Beveiliging van Advanced Driver Assistance Systems (ADAS): Veiligheidsstrategieën voor het komende decennium

Advanced Driver Assistance Systems (ADAS) verbeteren de voertuigveiligheid door de omgeving te monitoren, waarschuwingen af te geven, te remmen en stuurassistentie te bieden. Het komende decennium zal een snelle uitbreiding van deze systemen zien, gedreven door doorbraken in sensor- en LiDAR-technologie en evoluerende wettelijke eisen.

Volgens Jeff Phillips, Head of Automotive Marketing bij National Instruments, stelde de Europese Unie in 2020 dat alle nieuwe voertuigen Autonomous Emergency Braking (AEB) en Forward Collision Warning (FCW) systemen moeten omvatten.

Hoewel ADAS nog in de kinderschoenen staat, zijn de veiligheidskenmerken gedestineerd om een cruciale differentiator te worden voor automakers, met name naarmate ze vorderen naar volledig autonomous voertuigen.

OEM's en techbedrijven concurreren momenteel in deze grotendeels ongeregelde arena om marktaandeel te winnen en de veiligste auto's op de markt te brengen. Met bijna 1,3 miljoen verkeersdoden wereldwijd per jaar en een vijfjaarhoogte van 1.792 doden op Britse wegen, is het beveiligen van ADAS-technologie dringender dan ooit.

Worst-case scenario

Testingenieurs staan voor een uitdagend landschap: evoluerende regelgeving, opkomende sensortechnologieën en AI-gestuurde architecturen die ondoorzichtig kunnen zijn. De inzet is hoog – elk hoog-profile incident met een semi-autonoom voertuig roept publieke schruw op, en zelfs het beperkte aantal gedocumenteerde ongevallen met autonome voertuigen heeft het consumentenvertrouwen ondermijnd.

Testingenieurs moeten bepalen hoeveel verificatie nodig is om zowel aan wettelijke als juridische standaarden als aan publieke verwachtingen te voldoen. Het ontbreken van duidelijke richtlijnen voor AI-systemen betekent dat traditionele testbenaderingen onvoldoende zijn.

Volgens een Rand Corporation-studie uit 2018 zou een autonoom voertuig tienden van miljoenen kilometers moeten testen om statistisch prestatiepariteit – of superioriteit – ten opzichte van menselijke chauffeurs aan te tonen. Het bereiken van dit volume in een realistisch tijdsbestek vereist innovatieve teststrategieën en grootschalige simulatieomgevingen.

Het Machine Learning-verhaal

Volledig autonoom rijden steunt zwaar op machine-learning-modellen omdat het spectrum van real-world scenario's effectief oneindig is. Ingenieurs verzamelen enorme hoeveelheden menselijk rijdata, labelen het en trainen neurale netwerken om menselijke besluitvorming na te bootsen.

Hoewel ontwerpteams de onderliggende algoritmes kunnen ontwikkelen, functioneren de resulterende modellen als zwarte dozen, wat validatie bemoeilijkt. Testingenieurs moeten daarom uitgebreide scenariobibliotheken ontwerpen die een breed scala aan edge-cases dekken, omdat het gebrek aan inzicht in de interne logica traditionele unittesten onmogelijk maakt.

Een nieuwe routekaart

Sensorportefeuilles evolueren snel, wat kostendalingen en nieuwe architecturale keuzes drijft. Fabrikanten moeten kiezen tussen gecentraliseerde on-board-verwerking en gedistribueerde edge-verwerking, en moeten plannen voor toekomstige sensoraddities zoals LiDAR, radar en extra camera-arrays.

Cloudcomputing en 5G-connectiviteit voegen nog een laag complexiteit toe, die realtime data-uitwisseling en remote diagnostiek mogelijk maken, maar ook latentie- en bandbreedteoverwegingen met zich meebrengen.

Omdat de sensormix van toekomstige platforms onzeker is, hebben testteams flexibele infrastructures nodig die nieuwe hardware kunnen integreren zonder kostelijke herbouw. Modulaire testopstellingen en gevirtualiseerde omgevingen stellen rap schalen van camera-, radar- en LiDAR-payloads in staat.

Bouwen voor verandering

Naarmate autonoom-functies van prototype naar product gaan, moeten regelgevende instanties evolueren om consumenten te beschermen. Standaarden zoals ISO 26262 voor functionele veiligheid en EURO-NCAP-botsprotocollen vormen al de industrie, terwijl het recent gepubliceerde ethische raamwerk van Duitsland voor autonome voertuigen precedent schept voor beslissingsregels.

Zelfs terwijl formele standaarden rijpen, zullen bedrijven proprietair testlagen introduceren om zich te differentiëren. Een open, aanpasbare testinfrastructuur geeft ingenieurs de snelheid om nieuwe wettelijke eisen en interne veiligheidsdoelen te incorporeren.

De auteur van deze blog is Jeff Phillips, Head of Automotive Marketing, National Instruments