veicoli: un ponte tra AI e guida autonoma
Il futuro della guida autonoma può essere determinato dagli insight ricavati dalla condivisione delle informazioni provenienti dai veicoli connessi mediante reti wireless ad alta velocità. Per raggiungere elevati livelli di autonomia è necessario prendere in considerazione diversi fattori, quali la tecnologia dei sensori, la determinazione precisa della posizione dei veicoli, le informazioni aggiornate di mappatura, la percezione locale di altri veicoli e pedoni, la pianificazione e il processo decisionale. Per avere un’idea della vastità di queste interazioni, si consideri che nel 2025 quasi il 60% dei nuovi veicoli venduti funzionerà al livello di autonomia L2. Si tratta, tuttavia, di un progresso tutto sommato modesto verso la totale autonomia. Rimane, infatti, un’enorme quantità di calcoli, che coinvolgerà numerose applicazioni all’interno dei veicoli, che necessitano di risposte in tempo quasi reale. Tutta questa attività sarà coordinata dall’intelligenza artificiale (AI), e richiederà una connettività particolarmente elevata, supportata dalla simulazione a vari livelli, dalla validazione della sicurezza, fino alla verifica delle performance dei sensori e delle antenne. Naturalmente, saranno messe in campo molteplici conversazioni tra un sistema di guida autonomo e altri elementi all’interno di un ecosistema autogestito che si fonda su connettività a bassa latenza, in modo da ampliare la percezione e andare oltre a ciò che si trova direttamente davanti al veicolo. In futuro, gli ambienti totalmente autonomi saranno governati da una grande griglia di comunicazione che coordinerà il movimento dei veicoli stessi, così, un veicolo all’interno della città dialogherà con la città e con gli altri veicoli, e tutto ciò dovrà garantire la massima sicurezza degli spostamenti da un luogo a un altro. Ma come è possibile simulare tutti gli eventi che possono avvicendarsi nell’ambiente di guida, oltre a tutte le comunicazioni necessarie, compresa la qualità del segnale tra tutti i diversi parametri coinvolti? Questa è una ‘missione’ per il software di digital engineering. Ora ci troviamo in una fase in cui alcune di queste interazioni intelligenti cominciano a diventare realtà, e un esempio è Autotalks, un piccolo apparato che si collega al manubrio della bicicletta per evitare il rischio di collisione. Il sistema si connette ai veicoli e alle relative infrastrutture all’interno di un più ampio ecosistema di mobilità, in modo che tutti i veicoli, bici incluse, siano connessi e dialoghino con l’infrastruttura e tra loro, monitorando il traffico e condividendo informazioni critiche in tempo reale. Copertura e servizio affidabile sono le metriche di successo più importanti in base alle quali Autotalks, come altre tecnologie connesse, sarà misurato. La simulazione permette ai designer 5G di raggiungere questi obiettivi e aumentare l’affidabilità dei prodotti, ottimizzando allo stesso tempo consumi energetici, prestazioni e costi.
AI, il cuore pulsante delle applicazioni
L’AI si basa sui dati e ciò è positivo per l’automotive, in quanto gli insight, insieme con il machine learning (ML), consentono di accelerare lo sviluppo della tecnologia di guida autonoma. Una grossa sfida legata ad Adas e alle applicazioni autonome è che l’accoppiata AI/ ML richiede un imponente dataset, che copra tutti i casi limite e lavori congiuntamente con sistemi rule based per ottenere migliori prestazioni. Ottenere i dati necessari comporterà lo spostamento dal concetto di Big Data a quello di ‘dati utili’, oltre che a metodi non supervisionati di addestramento dell’AI, potenziati con la simulazione, per creare dinamiche sfidanti nei dataset che altrimenti sarebbe difficile trovare nelle situazioni reali. Semplificando, esattamente come già avviene con le applicazioni di AI che “leggono tutto Internet”, per capire quali parole possano essere messe assieme per scrivere un saggio credibile, le applicazioni AI nella guida autonoma assorbiranno i dati da innumerevoli simulazioni di guida, per informare nel modo migliore il software di controllo autonomo su come reagire a una qualunque situazione di guida.
Ansys – www.ansys.com/it-it