Valutazione e modellazione predittiva per veicoli autonomi intelligenti

L'implementazione di sistemi autonomi e intelligenti all'interno della moderna catena di fornitura digitale automobilistica richiede metodi di validazione solidi che demistifichino la natura di "scatola nera" dell'IA. Basandosi su sette anni di ricerca e sulla recente tesi di dottorato CIFRE di Céline Serbouh in collaborazione con il Conservatoire National des Arts et Métiers (CNAM) e il suo laboratorio CEDRIC, UTAC ha lanciato un servizio unificato per i test di valutazione e la modellazione predittiva dei veicoli dotati di intelligenza artificiale.

Decifrare il comportamento dell'IA attraverso la modellazione predittiva
Dal 2019, UTAC ha anticipato l'arrivo di sistemi di mobilità altamente automatizzati sviluppando metodologie per comprendere come questi veicoli reagiscano in ambienti complessi. Il nuovo servizio utilizza modelli predittivi per rendere i sistemi di IA più spiegabili. Identificando i fattori specifici che influenzano gli algoritmi decisionali del veicolo, gli ingegneri possono ottenere una comprensione più profonda delle risposte dinamiche in una moltitudine di situazioni di guida. Questa capacità è essenziale per garantire la sicurezza e l'affidabilità di robotaxi, navette autonome, robot per le consegne, droni e robot industriali mobili.

Questa offerta completa supporta i produttori durante l'intero ciclo di sviluppo, dalla fase iniziale di definizione del progetto fino all'analisi e alla validazione finale della sicurezza.

Ottimizzazione delle campagne di test con l'IA generativa
Un risultato fondamentale di questa ricerca è l'ottimizzazione delle campagne di validazione attraverso l'identificazione specifica degli scenari di guida più rilevanti e critici. Il servizio di UTAC impiega tecniche di IA generativa, utilizzando i dati raccolti dai test nel mondo reale per creare scenari virtuali altamente rappresentativi.

Questo approccio ibrido consente ai produttori di esplorare uno spettro più ampio di casi d'uso limite, riducendo significativamente i tempi di valutazione e i costi dei test fisici. Modellando questi ambienti, i team di sviluppo possono riprodurre e anticipare in modo efficace i comportamenti specifici dei sistemi intelligenti per valutare con precisione sia le loro capacità prestazionali sia i loro limiti operativi.

Contesto aggiuntivo: questa sezione descrive in dettaglio le specifiche tecniche e il benchmarking competitivo non inclusi nell'annuncio originale del prodotto
Nel mercato in rapida evoluzione dell'omologazione e della validazione per la guida autonoma (AD) e dei sistemi avanzati di assistenza alla guida (ADAS), i fornitori di test stanno passando sempre più dai test in pista puramente fisici alla validazione ibrida fisico-virtuale. Concorrenti come TÜV SÜD, Applus+ IDIADA e AVL hanno investito massicciamente in framework di test basati su scenari per affrontare i requisiti normativi dei sistemi autonomi di Livello 3 e Livello 4.

Ad esempio, le catene di strumenti di simulazione di AVL e le strutture di test per veicoli connessi e automatizzati (CAV) di IDIADA offrono solide capacità su piste virtuali e fisiche. La distinzione tecnica del nuovo servizio di UTAC risiede nella sua integrazione specifica dell'IA generativa per decodificare gli algoritmi di deep learning dei sistemi di percezione e controllo. Offrendo la modellazione predittiva come servizio centrale, UTAC non solo testa se un veicolo a guida autonoma naviga in sicurezza in uno scenario, ma identifica esplicitamente i fattori alla base del processo decisionale dell'IA. Ciò colma una lacuna cruciale nell'IA spiegabile (XAI), che sta diventando un requisito fondamentale per la futura omologazione normativa delle soluzioni di mobilità altamente automatizzate.

Editato da Maria Brueva, redattrice di Induportals – adattato dall'IA.

www.utac.com