Logiciel de systèmes de conduite autonome – Technoguide

L’avenir est déjà arrivé. Des voitures (partiellement) autonomes sont déjà sur nos routes aujourd’hui avec des systèmes automatisés tels que les systèmes de freinage ou d’alerte de sortie de voie. En tant que composant central du véhicule, le logiciel de ces systèmes doit répondre en permanence et de manière fiable à des critères de qualité élevés. Franz Wotawa de l’Institut de technologie logicielle de TU Graz et son équipe en étroite collaboration avec l’équipe de test des systèmes cyber-physiques d’AVL se consacrent aux grands défis de cette future technologie: la garantie de la sécurité grâce à la génération automatique de scénarios de test étendus pour les simulations et la compensation des erreurs internes au système au moyen d’une méthode de contrôle adaptatif.

Des ontologies au lieu de kilomètres de test

Les essais routiers à eux seuls ne fournissent pas de preuves suffisantes de la sécurité des systèmes de conduite autonome en cas d’accident, explique Franz Wotawa: «Les véhicules autonomes devraient parcourir environ 200 millions de kilomètres pour prouver leur fiabilité, en particulier pour les scénarios d’accident. C’est 10 000 fois plus de tests. kilomètres par rapport aux voitures classiques. ” Cependant, les scénarios de test critiques présentant un danger pour la vie et l’intégrité physique ne peuvent pas être reproduits dans de véritables essais routiers. Les systèmes de conduite autonomes doivent donc être testés pour leur sécurité dans des simulations. «Bien que les tests couvrent jusqu’à présent de nombreux scénarios, la question demeure toujours de savoir si cela est suffisant et si tous les scénarios d’accidents possibles ont été pris en compte», déclare Wotawa. Mihai Nica de l’AVL souligne cette déclaration: «afin de tester un système hautement autonome, il est nécessaire de repenser la façon dont l’industrie automobile doit valider et certifier les systèmes avancés d’assistance à la conduite (ADAS) et les systèmes de conduite autonome (AD). Par conséquent, AVL collabore avec TU Graz pour développer une méthode et un flux de travail uniques et hautement efficaces basés sur la simulation et la génération de cas de test pour prouver le respect des exigences de sécurité de la fonctionnalité prévue (SOTIF), de qualité et d’intégrité du système des systèmes autonomes. “

Ensemble, l’équipe du projet travaille sur des méthodes innovantes permettant de simuler bien plus de scénarios de test qu’auparavant. L’approche des chercheurs est la suivante: au lieu de parcourir des millions de kilomètres, ils utilisent des ontologies pour décrire l’environnement des véhicules autonomes. Les ontologies sont des bases de connaissances pour l’échange d’informations pertinentes au sein d’un système de machine. Par exemple, les interfaces, le comportement et les relations des unités système individuelles peuvent communiquer entre eux. Dans le cas des systèmes de conduite autonome, il s’agirait de «prise de décision», de «description du trafic» ou de «pilote automatique». Les chercheurs de Graz ont travaillé avec des informations détaillées de base sur les environnements dans des scénarios de conduite et ont alimenté les bases de connaissances avec des détails sur la construction de routes, d’intersections, etc., fournis par AVL. À partir de là, des scénarios de conduite peuvent être dérivés, en utilisant l’algorithme de génération de cas de test leader mondial d’AVL, qui testent le comportement des systèmes de conduite automatisés dans les simulations.

Faiblesses supplémentaires découvertes

Dans le cadre du projet EU AutoDrive, les chercheurs ont utilisé deux algorithmes pour convertir ces ontologies en modèles d’entrée pour des tests combinatoires qui peuvent ensuite être exécutés à l’aide d’environnements de simulation. “Lors des premiers tests expérimentaux, nous avons découvert de sérieuses faiblesses dans les fonctions de conduite automatisée. Sans ces scénarios de test générés automatiquement, les vulnérabilités n’auraient pas été détectées aussi rapidement: neuf cas de test sur 319 étudiés ont conduit à des accidents.” Par exemple, dans un scénario de test, un système d’assistance au freinage n’a pas détecté deux personnes venant de directions différentes en même temps et l’une d’entre elles a été gravement touchée en raison de la manœuvre de freinage amorcée. «Cela signifie qu’avec notre méthode, vous pouvez trouver des scénarios de test difficiles à tester dans la réalité et sur lesquels vous ne pourrez peut-être même pas vous concentrer», explique Wotawa.

Ce travail de Franz Wotawa et al a également été présenté dans la revue «Information and Software Technology» au début de 2020 et chevauche le «Christian Doppler Laboratory for Methods for Quality Assurance of Cyber-Physical Systems». Le laboratoire de CD est dirigé par Franz Wotawa et AVL est un partenaire corporatif. Das Christian Doppler Labor (CD-Labor) wird von Franz Wotawa geleitet, die AVL ist Unternehmenspartnerin.

Compensation adaptative des erreurs internes

Les systèmes autonomes et en particulier les systèmes de conduite autonome doivent pouvoir se corriger eux-mêmes en cas de dysfonctionnement ou de modification des conditions environnementales et atteindre de manière fiable des états cibles donnés à tout moment. «Quand on regarde les systèmes semi-automatisés déjà utilisés aujourd’hui, comme le régulateur de vitesse, il devient vite clair qu’en cas d’erreurs, le conducteur peut et interviendra toujours. Avec des véhicules entièrement autonomes, ce n’est plus une option, le système lui-même doit donc pouvoir agir en conséquence », explique Franz Wotawa.

Dans une nouvelle publication pour le Software Quality Journal, Franz Wotawa et son doctorant Martin Zimmermann présentent une méthode de contrôle qui peut compenser de manière adaptative les erreurs internes du système logiciel. Le procédé présenté sélectionne des actions alternatives de telle manière que des états cibles prédéterminés peuvent être atteints, tout en fournissant un certain degré de redondance. La sélection des actions est basée sur des modèles de pondération qui sont ajustés au fil du temps et mesurent le taux de réussite d’actions spécifiques déjà effectuées. En plus de la méthode, les chercheurs présentent également une implémentation Java et sa validation à l’aide de deux études de cas motivées par les exigences du practice autonome.

Source de l’histoire:

Matériel fourni par l’Université de technologie de Graz. Original écrit par Susanne Eigner. Remarque: le contenu peut être modifié pour le style et la longueur.

.

Lire plus

A propos Technoguide

Voir aussi

Entretien MotoGP 21 – Milestone parle de courses de vélos de nouvelle génération

Alors que les fans de F1 devront attendre jusqu’en juillet pour la sortie de leur …

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Défiler vers le haut