تعاریف متعددی وجود دارد؛ اما انجمن بین‌المللی مهندسان خودرو (SAE) تعریفی را بر اساس سطح‌بندی زیر ارائه کرده که موردتوجه بخش‌های مختلف صنعت قرار گرفته است. این سطح‌ها و تعاریف را که در استاندارد SAE J3016 آمده است به شرح زیر است:
- سطح 0: بدون هیچ‌گونه خودکارسازی (اتوماسیون). رانندگی توسط انسان انجام می‌شود و راننده تمام امور مربوط به رانندگی را حتی اگر بعضی از سامانه‌های مداخله‌گر و هشداردهنده او را همیاری کنند؛ خودش به‌تنهایی انجام می‌دهد.
- سطح 1: دستیار راننده. یک سامانه دستیار راننده می‌تواند بر اساس اطلاعاتی که از محیط رانندگی به دست می‌آورد، خودرو را به شیوهٔ خاصی هدایت کند، در جاهایی ترمز کند و از شتاب ماشین بکاهد و در جاهایی به‌شتاب آن بیفزاید، با فرض بر اینکه شخص راننده دیگر جوانب رانندگی پویا را خود انجام دهد.
- سطح 2: اتوماسیون جزئی. یک یا چند سامانه دستیار راننده با اطلاعاتی که از محیط رانندگی به دست می‌آورند، هدایت خودرو و افزایش و کاهش شتاب آن را به شیوه‌ای خاص انجام می‌دهند با فرض اینکه راننده، سایر جوانب رانندگی پویا را خود انجام دهد.
- سطح 3: اتوماسیون مشروط. یک سامانه رانندگی خودکار تمام جوانب رانندگی پویا را به شیوه‌ای خاص به عهده می‌گیرد، با این فرض که شخص راننده، زمانی که از او درخواست دخالت می‌شود به شکلی مناسب پاسخ دهد.
- سطح 4: اتوماسیون سطح بالا. یک سامانه رانندگی خودکار تمامی جوانب رانندگی پویا را به شیوه‌ای خاص به عهده می‌گیرد، حتی اگر شخص راننده به درخواست‌های مداخله پاسخ مناسب ندهد.
- سطح 5: تمام‌اتوماتیک. یک سامانه رانندگی خودکار کلیه جوانب رانندگی پویا را که یک راننده انسان می‌تواند در طول یک مسیر، در تمام شرایط محیطی و جاده‌ای مدیریت کند، انجام می‌دهد.
تصمیم‌گیری
ماشین‌های تمام خودران می‌توانند در هر کیلومتری که طی می‌کنند هزاران تصمیم گوناگون بگیرند. اما این کار را باید به طور مداوم و به شکلی صحیح انجام دهند. در حال حاضر، طراحان AV از چند روش ابتدایی برای نگه‌داشتن خودروها در یک خط مستقیم استفاده می‌کنند.
- شبکه‌های عصبی. برای شناسایی حالت‌های خاص و تصمیم‌گیری مناسب، امروزه سامانه‌های تصمیم‌گیری عموماً از شبکه‌های عصبی استفاده می‌کنند. طبیعت پیچیده این شبکه‌ها می‌تواند درک دلایل اصلی یا منطق تصمیم‌گیری خاصی که توسط آنها انجام شده است را دشوار کند.
- تصمیم‌گیری قانون – محور. مهندسان تمام ترکیب‌های ممکن قوانین اگر – آنگاه را گردآوری می‌کنند و سپس خودرو را بر اساس روش قانون – محور، برنامه‌ریزی می‌کنند. زمان و کار بسیار زیاد برای این روش لازم است و همین‌طور عدم امکان لحاظ کردن تمام حالت‌های بالقوه، استفاده از این روش را غیرممکن می‌کند.
- روش ترکیبی. بسیاری از کارشناسان، روش ترکیبی را که از به‌کارگیری هر دوی روش‌های شبکه عصبی و برنامه‌نویسی قانون – محور اصل می‌شود را بهترین راه‌حل می‌دانند. توسعه‌دهندگان می‌توانند پیچیدگی ذاتی شبکه‌های عصبی را با معرفی افزونگی حل کنند (شبکه‌های عصبی خاص برای هر پردازش جداگانه که همگی توسط یک شبکه عصبی مرکزی کنترل می‌شوند). سپس با استفاده از قوانین اگر – آنگاه این روش را تکمیل کنند.
روش ترکیبی، به‌ویژه همراه با مدل‌های آماری – استنتاجی، امروزه از محبوب‌ترین روش‌هاست.
آزمایش و تأیید
صنعت خودروسازی در روش‌های مختلف آزمایش و تأیید تجربیات گران قیمتی دارد. در زیر برخی از روش‌های معمول که در توسعه خودروهای خودکار مورداستفاده قرار می‌گیرند را بررسی می‌کنیم.
- جستجوی فراگیر[1]. مهندسان برای اطمینان از اینکه از لحاظ آماری، سامانه‌ها ایمن و بدون خطر هستند و به‌درستی کار می‌کنند، خودروها را تحت میلیون‌ها کیلومتر آزمایش رانندگی قرار می‌دهند. اما چالش اصلی اینجاست که چند کیلومتر واقعاً لازم است؟ چون زمان بسیار طولانی برای انجام این میزان رانندگی، صرف می‌شود. تحقیقات نشان داده است برای‌آنکه مشخص شود هرکدام از انواع ماشین‌های خودکار با ضریب اطمینان 95درصد و نرخ شکست حداکثر 09/1 مرگ‌ومیر در هر 160 میلیون کیلومتر، به‌درستی کار می‌کنند به حدود 443 میلیون کیلومتر رانندگی آزمایشی نیاز است. برای نشان‌دادن عملکرد بهتر از انسان، عدد این کیلومترهای آزمایش حتی به بیش از چند میلیارد می‌رسد.
اگر 100 عدد خودروی خودکار 24 ساعت روز، 365 روز سال با سرعت میانگین 40 کیلومتر بر ساعت مدام در حال حرکت باشند، به زمانی در حدود 10 سال نیاز است تا به 443 میلیون کیلومتر برسند.
- شبیه‌سازی نرم‌افزار – در – حلقه یا مدل – در – حلقه[2]. در یک روش عملی‌تر که از قبل نیز در صنعت خودرو استفاده می‌شد، ترکیب تست‌های دنیای واقعی با شبیه‌سازی‌هاست؛ به این شیوه می‌توانند مقدار کیلومترهای لازم را به میزان چشمگیری کم کنند. شبیه‌سازی‌ها بر اساس الگوریتم‌هایی که برای شرایط گوناگون طراحی شده‌اند، عمل می‌کنند و می‌توانند شرایطی شبیه به حرکت واقعی خودرو را شبیه‌سازی کنند و به‌این‌ترتیب مشخص می‌شود که آیا سامانه موردنظر در شرایط مختلف می‌تواند تصمیم درست بگیرد یا نه.
- شبیه‌سازی سخت‌افزار-در-حلقه [3](HIL). برای تأیید عملکرد قطعه سخت‌افزار واقعی، شبیه‌سازی‌های HIL آن را آزمایش می‌کنند، اما علاوه‌برآن، داده‌های حسگر از پیش ضبط شده را نیز وارد سامانه می‌کنند. این روش هزینه آزمایش و تأیید را کم می‌کند و در عوض نتایج مطمئن‌تری را ارائه می‌دهد.
در نهایت، شرکت‌ها باید از یک روش ترکیبی که از همه این روش‌ها کمک می‌گیرد، استفاده کنند تا در کمترین زمان به نتایج با ضریب اطمینان بالادست یابند.
سرعت‌بخشیدن به این روند
باوجوداینکه بررسی‌های کنونی نشان می‌دهند هنوز تا معرفی خودروی کاملاً خودران به بازار احتمالاً بیش از یک دهه فاصله داریم، اما صنعت می‌تواند به روش‌های مختلفی این بازه زمانی را کوتاه‌تر کند.
اول اینکه همه دست‌اندرکاران این حوزه باید به این نکته توجه داشته باشند یک شرکت نمی‌تواند تمام توسعه نرم‌افزاری و سخت‌افزاری لازم برای اتومبیل‌های کاملاً خودران را به‌تنهایی انجام دهد. آنها باید در زمینهٔ مشارکت و همکاری با یکدیگر، بسیار بهتر عمل کنند. به‌ویژه، می‌توانند با سایر شرکت‌های جدید حوزه صنعت، مانند استارت‌آپ‌های فناوری و تولیدکنندگان تجهیزات اصلی همکاری کنند. اگر بخواهیم جزئی‌تر بگوییم، باید با بخش‌هایی که از لحاظ استراتژیکی مهم هستند (مانند تأمین‌کنندگان نقشه‌برداری و لایدار) همکاری کنند.
نکته بعد اینکه، توسعه و تأیید راه‌حل‌های اختصاصی می‌تواند بسیار پرهزینه باشد. به همین خاطر باید تعدادی از دست‌اندرکاران حوزه اتومبیل‌های خودران گرد هم آیند و مسئولیت‌ها و ریسک‌های احتمالی را بین خود تقسیم کنند. یک نگرش باز و مبتنی بر استانداردها نه‌تنها بازه زمانی رسیدن به هدف را کوتاه‌تر می‌کند، بلکه سامانه توسعه‌یافته‌شان نیز بسیار قدرتمند خواهد بود. در نتیجه، اجزای تعامل‌پذیر می‌توانند چارچوب یک سیستم ماژولار اتصال – و-اجرا [4]را به‌خوبی شکل دهند.
راه دیگر برای سرعت‌بخشیدن به این روند، تغییر به سمت توسعه سامانه‌های یکپارچه خواهد بود. باتوجه‌به مسائل بزرگ مربوط به ایمنی خودروهای خودران، به‌جای تمرکز بیش از حد فعلی بر اجزایی با استفاده خاص، صنعت نیاز دارد توجه بیشتری بر توسعه سامانه‌های واقعی داشته باشد. در واقع رسیدن به سطحی از دوام و اطمینان در چرخه عمر یک وسیله نقلیه، چیزی که در مورد هواپیماها می‌بینیم، به‌احتمال زیاد جزو قوانین جدید صنعت خواهد بود و تأکید بر توسعه سامانه‌ها به‌احتمال زیاد بهترین روش رسیدن به این هدف است.
ورود خودروهای کاملاً خودران ممکن است سال‌ها به طول انجامد، اما بااین‌حال شرکت‌ها روی شکل نهایی الگوی اصلی خودروی خودران، شرط‌بندی‌های بزرگی کرده‌اند. خودروهای خودران چگونه تصمیم‌گیری می‌کنند، چگونه محیط اطراف خود را حس می‌کنند و چگونه ایمنی افرادی که با آن سفر می‌کنند را تأمین می‌کنند؟ مدیران فعلی که در حال شکل‌دهی – و شاید کنترل – عناصر استراتژیک این صنعت هستند با لشکری از بازیکنان حرفه‌ای، رقابتی و کاردان مواجه هستند که حاضرند برای پول خود در زمین‌بازی حسابی بدوند. باتوجه‌به سرعت دیوانه‌وار صنعت خودروهای خودران، شرکت‌ها به دنبال گرفتن بخشی از آن هستند تا بتوانند موقعیت خود را در آن تثبیت کنند و قانون‌گذاران باید تلاش کنند که برای اطمینان از ایمنی مردم، در این مسابقه نوآوری هیچ مانعی ایجاد نکنند.
[1] Brute force
[2] Software-in-the-loop or model-in-the loop simulations
[3] Hardware-in-the-loop (HIL) simulations
[4] Plug-and-play
دیدگاهتان را بنویسید