Table of Contents

Понимание проверки в контексте автономного транспортного средства

Проверка часто сочетается с валидацией, но в сообществе инженеров автомобильной безопасности различие резкое и критическое. Проверка задает вопрос: «Правильно ли мы построили систему?» Она фокусируется на том, соответствует ли продукт его спецификациям проектирования, механическим требованиям и архитектурам программного обеспечения. В автономной области транспортных средств эти спецификации являются многогранными, охватывающими пороги точности восприятия, пределы задержки управления, отказоустойчивость и устойчивость к кибербезопасности. Валидация, напротив, спрашивает: «Мы построили правильную систему?» - проверка соответствия потребностям пользователей и реальным операционным требованиям. Оба являются существенными, но проверка действует как привратник, который отделяет теоретические возможности от сертифицированных, готовых к дороге производительности. Без строгой проверки даже самый сложный стек автономии остается непроверенной гипотезой о безопасности.

Определение проверки и валидации

Для модуля восприятия, который использует облака точек лидара для обнаружения пешеходов, проверка может включать в себя ввод точно аннотированных тестовых данных для подтверждения того, что алгоритм обнаружения объектов достигает своей целевой точности и запоминает метрики в определенном диапазоне и погодных условиях. Для алгоритма планирования дорожного движения проверка будет стресс-тестировать свою способность выбирать траекторию без столкновений при представлении сценариев с участием состязательных транспортных средств, гарантируя, что планировщик никогда не выдаст решение, которое нарушает минимальные безопасные расстояния. Валидация, позже, будет проверять, являются ли сами эти спецификации достаточными, наблюдая за поведением системы в реальных городских условиях с реальными пешеходами. Этот многоуровневый подход предотвращает сценарии, когда система проходит каждый контрольный пункт проверки уровня компонента, но не работает в полевых условиях, потому что непредвиденный экологический фактор выходит за рамки первоначально написанных требований. Конкретный пример: система удержания полосы движения может пройти проверку, поддерживая транспортное средство в границах полосы движения на сухой, хорошо обозначенной дороге, но проверка в строительной зоне с временной маркировкой может показать, что сама спецификация была недостаточной. Проверка

Сфера проверки в автономных системах

Объем проверки в современном автономном стеке потрясающе широк. Он охватывает конвейер восприятия - классификацию объектов, отслеживание, оценку свободного пространства - и продолжается через локализацию, прогнозирование намерений других агентов, планирование поведения и управление динамикой транспортного средства. Он также охватывает монитор безопасности, выделенную подсистему, которая работает параллельно, чтобы вмешаться, если основная автономная функция дрейфует из определенной операционной границы. Инженеры по проверке должны создавать тестовые оркестровки, которые выполняют не только отдельные функции, но и их сложные цепочки взаимодействия. Неверная калибровка во внешних параметрах между камерой и лидаром может не привести к отказу одного модуля восприятия на пути автомобиля, но она может создать слитую экологическую модель, которая создает фантомное препятствие, которое появляется прямо на пути транспортного средства, вызывая ненужные и опасные аварийные остановки. Проверка должна улавливать эти сквозные проблемы, прежде чем они когда-либо покинут ферму моделирования или аппаратное обеспечение в петле. Кроме того, проверка распространяется на базовую инфраструктуру: планирование в реальном времени, задержка и надежность коммуникационного промежуточного программного обеспечения и целостность механизма обновления по

Критическая роль проверки в автомобильной безопасности

Безопасность не является особенностью, которую следует добавить; это возникающее свойство тщательно спроектированной системы. Автономные транспортные средства заменяют ситуационную осведомленность и принятие решений человеком с кодом, делая проверку цифровым эквивалентом миллионов миль контролируемого вождения, которые формируют компетентного оператора человека. Ставки не могут быть выше. В традиционных транспортных средствах механические сбои часто предсказуемы и могут быть смягчены избыточностью и регулярным обслуживанием; в автономной системе один логический недостаток краевого регистра может распространяться мгновенно и без предупреждения. Проверка обеспечивает структурированную защиту от этих коварных дефектов программного обеспечения. Дисциплина превращает абстрактный риск в конкретные, проверяемые утверждения о поведении системы, позволяя инженерам меньше ходить во сне и лучше спать.

Смягчение рисков и предотвращение катастрофических неудач

Организации, разрабатывающие технологии автономного вождения, ведут обширные базы данных журналов, аварий и почти промахов. Эти журналы добываются для извлечения сценариев, которые оспаривают пределы системы, которые затем подаются обратно в конвейер проверки в качестве регрессионных тестов. Если транспортное средство в тестировании ошибочно классифицирует пластиковый пакет, продувающийся через дорогу, как твердый объект и агрессивно тормозит, этот сценарий становится постоянной частью пакета проверки. Каждое последующее обновление программного обеспечения должно пройти этот тест до выпуска. Эта непрерывная интеграция результатов реального мира в инфраструктуру проверки гарантирует, что система не регрессирует по ранее решенным проблемам, практика, формализованная в стандартах безопасности, таких как ISO 26262. Кроме того, проверка должна решать систематические сбои - конструктивные недостатки, которые будут проявляться в каждом построенном устройстве - и случайные аппаратные сбои, часто через кампании впрыска неисправностей, которые преднамеренно повреждают данные датчиков или отключают питание для исполнительных механизмов для проверки отказоустойчивости контроллера тормоза по проводу и проверки того, что избыточная система участвует в требуемой задержке (например, менее 50 мил

Укрепление общественного доверия и принятие нормативных актов

Регулирующие органы по всему миру, включая Национальную администрацию безопасности дорожного движения (NHTSA) в Соединенных Штатах и органы по утверждению типов транспортных средств Европейского союза, дали понять, что они не допустят широкого развертывания автономных транспортных средств без прозрачных, поддающихся проверке доказательств проверки. Производители должны продемонстрировать не только то, что их системы соответствуют определенным требованиям, но и то, что сами требования были достаточно осведомлены о рисках. Это означает предоставление документации, которая отображает каждую идентифицированную опасность для набора действий по проверке и показывает, что остаточный риск каждой опасности был снижен до приемлемого уровня. Общественное доверие зависит от этой открытости. Когда компания автономных транспортных средств публикует добровольную самооценку безопасности, разделы по методологиям проверки являются одними из самых тщательно изученных независимых экспертов. В эпоху, когда одно вирусное видео неустойчивого поведения может повредить репутации бренда, строгая проверка является конкурентным преимуществом в той же степени, что и нормативная необходимость. Разработка общих показателей, таких как мили между разъединениями и критическими для безопасности сбоями системы, помогает потребителям и регулирующим органам сравнивать различные подходы и укрепляет уверенность в том, что отрасль серьезно относится

Экономические преимущества раннего обнаружения дефектов

Помимо моральных и нормативных императивов, проверка имеет прочный деловой смысл. Дефекты, обнаруженные в конце цикла разработки, или, что еще хуже, после развертывания, накладывают огромные затраты. Ошибка, обнаруженная во время виртуального моделирования, может быть исправлена с помощью нескольких строк кода за минимальные затраты. Эта ошибка, если она выживает до реального тестирования на закрытом курсе, может потребовать нескольких дней инженерного времени, подготовки транспортных средств и зависящей от погоды логистики. Как только флот производственных транспортных средств будет развернут, отзыв на обновление программного обеспечения или датчиков может стоить десятки миллионов долларов, не говоря уже о юридических обязательствах. Эффективная проверка сжимает цикл обратной связи, позволяя командам идентифицировать и искоренять проблемы, когда стоимость изменений низка. Эта экономическая реальность заставляет автопроизводителей инвестировать в более сложную инфраструктуру проверки, от озёр данных моделирования в масштабе петабайта до автоматизированных инструментов проверки моделей, которые могут доказать отсутствие определенных классов ошибок. Согласно исследованию Национального института стандартов и технологий (NIST) , стоимость исправления дефекта программного обеспечения увеличивается экспоненциально позже, чем он найден — от минут на этапе

Основные методики проверки автономных транспортных средств

Ни одна методика проверки не может адекватно охватить спектр возможностей автономных транспортных средств. Вместо этого разработчики собирают многоуровневую стратегию, которая использует сильные стороны каждого подхода. Цель состоит в том, чтобы максимизировать охват, сохраняя при этом возможность проведения испытаний, учитывая комбинаторный взрыв возможных дорожных ситуаций и условий окружающей среды. Эти методологии образуют пирамиду, с быстрыми и дешевыми методами моделирования на основе базовой и более медленными, более дорогими реальными испытаниями на вершине. Каждый слой дает представление о других, создавая согласованную экосистему проверки.

Программное обеспечение в петле (SIL) и модель в петле (MIL)

Тестирование SIL и MIL работает полностью в виртуальной среде. В MIL инженеры моделируют алгоритмы управления транспортным средством и динамику установки в инструменте моделирования, часто используя MATLAB и Simulink. Они могут вводить данные синтетического датчика и наблюдать, правильно ли реагирует логика управления. SIL берет скомпилированный код, который в конечном итоге будет работать на фактической вычислительной платформе транспортного средства и выполняет его на стандартном сервере, питаемом симулированными потоками датчиков. Поскольку не требуется специализированное оборудование, тестирование SIL масштабируется массово. Непрерывный конвейер интеграции может раскручивать тысячи параллельных рабочих мест SIL, каждая из которых выполняет другой сценарий тестирования, и предоставлять результаты в течение нескольких минут после того, как разработчик запустит новый код. Эта быстрая обратная связь необходима для гибких циклов разработки, но она не может захватывать временные ограничения или узкие места вычислительных ресурсов, которые появляются только на реальном встроенном оборудовании. Тем не менее, SIL и MIL остаются рабочими лошадками для тестирования блока и ранней проверки интеграции, позволяя командам быстро итерировать алгоритмические изменения

Тестирование аппаратного обеспечения в петле (HIL)

Тестирование аппаратного обеспечения в режиме петли устраняет разрыв между чистым моделированием и реальным вождением. Фактические электронные блоки управления транспортным средством, контроллеры домена или даже полный вычислительный стек размещаются на скамейке и взаимодействуют с симулятором реального времени, который генерирует электрические сигналы, соответствующие тому, что будут производить датчики. Например, установка HIL для системы камеры может воспроизводить записанные видеопотоки в различных условиях освещения и режимах отказа от впрыска, таких как выпадающие рамки или электрический шум. HIL позволяет инженерам проверять, что аппаратное и программное обеспечение работают вместе в точных, повторяемых условиях, которые были бы опасны или невозможно воспроизвести на испытательном треке - например, ребенок, выбегающий из двух припаркованных автомобилей в сумерках. Регрессионные наборы на скамейках HIL работают ночью, улавливая дефекты интеграции. Они также проверяют, что уровни безопасности системы поддерживаются, включая точный мониторинг сквозного задержки от ввода датчика до команды привода. Хорошо спроектированный объект HIL может параллельно тестировать несколько вариантов аппаратного обеспечения, гарантируя

Проверка на основе моделирования

Передовые платформы моделирования — это рабочие лошадки автономной проверки транспортных средств. В отличие от простого воспроизведения записанных данных, современные симуляторы могут процедурно генерировать бесконечное множество сценариев. Они используют физический рендеринг для датчиков камеры, трассировку лучей для лидара и электромагнитные модели для радара, создавая синтетические данные, которые статистически неотличимы от реальных сигнатур датчиков. Инженеры могут модулировать обширное пространство параметров: кривизна дороги, видимость полосы движения, цвет одежды пешеходов, угол солнца, тип и интенсивность осадков и поведенческие модели других участников движения. Особенно мощной техникой является фальсификация, где алгоритм оптимизации активно ищет пространство параметров сценария, чтобы найти входы, которые заставляют автономную систему нарушать спецификацию безопасности. Если поиск обнаруживает комбинацию влажной дороги, низкоугольного солнца и велосипеда перехода, который вызывает нарушение права пути, этот сценарий дополняет тестирование на основе покрытия (SOTIF) и является прямым применением стандарта безопасности предполагаемой функциональности (SOTIF), ISO / PAS 21448, который требует от производителей выявления неизвестных опасных сценариев, а некоторые компании

Реальные мировые испытательные и доказательные площадки

Моделирование никогда не может полностью заменить физическое тестирование, но оно может резко изменить его цель. Тестирование в реальном мире переходит от первичного механизма обнаружения к методу проверки, который подтверждает, что смоделированный мир соответствует реальности. Закрытые полигоны, подобные тем, которые управляются Макити в Мичиганском университете или Американском центре мобильности, позволяют создавать сценарии с физическими манекенами для краш-тестов, реальными транспортными средствами и точными приборами. Общественное дорожное тестирование, проводимое под наблюдением водителей безопасности, накапливает данные, которые используются для измерения разрыва между смоделированными и фактическими показателями эффективности датчиков. Этот разрыв затем моделируется, и сохраняется статистическая маржа безопасности. Компании с автономными разрешениями на тестирование транспортных средств, такие как Waymo и Cruise, публикуют метрики разъединения, которые регуляторы используют для оценки зрелости системы. Эти реальные мили, хотя и дорогостоящие, предоставляют данные о наземной правде, которые закрепляют всю пирамиду проверки. Кроме того, полигоны доказывают контролируемые испытания инфраструктурных взаимодействий, таких как связь между транспортными средствами (V2X

Формальная проверка и математические доказательства

Для обеспечения наивысшего уровня безопасности, где неисправность может нанести смертельный вред, промышленность все чаще обращается к формальным методам. Формальная проверка использует математическую логику, чтобы доказать, что конструкция системы (или даже ее код) удовлетворяет набору критических свойств под всеми возможными входами. Например, формальный инструмент проверки может доказать, что контроллер аварийного торможения автономного транспортного средства никогда не выдаст команду ускорения, когда препятствие обнаруживается в диапазоне столкновений, независимо от состояния других программных модулей. Это намного сильнее, чем тестирование миллиона случайных сценариев; это логическая гарантия. Проблема заключается в том, что полная формальная проверка всего автономного стека является вычислительно невыполнимой сегодня. Вместо этого она применяется к небольшим, критически важным для безопасности компонентам, таким как арбитражная логика, которая решает, какой модуль управления имеет полномочия, или к механизмам планирования операционной системы, которые обеспечивают выполнение задач по обеспечению безопасности в соответствии с их сроками. Текущие исследования по применению формальная проверка к моделям восприятия нейронной сети дает многообещающие ранние результаты, хотя широкое промышленное развертывание все

Проверка компонентов машинного обучения

Компоненты машинного обучения, особенно глубокие нейронные сети для восприятия и прогнозирования, представляют уникальные задачи проверки, которые не соответствуют традиционным парадигмам проверки программного обеспечения. Их поведение изучается из данных, а не явно запрограммировано, что делает неприменимыми показатели покрытия, такие как утверждение и покрытие филиалов. Вместо этого проверка должна фокусироваться на покрытии входного пространства, устойчивости к враждебным возмущениям и количественной оценке неопределенности. Такие методы, как покрытие нейронов, управляемое нечеткостью и абстрактной интерпретацией, адаптируются для оценки того, насколько тщательно была протестирована сеть. Кроме того, инженеры по проверке используют метаморфическое тестирование, где тот же сценарий трансформируется (например, изменение условий освещения или добавление реалистичного шума датчика) и выход сети, как ожидается, останется последовательным. Разработка контрольных показателей проверки, таких как компендиум инструментов проверки по Проверка конкуренции нейронных сетей (VNN-COMP) , ускоряет прогресс в этой области. Для критически важных решений избыточные нейронные сети с различными архитектурами могут быть проверены независимо, и их выходы могут

Решение уникальных проблем автономной проверки транспортных средств

Переход от систем помощи водителю к полной автономии вносит проблемы проверки, качественно отличающиеся от обычной автомобильной электроники. Помощник по обслуживанию полос работает в узком, хорошо понимаемом домене; роботакси должен овладеть всем открытым миром. Этот сдвиг требует новых способов мышления о полноте, прослеживаемости и адекватности теста. Старая поговорка о том, что «вы не можете протестировать качество» становится болезненно буквальной, когда операционная область не ограничена и последствия отказа являются серьезными.

Сложность сенсорного слияния и восприятия

Системы восприятия сливают данные с камер, лидаров, радаров и ультразвука в когерентное представление мира. Каждая сенсорная технология имеет свои собственные режимы отказа: камеры ослеплены бликами, лидары могут видеть сквозь туман, но могут быть обмануты отражающими поверхностями, радары борются со стационарными объектами. Проверка должна исследовать надежность слитого вывода, когда один или несколько датчиков деградируют, задача, которая требует тщательно продуманных физических и виртуальных состязательных примеров. Кроме того, многие современные системы восприятия полагаются на глубокие нейронные сети, границы принятия решений непрозрачны. Группы проверки должны дополнять традиционные показатели с помощью тестов обнаружения вне распределения, измеряя, правильно ли растут оценки неопределенности сети при столкновении с объектами, которые она никогда не видела раньше - например, лошадь на шоссе. Несколько академических коллабораций работают над контрольными наборами данных, специально предназначенными для стрессовых систем восприятия. NHTSA NHTSA изучают стандартизированные протоколы оценки восприятия. Проверка слияний также требует сквозных

Обработка крайних случаев и редких событий

Длинный хвост редких событий является сутью проблемы проверки. Любая система машинного обучения будет хорошо работать в обычных ситуациях, с которыми она сталкивалась тысячи раз. Опасность заключается в одной из миллиардов комбинаций: вход в туннель с пролитой жидкостью, отражающей верхние огни, разбитый автомобиль, наклоненный по двум полосам, с незаметным водителем, стоящим за багажником, размахивающим отражающей курткой, и скорая помощь, приближающаяся сзади с сиренами. Следовательно, стратегии проверки теперь включают автоматизированный сценарий добычи из петабайт данных о флоте, кластеризацию событий, близких к промахам, и использование генеративного моделирования для их дальнейшей мутации. Цель состоит в том, чтобы искусственно обогатить набор данных опасных краевых случаев, намного превышающих то, с чем когда-либо столкнется натуралистическое вождение, и утверждать, что поведение системы остается безопасным, даже когда сцена настолько редка, что ни один человек-водитель не видел. Такие методы, как генерация сценариев с подкреплением, доказали свою эффективность при выявлении самых сложных комбинаций параметров, часто

Тестирование на этичное принятие решений

В то время как мысленный эксперимент с троллейбусом упрощает, дизайн этического поведения в сценариях неизбежного вреда должен быть проверен. Проверка не может предписывать этику, но она может гарантировать, что система уважает определенные жесткие ограничения - например, никогда не жертвует пешеходом с уверенностью, чтобы спасти пассажира, и всегда выполняет маневр минимального риска, когда неопределенно. Тестовые случаи могут быть разработаны, чтобы исследовать, выбирает ли планировщик траекторию, которая непропорционально подвергает опасности уязвимых участников дорожного движения. Отчеты о проверке могут затем документировать эти поведения, чтобы производители могли быть прозрачными с регулирующими органами и общественностью об архитектуре решения системы. Немецкая комиссия по этике по автоматизированному и подключенному вождению опубликовала руководящие принципы, которые служат в качестве ориентира для разработки таких требований к тестированию. Практические подходы проверки включают проверку того, что поведение транспортного средства остается в пределах заранее определенной "этической оболочки", определенной набором инвариантных правил, таких как поддержание минимального расстояния до пешеходов даже во время уклончивых маневров. Формальные методы могут быть применены здесь, чтобы доказать, что планировщик никогда не

Непрерывная проверка и обновления для воздушных судов

Обновления автономных транспортных средств никогда не заканчиваются по-настоящему. Обновления для автономных транспортных средств (OTA) позволяют постоянно улучшаться, но они также вводят риск того, что новая функция вносит регрессию в ранее проверенную операцию. Это требует непрерывного конвейера верификации. Каждая ночная сборка вызывает возобновление тестов SIL, HIL и моделирования. Модели машинного обучения переоцениваются по золотым наборам данных. Формальные контракты перепроверяются. Весь процесс должен быть прослежен: для любого данного транспортного средства в любой момент времени производитель должен иметь возможность получать точные результаты проверки, которые сопровождали его конфигурацию программного обеспечения. Эта полная прослеживаемость является требованием в соответствии с Положением ООН No 157 для автоматизированных систем управления полосой движения и, вероятно, будет распространена на более высокие уровни автоматизации. Это ставит премию на облачных платформах управления проверками, которые могут организовывать миллионы тестовых платформ в неделю и представлять четкие панели тестирования менеджерам по безопасности. Методы автоматического регрессионного тестирования помогают снизить нагрузку на проверку, определяя, какие существующие тесты по-прежнему актуальны для данного обновления, и путем определения приоритетов наиболее важных сценариев. Непре

Отраслевые стандарты и нормативные рамки

Проверка не происходит в вакууме; она ограничена и руководствуется растущей сетью международных стандартов. Согласование с этими структурами обеспечивает общий язык для описания аргументов безопасности и часто является обязательным для утверждения типа. Стандарты являются строительными лесами, которые превращают специальное тестирование в повторяемую, защищаемую инженерную дисциплину.

ISO 26262 и функциональная безопасность

ISO 26262 является установленным стандартом функциональной безопасности в дорожных транспортных средствах. Он предписывает жизненный цикл, в котором определены опасности, назначены уровни целостности безопасности автомобилей (ASIL) от А до D на основе тяжести, воздействия и управляемости, а затем проверены с помощью определенных методов. Для автономного транспортного средства отсутствие человека-водителя означает, что управляемость фактически равна нулю, часто толкая многие функции к ASIL D, наивысший уровень. Это требует самых строгих методов проверки, включая тестирование на впрыск неисправностей на аппаратном обеспечении и исчерпывающие испытания на основе требований. Часть 6 ISO 26262 специально охватывает разработку программного обеспечения, мандатирование тестирования блока, интеграционное тестирование и показатели структурного покрытия, такие как заявление и покрытие филиала. Поскольку искусственный интеллект становится более распространенным, технический отчет по адаптации ISO 26262 к машинному обучению, хотя его завершение находится на рассмотрении. Стандарт также требует систематической проверки механизмов безопасности, таких как сторожевые таймеры, защита памяти и проверка целостности сообщений. Для автономных систем соблюдение ISO 26262 часто является необходимым условием для получения одобрения регулирующих органов во многих юрисдикциях, а сторонние органы

SOTIF (ISO/PAS 21448)

Там, где ISO 26262 устраняет опасности, вызванные сбоями системы, стандарт ISO 21448, устраняет опасности, которые могут возникнуть в отсутствие сбоя — когда система работает точно так же, как спроектировано, но дизайн не является достаточным для реального мира. Для алгоритма восприятия плохо выбранный учебный набор может сделать ее уязвимой для определенных условий освещения, даже если ее код безупречен. SOTIF обеспечивает основу для выявления и сокращения таких функциональных несоответствий. Проверка в SOTIF включает в себя итеративное генерирование сценариев и оценку, особенно в неизвестной небезопасной зоне. Тесты предназначены для того, чтобы подтолкнуть систему от известных небезопасных сценариев (проверенных и фиксированных) до состояния, когда остаток неизвестного небезопасного риска настолько низок, что он приемлем для развертывания. Этот процесс в значительной степени использует критерии моделирования и состязательного поиска сценариев, и он требует критериев приемлемости, которые являются статистически обоснованными, монументальная задача, учитывая редкость некоторых событий. Стандарт также вводит концепцию «метрик эффективности безопасности», таких как ложноположительные и ложноотрицательные показатели для функций восприятия, и требует

Национальные и международные протоколы испытаний

Несколько стран разрабатывают свои собственные протоколы испытаний, которые служат демонстрационными контрольно-пропускными пунктами. Euro NCAP объявила о своем видении протокола 2026 года, который будет включать в себя оценку помощи водителю и автоматизированных систем вождения, включая сценарии, такие как включение и вырезание, изменение полосы движения и пешеходные переходы. В Комплексном плане автоматизированных транспортных средств NHTSA подчеркивается безопасность посредством проверки на основе данных, и агентство выпустило постоянный общий порядок, требующий отчетности о дорожно-транспортных происшествиях для транспортных средств, оснащенных системами автоматического вождения уровня 2 ADAS и уровня 3-5. Китай собирает всеобъемлющую систему испытаний замкнутого цикла, которая включает в себя виртуальные испытания, испытания на земле и испытания на дорогах общего пользования, о чем свидетельствуют руководящие принципы Пекинской муниципальной комиссии транспорта. Эти протоколы все чаще сходятся в своей зависимости от комбинации физических испытаний и проверенного пробега моделирования, сигнализируя о глобальном нормативном ожидании, что проверка должна быть постоянным, документированным процессом на протяжении всего жизненного цикла транспортного средства. Европейская экономическая комиссия ООН (ЕЭК ООН) также приняла правила для автоматизированных систем вождения, включая R152 ООН для передовых систем

Будущее проверки: автоматизированное тестирование

Огромный масштаб автономной проверки транспортных средств приводит к глубокому сдвигу в сторону автоматизации самого процесса проверки. Для инженеров-людей становится невозможным вручную создавать и поддерживать десятки миллионов сценариев тестирования. Поэтому индустрия разрабатывает системы ИИ, которые могут генерировать, выполнять и сортировать сценарии тестирования. Агенты обучения с подкреплением исследуют состояние автономного транспортного средства, активно ищут поведение, которое нарушает ограничения, действуя как неутомимый противник. Генеративные состязательные сети создают фотореалистичные синтетические данные датчиков для заполнения пробелов в реальных наборах данных. Эта парадигма «верификация как услуга» используется для перевода законов трафика на естественном языке в исполняемые спецификации тестирования. Эта парадигма «верификация как услуга» позволяет небольшим командам разработчиков получить доступ к массивным виртуальным тестовым паркам, демократизируя безопасность. В конечном счете, цель - самосовершенствование цикла безопасности: полевые данные подают генерацию сценариев, которая сортирует соответствующие сценарии в регрессионные тесты, которые сжимают неизвестное пространство с каждым циклом, разрушая длинный хвост, который создает окончательный барьер для полностью беспилотного развертывания. В ближайшем будущем мы можем увидеть автономные агенты проверки, которые автоматически с

Заключение

Проверка не является одноразовой вехой на пути к запуску автономного транспортного средства; это постоянный, живой процесс, который идет в ногу с развитием. Он требует синтеза традиционной инженерии безопасности с последними достижениями в области облачных вычислений, моделирования и искусственного интеллекта. Результаты тихо спасают жизни даже до того, как первое такси без водителя войдет в эксплуатацию - каждая ошибка, найденная в скамейке HIL, и каждый крайний случай, идентифицированный в моделировании, является потенциальной аварией. По мере того, как индустрия движется к операциям уровня 4 и уровня 5, ответственность, возложенная на проверку, будет только возрастать. Организации, которые овладеют этой тихой, строгой дисциплиной, будут теми, кто, наконец, овладеет обещанием действительно автономной мобильности, заработав уровень общественного доверия, который так же прочен, как сталь и код, которые составляют их транспортные средства. Путь к широкому развертыванию проложен не только с амбициозными демонстрационными мероприятиями, но и с миллионами документированных действий по проверке, которые обеспечивают уверенность, необходимую для регулирующих органов, инвесторов и общественности, чтобы охватить будущее, в котором автомобили управляют собой