Model de predicció i manteniment
Client
Partners
El problema
Cal garantir la seguretat dels sistemes de CCAM (Connected, Cooperative and Automated Mobility).
El principal repte per a la validació de la seguretat és que, segons l’ODD (Operational Design Domain), cal provar i validar moltes situacions de conducció diferents i escenaris complexos. A més, el sector automobilístic europeu es regeix per normes estrictes de prova i validació, que imposen obligatòriament una avaluació exhaustiva de les possibles situacions a què s’enfrontarà un sistema CCAM (incloent-hi escenaris complexos amb múltiples actors, riscos, situacions inusuals i condicions exigents).
No obstant això, la complexitat i la incertesa de l’entorn de conducció, així com la complexitat de la pròpia tasca de conduir, impliquen que el nombre d’escenaris possibles que pot trobar un Automated Driving System (ADS) és pràcticament infinit.
Altres estudis suggereixen que, per provar un sistema CCAM i avaluar la seva seguretat demostrant que és un 20% millor que un vehicle conduït per humans, aquest hauria de recórrer més d’11.000 milions de milles. A més, l’Hazard Based Testing (HBT) i els sistemes sociotècnics defensen que el nombre de milles recorregudes per si sol no és suficient per jutjar la fiabilitat dels sistemes CCAM.
En canvi, l’aspecte crucial és l’abast i la varietat dels escenaris trobats durant les proves. L’èmfasi s’ha de posar en entendre i identificar “com pot fallar o comportar-se incorrectament un sistema” i garantir posteriorment que ho faci de manera segura i fiable. La naturalesa dels escenaris és fonamental per a l’avaluació de la seguretat.
Els principals reptes que abordarem a partir de la identificació d’escenaris són:
-
- Identificar els escenaris “adequats” i “representatius” per a l’ODD corresponent.
- Entendre si s’han identificat “prou” escenaris per garantir la seguretat del sistema.
- Considerar la probabilitat d’ocurrència dels escenaris.
- Definir el risc de seguretat associat a cada escenari i la resposta del vehicle davant d’aquest. Un aspecte clau és la definició del “bon comportament” o dels criteris de superació/fallada del sistema per a un escenari determinat.
La solució
Mitjançant l’ús de big data, juntament amb més de 30 socis i aprofitant els coneixements obtinguts en anàlisis de risc i proves operatives en camp (FOTs) prèvies, farem possible una identificació i implementació ràpida al mercat per millorar la seguretat dels sistemes CCAM.
A més, l’ús d’eines basades en Artificial Intelligence (AI) ens ajudarà a ampliar l’espai de requisits del sistema, fent que el procés sigui més efectiu i eficient. Això permetrà disposar de sistemes CCAM segurs, des de la fase de proves fins al desplegament.
La nostra SYNERGIES Platform proporciona als actors europeus els escenaris i les eines necessaris per al desenvolupament, la formació, les proves virtuals i la validació accelerades i acceptades dels sistemes CCAM, reduint el temps i els costos de desenvolupament, augmentant la seguretat i la fiabilitat, i afavorint una adopció més àmplia.
La nostra contribució se centra en els requisits de data trustworthiness i en la definició de les mètriques de confiança de les dades d’escenaris. També investiguem per detectar i preveure noves tecnologies, nous escenaris, nous actors i tendències del mercat.
Definirem fulls de ruta d’alt nivell per a cada cas i analitzarem com evolucionen els requisits amb el temps segons cada full de ruta (incloent-hi l’anàlisi d’impacte i probabilitat per prioritzar els canvis de requisits). A continuació, avaluarem l’aplicabilitat dels futurs requisits tenint en compte les noves tecnologies, les innovacions automotrius i les capacitats de dades i maquinari.
En l’avaluació de la qualitat de les dades, desenvoluparem una metodologia per analitzar tant les dades disponibles com les dades generades sintèticament en termes de qualitat i rellevància pel seu potencial per generar escenaris. Definirem les mètriques adequades per a cada descriptor de qualitat, juntament amb llindars acceptables, que es determinaran mitjançant recerca estadística i experts del domini. També examinarem les mancances i limitacions dels conjunts de dades i proporcionarem feedback al propietari o proveïdor de dades per augmentar-ne la utilitat, precisió, correcció i exhaustivitat. Desenvoluparem un inspector de dades basat en AI per avaluar la correcció, la completitud, la precisió, la consistència i la puntualitat dels conjunts de dades, validar les anàlisis i avaluar la importància de les variables. MOSAIC també crearà una metodologia o eina per avaluar la representativitat d’un escenari aplicat en altres zones o països.
Pel que fa a la plataforma, contribuirem a la definició de l’estratègia per integrar-hi els components necessaris, participarem en les activitats de prova dels components individuals de la plataforma i col·laborarem en la implementació de millores després de la fase de proves.
Dades
Resultats
El projecte donarà com a resultat una plataforma europea orientada a millorar el desenvolupament, la formació, les proves virtuals i la validació dels sistemes CCAM.
La SYNERGIES Platform consta de:
- Scenario Dataspace: alineat amb l’enfocament europeu sobre l’intercanvi de dades i la competitivitat.
- Marketplace: per garantir l’actualització contínua i l’escalabilitat del Dataspace.