Na dalším z Valeo technických večerů jsme se zabývali testováním autonomní jízdy. Ať už se jedná o prostředky hromadné dopravy nebo osobních aut, je potřeba se připravit na budoucnost a až přijde čas, vypustit do provozu pouze spolehlivá řešení dopravy.
Jako první se o Vaši pozornost postaral Jan Zahradník, který vede tým System Validation ToolChain.
Autonomní a vysoce automatizovaná auta představují velkou část příští automobilové revoluce. Aby byla zajištěna jejich bezpečnost a účinnost jejich funkcí, procházejí tyto vozy velmi důkladnou fází testování. To zahrnuje shromažďování velkého množství dat ze silnic a testovacích polygonů, zpracování dat a vyhodnocování úspěšnosti systému až po homologaci systému a certifikaci pro dané úrovně automatizace.
Kromě toho se virtuální testování stává nástrojem pro trénování algoritmů a pokrytí krajních situací, kterých nelze bezpečně dosáhnout testováním v normálním provozu. Kombinace validace ve virtuálním a reálném světě může pokrýt celou řadu systémových funkcí a bezpečnostních požadavků včetně FuSa (Functional Safety) a SOTIF (Safety of The Intended Functionality). Robustnost nástrojů a korelace modelu s reálnými daty je klíčem ke správnému výkonu a spolehlivosti systému. Definování, výběr a zpracování správných dat se stává velkou výzvou s rostoucí složitostí systémů a přísnějšími regulačními požadavky.
Téma večera se zúžilo na „Jak definovat metodologii validace a nástroje pro autonomní systémy úrovně 3 a dále“.
Základy Valeo System Validation Platform byly: automatizace, standardizace, virtuální validace, správa velkých dat, validace nástrojového řetězce a pokročilé ověřování systému.
Dalším hostem byl Michal Pochmon, technický ředitel a vedoucí implementace ve Škoda Digital, který mluvil o budoucnosti tramvají a jejich autonomie. Začal rekapitulací skutečného stavu protikolizního systému ve skupině Škoda. Následně do hloubky analyzoval vizi budoucího vývoje autonomních tramvají. Antikolizní systém pro tramvaje je jednou z předních funkcí, která je zásadní v době rostoucí hustoty dopravy ve větších městech. Mluvil o fázích a způsobech testování. A nevynechal ani ukázku simulátoru a budoucí možnosti ověřování.
Naše setkání zakončil Tomáš Svoboda z ČVUT, který se na zmíněnou problematiku podíval z akademického hlediska. Soustředili jsme se na problematiku weakly supervised machine learning. Úplná anotace dat je typicky potřebná pro trénování algoritmů strojového učení. Představme si, že anotování každého pixelu obrázku je tak složité, že není možné udržovat tempo s požadavky na validaci a testování. Místo kompletní anotace dat můžeme využít vzdáleně souvisejícího zdroje anotací. V této přednášce jsme se zaměřili na znalosti trajektorie nahrávacího vozidla. Ukázali jsme si, jak zahrnout fyzikální omezení plynoucí z kinematiky vozidla pro učení prediktoru profilu terénu. V druhé části jsme prodiskutovali zahrnutí dynamického modelu.
