Fortschritte bei der Sicherheit autonomer Fahrzeuge

Autonome Fahrzeuge (AVs), auch selbstfahrende Autos genannt, sind Fahrzeuge, die ohne menschliches Eingreifen navigieren und fahren können. Die Technologie hinter AVs hat sich in den letzten zehn Jahren deutlich weiterentwickelt. Verschiedene Automatisierungsstufen wurden identifiziert, die von vollständig manuellem Fahren bis hin zu vollständig autonomen Systemen reichen, die keine menschliche Aufmerksamkeit erfordern. Die Society of Automotive Engineers (SAE) hat diese Stufen definiert, wobei Stufe 0 keine Automation und Stufe 5 volle Automation bedeutet. Die meisten Fahrzeuge heute befinden sich in den Stufen 0 bis 2, wo der Fahrer weiterhin für die Fahraufgaben verantwortlich ist.

#Verständnis der Automatisierungsstufen

• Stufe 0: Keine Automation – Der Fahrer hat jederzeit die volle Kontrolle über das Fahrzeug.
• Stufe 1: Fahrerassistenz – Das Fahrzeug kann beim Steuern oder Beschleunigen helfen, aber die volle Kontrolle liegt weiterhin beim Fahrer.
• Stufe 2: Teilautomatisierung – Das Fahrzeug kann sowohl das Steuern als auch die Beschleunigung kontrollieren, aber der Fahrer muss engagiert bleiben und bereit sein, die Kontrolle zu übernehmen.
• Stufe 3: Bedingte Automatisierung – Das Fahrzeug kann alle Fahraufgaben unter bestimmten Bedingungen verwalten, aber ein Mensch muss bereit sein einzugreifen.
• Stufe 4: Hohe Automatisierung – Das Fahrzeug kann in vielen Situationen unabhängig agieren, ohne dass menschliches Eingreifen erforderlich ist.
• Stufe 5: Volle Automation – Das Fahrzeug kann unter allen Bedingungen ohne menschliches Eingreifen fahren.

#Herausforderungen beim autonomen Fahren

Eine der grössten Herausforderungen bei der Entwicklung autonomer Fahrzeuge ist die Gewährleistung ihrer Sicherheit. Anders als bei Unfällen mit menschlichen Fahrern kann bereits ein einziger Unfall mit einem autonomen Fahrzeug zu öffentlichem Misstrauen führen. Um das Vertrauen in AVs zu stärken, ist gründliches Testen sowohl auf der Strasse als auch in Simulationen unerlässlich. Traditionelle Testmethoden sind oft unzureichend, um Sicherheitsbedenken anzusprechen.

#Formale Methoden zur Sicherheitsgarantie

Formale Methoden sind Techniken, die verwendet werden, um die Korrektheit und Sicherheit von Softwaresystemen zu beweisen. Sie basieren auf mathematischen Modellen, um Systeme rigoros zu analysieren. Diese Methoden haben an Bedeutung gewonnen, um die Sicherheit autonomer Fahrzeugsysteme zu überprüfen. Trotz ihres Potenzials bringt die Anwendung formaler Methoden in der AV-Entwicklung einige Herausforderungen mit sich:

• Lernkurve: Formale Methoden erfordern oft einen starken mathematischen Hintergrund, was sie für viele Praktiker in der Automobilindustrie schwierig macht.
• Mangel an Werkzeugen: Im Gegensatz zu Softwareentwicklungsumgebungen, die viele Werkzeuge und Bibliotheken bieten, gibt es bei formalen Methoden weniger benutzerfreundliche Optionen zur Visualisierung und Modellkonversion.
• Skalierbarkeitsprobleme: Wenn die Szenarien für AVs immer komplexer werden, können formale Methoden Schwierigkeiten haben, grosse Systeme effektiv zu handhaben.

#Das CommonUppRoad Framework

Um die Lücke zwischen formalen Methoden und autonomem Fahren zu schliessen, integriert ein neues Framework namens CommonUppRoad zwei bekannte Werkzeuge: CommonRoad und UPPAAL. Dieses Framework bietet verschiedene Funktionen zum Modellieren, Überprüfen, Lernen und Visualisieren von Verhaltensweisen autonomer Fahrzeuge.

#Werkzeuge im Framework

1. CommonRoad: Dies ist eine Open-Source-Plattform zur Entwicklung und Testung von Bewegungsplanungsalgorithmen in AVs. Sie enthält eine Vielzahl vordefinierter Szenarien und Fahrzeugmodelle, die Forschern und Entwicklern helfen, reale Bedingungen zu simulieren.
2. UPPAAL: Dies ist ein Modellprüfungswerkzeug, das zur Verifikation von Echtzeitsystemen verwendet wird. Es ermöglicht Entwicklern, zeitgesteuerte Automatamodelle zu erstellen, um das Verhalten von Systemen systematisch zu analysieren.

#Hauptmerkmale von CommonUppRoad

• Automatische Modellkonversion: Das Framework ermöglicht es den Nutzern, Szenarien aus CommonRoad automatisch in UPPAAL-Modelle zu konvertieren. Dies vereinfacht den Einsatz formaler Methoden in der AV-Entwicklung.
• Kollisionsdetektion und Off-Road-Überprüfung: CommonUppRoad umfasst Funktionen zur Erkennung von Kollisionen und zur Sicherstellung, dass Fahrzeuge auf der Strasse bleiben, was die Sicherheit in Modellsimulationen verbessert.
• Lernen und Synthese: Das Framework unterstützt sowohl suchbasierte als auch lernbasierte Methoden zur Erstellung von Reglern für AVs. Diese Flexibilität ermöglicht es Entwicklern, den besten Ansatz für ihr spezifisches Szenario zu wählen.

#Verständnis von CommonRoad

CommonRoad ist entscheidend, um eine strukturierte Umgebung für die Entwicklung von Bewegungsplanungsalgorithmen bereitzustellen. Es unterstützt verschiedene Szenarien, die Folgendes umfassen:

• Verkehrsszenarien: Diese repräsentieren verschiedene Fahrsituationen, einschliesslich Kreuzungen, Autobahnen und städtische Umgebungen.
• Fahrzeugdynamikmodelle: Diese Modelle bieten das physische Verhalten von Fahrzeugen, einschliesslich Geschwindigkeit, Beschleunigung und Interaktion mit anderen Fahrzeugen.
• Darstellung von Hindernissen: CommonRoad kann statische und dynamische Hindernisse darstellen, was komplexe Simulationen unterstützt.

Die CommonRoad-Plattform ist benutzerfreundlich und ermöglicht es den Nutzern, Szenarien manuell zu entwerfen oder vorhandene Datensätze in nutzbare Formate zu konvertieren.

#Verständnis von UPPAAL

UPPAAL wird hauptsächlich zur Modellierung und Überprüfung von Systemen verwendet, die in Echtzeit arbeiten müssen. Zu den Hauptmerkmalen gehören:

• Zeitgesteuerte Automaten: Dies sind mathematische Modelle, die Timing integrieren und eine Modellierung zeitabhängiger Verhaltensweisen ermöglichen.
• Anwendungen der Spieltheorie: UPPAAL kann Interaktionen zwischen mehreren Agenten modellieren, was es für Szenarien mit AVs und anderen Verkehrsteilnehmern geeignet macht.
• Lernfähigkeiten: Das Werkzeug hat in neueren Versionen die Unterstützung von Reinforcement Learning eingeführt, was die Synthese von Reglern ermöglicht, die sich basierend auf simulierten Erfahrungen anpassen.

#Das Problem und die Bedeutung

Die Integration von CommonRoad und UPPAAL zielt darauf ab, die bestehenden Herausforderungen im autonomen Fahren und in formalen Methoden anzugehen:

• Sicherheitsgarantie: AVs müssen Sicherheit nachweisen, bevor sie öffentlich eingesetzt werden. Die Integration ermöglicht eine rigorose Sicherheitsanalyse durch formale Verifikation.
• Benutzbarkeit: Durch die Vereinfachung der Konversion zwischen CommonRoad-Szenarien und UPPAAL-Modellen macht das Framework formale Methoden für Entwickler im Automobilbereich zugänglicher.
• Skalierbarkeit: Das Framework geht auf Probleme ein, die mit der Grösse und Komplexität von Modellen verbunden sind, was umfangreichere Tests und Analysen ermöglicht.

#Forschungsfragen

Um die Wirksamkeit des CommonUppRoad-Frameworks zu bewerten, wurden drei zentrale Forschungsfragen formuliert:

1. Wie können Szenarien in CommonRoad in UPPAAL-Modelle konvertiert werden?
2. Wie können Strategien in UPPAAL als Regler in CommonRoad dargestellt werden, um AVs in entsprechenden Szenarien zu steuern?
3. Was ist die Grenze von UPPAAL bei der Lösung von Planungsproblemen in CommonRoad?

#Ergebnisse zu den Forschungsfragen

Jede Frage wird durch Experimente und Analysen innerhalb des Frameworks adressiert:

• Machbarkeit der Modellkonversion: Experimente zeigen, dass Szenarien aus CommonRoad in gültige UPPAAL-Modelle umgewandelt werden können, was die Integration erleichtert.
• Visuelle Darstellung von Strategien: In UPPAAL synthetisierte Strategien können effektiv in Entscheidungsbäume oder Trajektorien in CommonRoad umgewandelt werden, was die Nutzbarkeit sicherstellt.
• Skalierbarkeit und Leistung: Die Experimente zeigen Einblicke in die Leistungsgrenzen von UPPAAL bei der Bewältigung von Bewegungsplanungsherausforderungen in unterschiedlichen Szenarien.

#Bewegungsplanungsmethoden in UPPAAL

CommonUppRoad unterstützt zwei Hauptmethoden der Bewegungsplanung innerhalb von UPPAAL:

#Suchbasierte Synthese

Diese Methode beinhaltet die umfassende Suche nach möglichen Aktionen in jedem Zustand, um Lösungen zu finden, die den Sicherheitsanforderungen entsprechen. Die Vorteile dieser Methode sind:

• Sicherheitsgarantien: Wenn UPPAAL eine Lösung findet, ist sie garantiert sicher.
• Umfassende Suche: Der Suchansatz erkundet alle verfügbaren Pfade und bietet umfassende Abdeckung möglicher Szenarien.

Ein Nachteil der suchbasierten Methode ist jedoch ihre Skalierbarkeit. Wenn die Komplexität der Szenarien zunimmt, kann die Berechnungszeit exponentiell wachsen.

#Lernbasierte Synthese

Die lernbasierte Methode verwendet Reinforcement Learning, um effiziente Bewegungspläne zu finden. Dieser Ansatz umfasst:

• Zufällige Simulation: Statt alle Zustände umfassend zu überprüfen, werden Interaktionen stichprobenartig erfasst und basierend auf der Leistung angepasst.
• Effizienz: Dieser Ansatz kann sich effektiver an komplexere Szenarien anpassen als umfassende Suchen, garantiert jedoch nicht von sich aus die Sicherheit.

Um Sicherheit zu gewährleisten, kann eine Methode namens Nachverifikation angewendet werden. Dabei werden die gelernten Strategien nach dem Lernprozess auf Sicherheitsanforderungen überprüft.

#Experimente und Ergebnisse

Um das CommonUppRoad-Framework zu validieren, wurden zwei Experimentreihen durchgeführt, die sich auf Benutzbarkeit und Skalierbarkeit konzentrierten.

#Experimentdesign

Experiment I (Benutzbarkeit): Zehn Szenarien wurden aus CommonRoad ausgewählt, beginnend mit einfachen bis hin zu komplexen. Diese wurden in UPPAAL-Modelle umgewandelt, und es wurden verschiedene Abfragen durchgeführt, um ihre Sicherheit und Effektivität zu überprüfen.

Experiment II (Skalierbarkeit): Bei diesem Experiment wurden komplexere Szenarien getestet, um zu überprüfen, wie das System mit einer grösseren Anzahl von Variablen und umfangreicheren Modellen funktioniert.

#Übersicht der Ergebnisse

• Syntaxkorrektheit: Alle in beiden Experimenten generierten UPPAAL-Modelle haben die Syntaxprüfungen bestanden, was zeigt, dass der Konversionsprozess korrekt funktioniert.
• Sicherheit und Erreichbarkeit: Abfragen, die an den Modellen durchgeführt wurden, bestätigten, dass sichere und erreichbare Bewegungspläne generiert werden konnten.
• Vergleich der Methoden: Die Zeit, die zur Berechnung sicherer Pläne mit dem suchbasierten Ansatz benötigt wurde, stieg signifikant mit der Komplexität des Modells, während die lernbasierten Methoden ein lineares Wachstum zeigten, jedoch keine Sicherheitsgarantien boten, es sei denn, sie wurden nachträglich verifiziert.

#Fazit und zukünftige Richtungen

Das CommonUppRoad-Framework zeigt einen robusten Ansatz zur Integration formaler Methoden mit der Entwicklung autonomer Fahrzeuge. Durch die Ermöglichung automatischer Modellkonversion und die Bereitstellung wesentlicher Funktionen für Sicherheitsprüfungen ebnet es den Weg für sicherere und zuverlässigere AV-Systeme.

#Zukünftige Arbeiten

Mehrere Bereiche für zukünftige Forschungen wurden identifiziert:

• Kompositionale Bewegungsplanung: Dieser Ansatz würde komplexe Szenarien in handhabbare Teile zerlegen, was helfen könnte, einige der Skalierungsprobleme zu überwinden.
• Szenarienerstellung für Tests: Die Entwicklung von Methoden zur Erstellung kritischer Szenarien, die potenzielle Schwachstellen in AV-Systemen aufzeigen, kann die Test- und Validierungsprozesse verbessern.
• Erweiterte Tool-Integration: Weitere Arbeiten können die Werkzeuge und Bibliotheken für sowohl CommonRoad als auch UPPAAL verbessern, um sie benutzerfreundlicher für Entwickler zu machen.

Zusammenfassend lässt sich sagen, dass die Integration von CommonRoad und UPPAAL durch das CommonUppRoad-Framework vielversprechend ist, um die Entwicklung und Sicherheitsgarantie autonomer Fahrzeuge zu verbessern, was zu einer breiteren Akzeptanz und Vertrauen in diese Technologie führen könnte.