ADAS e guida autonoma: fondamenti di rilevamento

Guadagni:

• Capacità di spiegare i ruoli di telecamera, radar, LiDAR e fusione di sensori nella catena di rilevamento e nei livelli di automazione SAE
• Capacità di creare etichettatura dei dati, definizione di scenari e metriche di valutazione per il rilevamento, la classificazione e il tracciamento degli oggetti
• Capacità di valutare criticamente casi limite, equilibrio falsi positivi/negativi e margine di sicurezza nell'output del modello di rilevamento

La maggior parte dei veicoli oggi dispone di funzionalità come l'avviso di deviazione dalla corsia, la frenata di emergenza automatica o il cruise control adattivo. Questi sono tutti sotto l'egida di ADAS (Advanced Driver Assistance Systems). Al centro di questi sistemi e dell’ulteriore guida autonoma c’è la percezione: il modo in cui il veicolo “vede” il mondo che lo circonda con sensori e lo “comprende” con l’intelligenza artificiale. In questa unità tratteremo la catena di rilevamento, i sensori, i livelli di automazione e la questione più critica, i confini di sicurezza.

Un avvertimento fin dall'inizio: quest'area è critica per la sicurezza. Se il modello di rilevamento non rileva un pedone, il risultato può essere fatale. Ecco perché ogni output dell'intelligenza artificiale qui deve essere circondato da processi di ingegneria della sicurezza (ISO 26262 e SOTIF nelle prossime unità).

Sensori: occhi, orecchie e radar

Uno stack di guida autonoma combina diversi sensori perché ognuno ha punti di forza e di debolezza:

• Telecamera: la telecamera "vede" meglio il colore, il testo (segnale stradale), la linea della corsia e il tipo di oggetto. Ma è scarso di notte, nebbia, forte abbagliamento del sole e stima della distanza.
• Radar (rilevamento e portata radio): misura la distanza e la velocità con le onde radio. È meno influenzato dalla pioggia/nebbia e misura direttamente la velocità (con l'effetto Doppler); ma la sua risoluzione è bassa, rendendo difficile distinguere "è un pedone o una scatola?"
• LiDAR (Light Detection and Ranging): spara un laser e produce una precisa "nuvola di punti" tridimensionale dell'ambiente circostante; Dà distanza e forma molto bene. Ma è costoso e può essere influenzato da forte nebbia/pioggia.
• Ultrasonici: a corto raggio, come i sensori di parcheggio.

Poiché nessuno dei due è sufficiente da solo, viene eseguita la fusione dei sensori: combinando i dati di diversi sensori, la debolezza di ciascuno viene compensata dalla forza dell'altro. Ad esempio, la telecamera dice "pedonale", il radar dice "a 12 metri, vicino a 5 km/h"; Fusion combina i due e crea una traccia affidabile.

Suggerimento: quando si valuta una richiesta di rilevamento, "quale sensore può vederlo e quanto bene?" chiedere. Se la stima della distanza notturna della telecamera è scarsa, la decisione sulla distanza basata su una singola telecamera è discutibile.

Catena di rilevamento

La catena tipica dai dati grezzi del sensore alla decisione è la seguente:

1. Rilevamento: ricerca di oggetti nell'immagine/nuvola di punti ("c'è uno strumento qui").
2. Classificazione: determinazione del tipo di oggetto (pedone, bicicletta, veicolo, segnaletica).
3. Tracciamento: seguire l'oggetto tra i fotogrammi, stimandone la velocità e la direzione.
4. Fusione: combinazione di sensori per creare un modello mondiale coerente.
5. Previsione: "Questo pedone attraverserà la strada?"
6. Pianificazione e controllo: Decisione e comando sterzo/freno/acceleratore.

Intelligenza artificiale (in particolare deep learning) 1-3. molto forte nei passi; 5-6. I passaggi sono sempre più circondati da regole ingegneristiche e logiche di sicurezza.

Livelli di automazione SAE

L'autonomia non è una cosa "sì/no", è graduale. Lo standard SAE J3016 definisce sei livelli:

Livello

Nome

Chi guida?

esempio

0

Nessuna automazione

tutti guidano

Solo avviso (avviso di angolo cieco)

1

Supporto al conducente

driver + supporto singolo

Crociera adattiva o mantenimento della corsia

2

Automazione parziale

Autista (supervisione costante)

Velocità + corsia insieme, conducente responsabile

3

Automazione condizionale

Sistema (in determinate condizioni)

In determinate condizioni il sistema guida e il conducente è pronto a subentrare

4

elevata automazione

Sistema (in un'area specifica)

Senza conducente in un'area delimitata

5

Automazione completa

Sistema (in tutte le condizioni)

Senza conducente ovunque (non ancora)

Attenzione: l'equivoco più pericoloso è il livello 2. Nel livello 2, il veicolo supporta lo sterzo e la velocità, ma il conducente mantiene una supervisione e una responsabilità costanti. Confondere il sistema con un "pilota automatico" e non prestare attenzione ha portato a incidenti mortali. Il livello 2 non significa "senza conducente".

Metriche di valutazione: falsi positivi e falsi negativi

Due tipi di errori sono fondamentali quando si valuta un modello di rilevamento:

• Falso positivo: pensare che esista qualcosa che non esiste. Ad esempio, pensare che l'ombra di un ponte sia un "ostacolo" e frenare inutilmente. Disturbante e talvolta pericoloso (tamponamento).
• Falso negativo (falso negativo/miss): Non riuscire a vedere qualcosa che esiste. Ad esempio, non vedere un vero pedone. Questo è l’errore più mortale nella guida autonoma.

Metriche che riassumono questi:

• Precisione: quanto di ciò che hai segnato è effettivamente corretto.
• Ricordo (sensibilità): quanto di ciò che esiste realmente hai catturato.
• mAP (precisione media media): metrica composita comune per il rilevamento di oggetti.

Il richiamo (non perdere nessun pedone) è vitale in questioni come il rilevamento dei pedoni nella guida autonoma; Aumentandolo a volte aumenta il falso positivo. Questo compromesso è una decisione di ingegneria della sicurezza, non la pura accuratezza del modello.

Casi limite e coda lunga

La parte più difficile della guida autonoma non sono le situazioni comuni, ma quelle rare e strane: il cartello semivisibile sotto la neve, il camion capovolto, un pedone in costume, i mobili caduti sulla strada. Queste situazioni rare ma pericolose sono chiamate coda lunga. Anche se un modello può essere perfetto per milioni di miglia "normali", potrebbe fallire in una situazione estrema mai vista prima. Ecco perché i test basati su scenari, la simulazione e la convalida nel mondo reale sono infiniti.

Mini casi di studio

Caso 1 – Il valore della fusione. Durante il test della frenata automatica di emergenza, un team ADAS ha scoperto che era lento individuare un veicolo di colore scuro davanti a sé in pieno sole con la sola telecamera. Quando vengono aggiunti i dati radar (il radar non è influenzato dall'abbagliamento) il sistema rileva il veicolo 0,4 secondi prima; Ciò significa uno spazio di frenata di circa 10 metri a 90 km/h. Risultato: Fusion ha chiuso l'angolo cieco del sensore singolo.

Caso 2 - Bilancia di precisione/richiamo. Quando si abbassa la soglia del modello di rilevamento pedoni, il richiamo aumenta dal 96% al 99%, ma aumentano i falsi positivi (ombra, cespugli) che portano a frenate inutili. La decisione è presa dal team di sicurezza: evitare i pedoni è una priorità, ma il comfort viene mantenuto eliminando i falsi positivi con la logica di fusione e tracciamento. Conclusione: la selezione della metrica è una decisione di ingegneria/sicurezza, non esiste un unico "numero corretto".

Caso 3 - Sorpresa del caso Edge. Anche se un modello ha avuto successo al 99,8% nel suo set di validazione, ha scambiato la foto di un pedone gigante dietro un camion che trasportava una pubblicità di pneumatici da neve sul campo per un "vero pedone" e ha frenato improvvisamente. Il team aggiunge questo caso limite alla libreria degli scenari e riqualifica il modello. Conclusione: la lunga coda non "finisce" mai; È necessaria una raccolta costante di scenari.

modelli di prompt

Modello 1 - Generazione di un elenco di scenari:

Ruolo: sei l'ingegnere del test case ADAS. Compito: produrre scenari di test impegnativi (casi limite) per la frenata di emergenza automatica. Contesto: Urbano, 30-50 km/h, misto pedonale e ciclistico. Vincolo: dare priorità a scenari rari/pericolosi e non frequenti; scrivere il comportamento corretto previsto per ogni scenario. Output: Scenario | condizione | comportamento previsto | livello di rischio.

Modello 2 - Schema della guida all'etichettatura:

Ruolo: responsabile della qualità dell'etichettatura dei dati. Compito: scrivere una bozza di regole di coerenza per l'etichettatura dei pedoni. Contesto: sono presenti pedoni parzialmente visibili, seduti, su sedia a rotelle e in gruppi. Risultato: regola | esempio | tabella dei voti allo stato limite.

Modello 3 - Interpretazione metrica:

Ruolo: esperto di valutazione della visione artificiale. Compito: interpretare i risultati del rilevamento dei pedoni. Contesto: precisione 0,93, richiamo 0,90, maggior parte degli errori di notte o sotto la pioggia. Vincolo: sottolineare l'importanza del richiamo per la sicurezza; Dimmi a quali condizioni è richiesta un'ulteriore verifica. Risultato: commento + aree prioritarie di miglioramento.

Modello 4 - Schema della logica di fusione:

Ruolo: sei un ingegnere di fusione dei sensori. Compito: suggerire una bozza di logica decisionale in caso di conflitto tra telecamera e radar. Contesto: il radar vede un piccolo oggetto in movimento a 15 m mentre la telecamera dice "nessun pedone". Vincolo: applicare il principio di presupposto a favore della sicurezza (lato sicuro). Risultato: tabella decisionale + giustificazione.

Prompt debole / Prompt forte

Suggerimento debole:

Il mio modello di veicolo autonomo è sicuro?

Senza contesto; "sicuro" non è definito; L’intelligenza artificiale parla solo in termini generali e può dare fiducia fuorviante.

Suggerimento potente:

Ruolo: sei il consulente per la valutazione della sicurezza ADAS. Compito: creare una lista di controllo per mettere in discussione le vulnerabilità del mio modello di rilevamento dei pedoni. Contesto: Sistema Urbano Livello 2; Il richiamo cade di notte e sotto la pioggia; C'è solo telecamera + radar, niente LiDAR. Vincolo: non dichiarare "sicuro"; specificare in quali condizioni il sistema è al limite e quali test aggiuntivi sono necessari. Risultato: Area di rischio | perché | prova consigliata | tabella di importanza.

Errori comuni

• Confondere il livello 2 con "senza conducente". La responsabilità è dell'autista; Questo malinteso è fatale.
• Affidarsi a un unico sensore. Ogni sensore ha un punto cieco; la fusione è essenziale.
• Sto solo guardando la precisione media. 99% di successo, 1% di pedone mancato potrebbe essere fatale; il richiamo e i casi limite sono critici.
• Ignorando i casi estremi. La lunga coda non finisce mai; La raccolta degli scenari è continua.
• Lasciare la decisione sulla sicurezza al modello. Le decisioni relative alle soglie e al bilanciamento sono responsabilità dell'ingegneria della sicurezza.

In sintesi

• Al centro degli ADAS e del rilevamento della guida autonoma ci sono telecamera, radar, LiDAR e fusione di sensori; Ogni sensore ha diversi punti di forza/debolezza.
• La catena di rilevamento è costituita da rilevamento, classificazione, monitoraggio, fusione, previsione e controllo; L’intelligenza artificiale è forte nei primi passi.
• I livelli SAE vanno da 0 a 5; Nel livello 2 la responsabilità spetta al conducente.
• Il falso negativo (rapimento di un pedone) è l’errore più fatale; il richiamo e i casi limite hanno la priorità.
• Le decisioni sulla sicurezza sono responsabilità dell'ingegneria; L’accuratezza del modello non è l’unico criterio.

Compito dell'applicazione

Seleziona una funzione ADAS (ad esempio l'assistenza al mantenimento della corsia). (1) Scrivere in una tabella quali sensori supportano questa funzione e quanto bene. (2) Generare 5 scenari di casi limite con il Modello 1 e specificare il comportamento sicuro previsto per ciascuno. (3) Confrontare i risultati di falsi positivi e falsi negativi per questa funzione. (4) Elencare quali test indipendenti sono richiesti prima di affermare che il modello è "sicuro".

lista di controllo

• [ ] Ho valutato i punti di forza/debolezza dei sensori in base alla funzione.
• [ ] Ho anche elencato gli scenari finali (coda lunga).
• [ ] Ho confrontato i risultati falsi positivi/negativi per motivi di sicurezza.
• [ ] Ho preso in considerazione l'importanza critica della sicurezza di Recall.
• [ ] Ho chiarito il livello SAE e chi è responsabile.
• [] Ho preparato un piano di test indipendente prima di dichiararmi "sicuro".