EO_482

TECH-FOCUS SELF DRIVING CAR 48 - ELETTRONICA OGGI 482 - NOVEMBRE/DICEMBRE 2019 mento, per acquisire una reale e precisa con- sapevolezza dell’ambiente circostante, a breve e lunga distanza, in tutte le condizioni atmo- sferiche, d’illuminazione e di traffico. Esiste poi anche un problema di standardizzazione del set di sensori da usare, ossia quanti moduli radar, LiDAR, sensori a ultrasuoni, telecamere o quant’altro, siano effettivamente richiesti per realizzare un sistema di rilevamento in grado di fornire informazioni sufficienti a dare al vei- colo la corretta e precisa percezione del con- testo ambientale in cui si trova. Mappe digitali: servono più accurate e in real-time Sempre nell’ottica di migliorare e integrare le capacità percettive del veicolo, un’altra sfi- da è ottenere in tempo reale un’immagine ad alta risoluzione del contesto ambientale in cui si trova. Fino ad ora, le mappe digitali in auto sono state utilizzate principalmente come supporto per la navigazione, o per individuare punti d’interesse. Ma la risoluzione di questo tipo di mappe non è sufficientemente elevata per fornire la precisione necessaria ad abili- tare i sistemi di guida autonoma; in aggiun- ta le mappe devono soddisfare il requisito di fornire informazioni in tempo reale, richieste per l’autonomous driving. In altre parole, non sono sufficienti mappe che indicano le strade da percorrere, ma occorre la capacità d’indivi- duare ed evitare gli ostacoli, e non solo quelli immobili, ma anche quelli in movimento, come possono essere altre auto in situazioni di traf- fico intenso, pedoni, ciclisti. Oltre a utilizzare i vari sensori di rilevamento, la vettura dev’es- sere anche connessa al sistema GPS (global positioning system), che aiuta ad elevare la precisione nella localizzazione del veicolo. Unitamente al GPS, il veicolo dev’essere con- nesso tramite modelli di comunicazione come V2I (vehicle-to-infrastructure) e V2V (vehicle- to-vehicle), che forniscono rispettivamente dati in tempo reale sull’infrastruttura stradale (telecamere, semafori, indicatori di corsia, luci stradali, cartelli e segnalatica), e sui veicoli presenti nel traffico. Deep learning, occorrono algoritmi più affidabili La complessità di addestramento dei modelli di deep learning (DL) è un altro fattore fonda- mentale da considerare per la messa a punto di validi sistemi di self-driving: e ciò perché nelle auto a guida autonoma il deep learning non si classifica come un mero sistema di ri- conoscimento immagini per applicazioni com- merciali, ma come un sistema “safety-critical”, in cui un errore d’identi- ficazione può significare la perdita di vite umane. È dunque essenziale che nelle auto a guida auto- noma il sistema funzioni in maniera affidabile e senza problemi, indi- pendentemente dal tipo di condizioni atmosferi- che, dalla visibilità o da altri fattori di disturbo ambientali. Il fatto è che, per ottenere questo li- vello di precisione, sono richiesti, da un lato, una grande capacità com- putazionale e, dall’altro, l’addestramento delle DNN (deep nural network) attraverso enormi dataset, contenenti esempi su tutte le possibili condizioni meteorologiche, le modalità di gui- da e le situazioni di traffico stradale. Occorre poi anche tener conto che le reti DNN sono vulnerabili rispetto alle cosiddette “universal adversarial perturbations”, ossia fattori per- turbanti, tra cui vi possono essere modifi- cazioni, ridimensionamenti dell’immagine, o cambiamenti delle condizioni di luce, capaci di ingannare il sistema e portarlo a identica- zioni scorrette delle immagini, che a loro volta si traducono in previsioni e conclusioni errate nell’interpretazione delle stesse. I sistemi di guida autonoma richiedono rilevamento, elaborazione dati e azione in tempo reale (Fonte: Bosch)