點擊上方藍字談思實驗室

獲取更多汽車網絡安全資訊

據外媒報道，日本先進科學技術研究所（JAIST）研究人員利用新開發的驗證框架，揭示了開源自動駕駛系統在高速行駛和突然切入車輛時的安全限制，這引發了人們對其實際部署的擔憂。

圖片來源： JAIST

在這項研究中，JAIST的研究助理教授Duong Dinh Tran及其團隊（包括JAIST的Takashi Tomita副教授和Toshiaki Aoki教授）決定對開源自動駕駛系統Autoware進行嚴格的驗證框架測試，以揭示其在關鍵交通情況下的潛在安全限制。

為了徹底檢驗Autoware的安全性，研究人員構建了一個特殊的虛擬測試系統。該系統相關論文發表在期刊《IEEE Transactions on Reliability》，并稱該系統就像一個自動駕駛汽車的數字試驗場。他們使用一種名為AWSIM-Script的語言，模擬各種棘手的交通狀況——這些狀況是日本汽車安全專家發現的現實世界危險。在這些模擬過程中，一個名為Runtime Monitor的工具會詳細記錄發生的所有事件，就像飛機上的黑匣子一樣。

最后，另一個驗證程序AW-Checker分析了這些記錄，以驗證Autoware是否遵守日本汽車制造商協會（JAMA）安全標準所定義的交通規則。該標準提供了一種清晰、結構化的方法來評估自動駕駛系統（ADS）的安全性。

研究人員重點關注了JAMA安全標準定義的三種特別危險且經常遇到的場景：并道（車輛突然駛入當前車輛的車道）、變道（前方車輛突然變道）和減速（前方車輛突然剎車）。他們將Autoware的表現與JAMA的“謹慎駕駛模型”（代表ADS最低預期安全水平的基準）進行了比較。

這些實驗表明，Autoware未能始終滿足謹慎駕駛員模型所定義的最低安全要求。正如Tran博士所解釋的那樣：“使用我們的框架進行的實驗表明，與能力強且謹慎的駕駛員模型相比，Autoware無法始終如一地避免碰撞，尤其是在高速駕駛和其他車輛突然橫向移動的情況下。”

這些失敗的一個重要原因似乎是Autoware對其他車輛運動的預測存在錯誤。該系統通常預測的是緩慢而漸進的車道變換。然而，當面對快速、激進的車道變換車輛（例如在高速橫向速度的切入場景中）時，Autoware的預測不準確，導致模擬中出現制動延遲和隨后的碰撞。

有趣的是，該研究還比較了Autoware不同傳感器設置的有效性。一種設置僅使用激光雷達，而另一種設置則結合了激光雷達和攝像頭的數據。令人驚訝的是，在這些具有挑戰性的場景中，僅使用激光雷達的模式通常比攝像頭-激光雷達融合模式表現更好。研究人員認為，攝像頭系統基于機器學習的物體檢測的不準確性可能引入了噪聲，從而對融合算法的性能產生負面影響。

這些發現具有重要的現實意義，因為一些定制版本的Autoware已經部署在公共道路上，以提供自動駕駛服務。“我們的研究強調了運行時驗證框架如何有效地評估像Autoware這樣的真實自動駕駛系統。”

Tran博士指出：“這樣做有助于開發人員在系統部署前后識別并糾正潛在問題，最終促進開發更安全、更可靠的公共自動駕駛解決方案。”

雖然這項研究為Autoware在非交叉路口特定交通干擾條件下的表現提供了寶貴的見解，但研究人員計劃擴展研究范圍，涵蓋更復雜的場景，例如交叉路口和涉及行人的場景。他們還計劃在未來的研究中探究天氣和道路狀況等環境因素的影響。

來源：電子工程世界