ADAS ונהיגה אוטונומית: יסודות החישה

רווחים:

• יכולת להסביר את תפקידי המצלמה, הרדאר, ה-LiDAR והיתוך חיישנים בשרשרת הזיהוי וברמות האוטומציה של SAE
• יכולת ליצור תיוג נתונים, הגדרת תרחישים ומדדי הערכה לזיהוי אובייקטים, סיווג ומעקב
• יכולת להעריך באופן ביקורתי מקרי קצה, איזון חיובי/שלילי כוזב ומרווח בטיחות בפלט מודל הזיהוי

לרוב כלי הרכב כיום יש תכונות כמו התרעה על סטייה מנתיב, בלימת חירום אוטומטית או בקרת שיוט אדפטיבית. כל אלה נמצאים תחת המטריה של ADAS (מערכות סיוע לנהג מתקדמות). בלב המערכות הללו ועוד נהיגה אוטונומית עומדת התפיסה: האופן שבו הרכב "רואה" את העולם סביבו באמצעות חיישנים ו"מבין" אותו בבינה מלאכותית. ביחידה זו נסקור את שרשרת הזיהוי, חיישנים, רמות אוטומציה והנושא הקריטי ביותר, גבולות אבטחה.

אזהרה מההתחלה: התחום הזה קריטי לביטחון. אם מודל הגילוי אינו מזהה הולך רגל, התוצאה עלולה להיות קטלנית. זו הסיבה שכל פלט AI כאן חייב להיות מוקף בתהליכי הנדסת אבטחה (ISO 26262 ו-SOTIF ביחידות הבאות).

חיישנים: עיניים, אוזניים ומכ"ם

ערימת נהיגה אוטונומית משלבת חיישנים שונים מכיוון שלכל אחד יש חוזקות וחולשות:

• מצלמה: המצלמה "רואה" את הצבע, הטקסט (תמרור), קו הנתיב וסוג האובייקט בצורה הטובה ביותר. אבל הוא גרוע בלילה, ערפל, סנוור חזק מהשמש והערכת מרחק.
• מכ"ם (זיהוי רדיו וטווחים): מודד מרחק ומהירות באמצעות גלי רדיו. הוא מושפע פחות מגשם/ערפל ומודד מהירות ישירות (עם אפקט דופלר); אבל הרזולוציה שלו נמוכה, מה שמקשה על ההבחנה "האם זה הולך רגל או קופסה?"
• LiDAR (זיהוי וטווחי אור): יורה בלייזר ומייצר "ענן נקודות" תלת מימדי מדויק של הסביבה; זה נותן מרחק וצורה טוב מאוד. אבל זה יקר ויכול להיות מושפע מערפל/גשם כבד.
• אולטרסאונד: טווח קצר, כמו חיישני חניה.

מכיוון שאף אחד מהם אינו מספיק בפני עצמו, מבוצע היתוך חיישנים: על ידי שילוב נתונים של חיישנים שונים, חולשתו של כל אחד מפוצה על ידי החוזק של השני. לדוגמה, המצלמה אומרת "הולך רגל", המכ"ם אומר "ב-12 מטר, מתקרב ל-5 קמ"ש"; פיוז'ן משלב בין השניים ויוצר מסלול אמין.

טיפ: בעת הערכת תביעת זיהוי, "איזה חיישן יכול לראות אותה ועד כמה?" לִשְׁאוֹל. אם הערכת המרחק של המצלמה בלילה גרועה, החלטת מרחק המבוססת על מצלמה בודדת מוטלת בספק.

שרשרת איתור

השרשרת האופיינית מנתוני חיישן גולמיים להחלטה היא כדלקמן:

1. איתור: מציאת אובייקטים בענן התמונה/נקודות ("יש כאן כלי").
2. סיווג: קביעת סוג החפץ (הולך רגל, אופניים, רכב, שלט).
3. מעקב: מעקב אחר האובייקט בין פריימים, הערכת המהירות והכיוון שלו.
4. Fusion: שילוב חיישנים ליצירת מודל עולמי עקבי.
5. תחזית: "האם הולך הרגל הזה יחצה את הרחוב?"
6. תכנון ובקרה: החלטה ופקודת היגוי/בלימה/מאיץ.

בינה מלאכותית (במיוחד למידה עמוקה) 1-3. חזק מאוד בצעדים; 5-6. הצעדים מוקפים יותר ויותר בחוקים הנדסיים והיגיון אבטחה.

רמות אוטומציה של SAE

אוטונומיה היא לא דבר של "כן/לא", היא הדרגתית. תקן SAE J3016 מגדיר שש רמות:

רמה

שם

מי נוהג?

דוגמה

0

אין אוטומציה

כולם נוהגים

אזהרה בלבד (אזהרת נקודה עיוורת)

1

תמיכה בנהגים

דרייבר + תמיכה יחידה

שיוט אדפטיבי או שמירת נתיב

2

אוטומציה חלקית

נהג (פיקוח מתמיד)

מהירות + נתיב ביחד, הנהג אחראי

3

אוטומציה מותנית

מערכת (בתנאי מסוים)

בתנאים מסוימים המערכת נוהגת, הנהג מוכן להשתלט

4

אוטומציה גבוהה

מערכת (באזור ספציפי)

ללא נהג באזור מוגדר

5

אוטומציה מלאה

מערכת (בכל התנאים)

ללא נהג בכל מקום (עדיין לא)

זהירות: אי ההבנה המסוכנת ביותר היא רמה 2. ברמה 2, הרכב תומך בהיגוי ובמהירות, אך הנהג שומר על השגחה ואחריות מתמדת. טעות במערכת כ"טייס אוטומטי" ואי תשומת לב הביאה לתאונות קטלניות. רמה 2 לא אומרת "ללא נהג".

מדדי הערכה: חיובי שגוי ושלילי כוזב

שני סוגים של שגיאות הם קריטיים בעת הערכת מודל זיהוי:

• חיובי כוזב: לחשוב שיש משהו שלא קיים. למשל לחשוב שצל גשר הוא "מכשול" ולבלום שלא לצורך. מטריד ולפעמים מסוכן (התנגשות מאחור).
• False negative (false negative / missing): לא להיות מסוגל לראות משהו שקיים. למשל, לא לראות הולך רגל אמיתי. זו הטעות הקטלנית ביותר בנהיגה אוטונומית.

מדדים המסכמים את אלה:

• דיוק: כמה ממה שסימנת באמת נכון.
• היזכרות (רגישות): כמה ממה שקיים בפועל תפסת.
• mAP (ממוצע דיוק ממוצע): מדד מורכב נפוץ לזיהוי אובייקטים.

ריקול (לא חסר אף הולך רגל) הוא חיוני בנושאים כמו זיהוי הולכי רגל בנהיגה אוטונומית; הגדלת זה לפעמים מגבירה את ה-false positive. הפשרה הזו היא החלטה מהנדסת אבטחה, לא דיוק דגם טהור.

מארזי קצה והזנב הארוך

החלק הקשה ביותר בנהיגה אוטונומית הוא לא המצבים השכיחים, אלא הנדירים והמוזרים שבהם: השלט שנראה למחצה מתחת לשלג, המשאית הפוכה, הולך רגל לבוש, רהיטים שנפלו על הכביש. המצבים הנדירים אך המסוכנים הללו נקראים זנב ארוך. בעוד שדגם עשוי להיות מושלם למיליוני מיילים "רגילים", הוא עלול להיכשל במצב קיצוני שלא ראה מעולם. לכן בדיקות מבוססות תרחישים, סימולציה ואימות בעולם האמיתי הם אינסופיים.

מיני מקרי מבחן

מקרה 1 - ערך היתוך. בזמן בדיקת בלימת חירום אוטומטית, צוות ADAS גילה שהוא איטי לזהות רכב בצבע כהה מולו בשמש בהירה רק עם המצלמה. כאשר מוסיפים נתוני מכ"ם (הרדאר אינו מושפע מסנוור) המערכת מזהה את הרכב 0.4 שניות קודם לכן; המשמעות היא מרחק בלימה של כ-10 מטרים ב-90 קמ"ש. תוצאה: פיוז'ן סגר את הכתם העיוור של החיישן היחיד.

מקרה 2 - איזון ריקול/דיוק. כאשר מורידים את הסף של מודל זיהוי הולכי רגל, הריקול עולה מ-96% ל-99%, אך תוצאות שווא (צל, שיחים) מתגברות, מה שמוביל לבלימה מיותרת. צוות האבטחה מקבל את ההחלטה: הימנעות מהולכי רגל היא בראש סדר העדיפויות, אך הנוחות נשמרת על ידי ביטול תוצאות כוזבות עם היגיון ומעקב. מסקנה: בחירת מד היא החלטה הנדסית/ביטחונית, אין "מספר נכון".

מקרה 3 - הפתעת תיק קצה. בעוד שדגם הצליח ב-99.8% בערכת האימות שלו, הוא טעה בתמונה של הולך רגל ענק מאחורי משאית נושאת פרסומת של צמיגי שלג בשטח בתור "הולך רגל אמיתי" ובלם לפתע. הצוות מוסיף את מקרה הקצה הזה לספריית התרחישים ומכשיר מחדש את המודל. מסקנה: הזנב הארוך לעולם אינו "נגמר"; נדרש איסוף תרחישים קבוע.

תבניות בקשות

תבנית 1 - יצירת רשימת תרחישים:

תפקיד: אתה מהנדס מקרה המבחן של ADAS. משימה: הפקת תרחישי בדיקה מאתגרים (מקרה קצה) עבור בלימת חירום אוטומטית. הקשר: עירוני, 30-50 קמ"ש, הולך רגל ורוכב אופניים מעורב. אילוץ: תעדוף תרחישים נדירים/מסוכנים, לא תכופים; כתוב את ההתנהגות הנכונה הצפויה עבור כל תרחיש. פלט: תרחיש | מצב | התנהגות צפויה | רמת הסיכון.

תבנית 2 - מתאר מדריך תיוג:

תפקיד: מוביל איכות תיוג נתונים. משימה: כתוב טיוטה של כללי עקביות לתיוג הולכי רגל. הקשר: יש הולכי רגל גלויים חלקית, יושבים, בכיסאות גלגלים, ובקבוצות. פלט: כלל | דוגמה | טבלת ציונים של מדינת הגבול.

תבנית 3 - פרשנות מטרית:

תפקיד: מומחה להערכת ראייה ממוחשבת. משימה: לפרש את תוצאות זיהוי הולכי רגל שלי. הקשר: דיוק 0.93, ריקול 0.90, רוב החמצות בלילה או בגשם. אילוץ: הדגש את החשיבות של ריקול לביטחון; ספר לי באילו תנאים נדרש אימות נוסף. פלט: הערה + אזורי עדיפות לשיפור.

תבנית 4 - מתאר לוגיקה פיוז'ן:

תפקיד: אתה מהנדס היתוך חיישנים. משימה: הצע טיוטת היגיון החלטה כאשר המצלמה והרדאר מתנגשות. הקשר: הרדאר רואה אובייקט קטן נע במרחק של 15 מ' בעוד המצלמה אומרת 'אין הולך רגל'. אילוץ: החל את עקרון ההנחה לטובת בטיחות (צד בטוח). פלט: טבלת החלטות + נימוק.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

האם דגם הרכב האוטונומי שלי בטוח?

ללא הקשר; "בטוח" אינו מוגדר; בינה מלאכותית מדברת רק בקווים כלליים ויכולה לתת ביטחון מטעה.

הנחיה עוצמתית:

תפקיד: אתה יועץ הערכת האבטחה של ADAS. משימה: צור עבורי רשימת בדיקה כדי לפקפק בפגיעויות של מודל זיהוי הולכי הרגל שלי. הקשר: מערכת עירונית ברמה 2; ריקול נופל בלילה ובגשם; יש רק מצלמה + רדאר, אין LiDAR. אילוץ: אין להכריז על 'בטוח'; ציין באילו תנאים המערכת נמצאת בגבולה ואילו בדיקות נוספות נדרשות. פלט: אזור סיכון | למה | בדיקה מומלצת | טבלת חשיבות.

טעויות נפוצות

• טעות רמה 2 היא "ללא נהג". האחריות היא על הנהג; התפיסה המוטעית הזו היא קטלנית.
• הסתמכות על חיישן בודד. לכל חיישן יש נקודה עיוורת; היתוך הוא חיוני.
• רק מסתכלים על דיוק ממוצע. 99% הצלחה, 1% החמצה של הולך רגל עלול להיות קטלני; ריקול ומקרי קצה הם קריטיים.
• התעלמות ממקרי קיצון. הזנב הארוך אינו מסתיים לעולם; איסוף התרחישים הוא רציף.
• משאירים את ההחלטה הביטחונית למודל. החלטות סף ואיזון הן באחריות הנדסת האבטחה.

לסיכום

• בליבה של ADAS וחישת נהיגה אוטונומית עומדת מצלמה, מכ"ם, LiDAR ומיזוג חיישנים; לכל חיישן חוזקות/חולשות שונות.
• שרשרת האיתור מורכבת מזיהוי, סיווג, ניטור, היתוך, חיזוי ובקרה; AI חזק בשלבים הראשונים.
• רמות SAE נעות בין 0 ל-5; ברמה 2 האחריות היא על הנהג.
• שלילי כוזב (חטיפת הולכי רגל) היא השגיאה הקטלנית ביותר; ריקול ומקרי קצה מקבלים עדיפות.
• החלטות אבטחה הן אחריות הנדסית; דיוק הדגם אינו הקריטריון היחיד.

משימת יישום

בחר פונקציית ADAS (למשל סיוע לשמירה על נתיב). (1) כתוב בטבלה אילו חיישנים תומכים בפונקציה זו ועד כמה. (2) צור 5 תרחישי מקרה קצה עם תבנית 1 וציין את ההתנהגות הבטוחה הצפויה עבור כל אחד מהם. (3) השווה את התוצאות של חיובי כוזב ושלילי כוזב עבור פונקציה זו. (4) רשום אילו בדיקות עצמאיות נדרשות לפני הטענה שהדגם "בטוח".

רשימת בדיקה

• [ ] הערכתי את החוזקות/חולשות של החיישנים בהתאם לתפקוד.
• [ ] רשמתי גם את תרחישי המקרה הסופי (הזנב הארוך).
• [ ] השוויתי תוצאות חיוביות/שליליות שגויות ליתר בטיחות.
• [ ] לקחתי בחשבון את החשיבות האבטחה-קריטית של ריקול.
• [ ] הבהרתי את רמת SAE ומי אחראי.
• [ ] הכנתי תוכנית בדיקה עצמאית לפני שטענה "בטוחה".