Avances en la seguridad de vehículos autónomos

Los vehículos autónomos (AVs), a menudo llamados coches autónomos, son vehículos que pueden navegar y operar sin intervención humana. La tecnología detrás de los AV ha avanzado significativamente en la última década. Se han identificado varios niveles de Automatización, que van desde la conducción completamente manual hasta sistemas totalmente autónomos que no requieren atención humana. La Sociedad de Ingenieros Automotrices (SAE) ha definido estos niveles, siendo el Nivel 0 sin automatización y el Nivel 5 con automatización total. La mayoría de los vehículos hoy en día están en los Niveles 0 a 2, donde el conductor todavía es responsable de las tareas de conducción.

#Entendiendo los Niveles de Automatización

• Nivel 0: Sin Automatización – El conductor tiene el control total del vehículo en todo momento.
• Nivel 1: Asistencia al Conductor – El vehículo puede ayudar con la dirección o la aceleración, pero el control total sigue siendo responsabilidad del conductor.
• Nivel 2: Automatización Parcial – El vehículo puede controlar tanto la dirección como la aceleración, pero el conductor debe seguir atento y listo para tomar el control.
• Nivel 3: Automatización Condicional – El vehículo puede gestionar todas las tareas de conducción en condiciones específicas, pero un humano debe estar disponible para intervenir.
• Nivel 4: Alta Automatización – El vehículo puede operar de forma independiente en muchas situaciones sin necesidad de intervención humana.
• Nivel 5: Automatización Total – El vehículo puede operar sin ninguna entrada humana en todas las condiciones.

#Desafíos en la Conducción Autónoma

Uno de los principales desafíos en el desarrollo de vehículos autónomos es asegurar su Seguridad. A diferencia de los accidentes que involucran conductores humanos, incluso un solo accidente con un vehículo autónomo puede generar desconfianza pública. Para construir confianza en los AV, es esencial realizar pruebas exhaustivas, tanto en la carretera como en simulaciones. Sin embargo, los métodos de prueba tradicionales a menudo son insuficientes para abordar preocupaciones de seguridad.

#Métodos Formales en Aseguramiento de Seguridad

Los métodos formales son técnicas utilizadas para probar la corrección y seguridad de sistemas de software. Se basan en modelos matemáticos para analizar sistemas rigurosamente. Estos métodos han ganado atención para verificar la seguridad en sistemas de conducción autónoma. A pesar de su potencial, la aplicación de métodos formales en el desarrollo de AV presenta obstáculos:

• Curva de Aprendizaje: Los métodos formales a menudo requieren un fuerte trasfondo en matemáticas, lo que hace que sean difíciles de adoptar para muchos profesionales de la industria automotriz.
• Falta de Herramientas: A diferencia de los entornos de desarrollo de software que ofrecen numerosas herramientas y bibliotecas, los métodos formales tienen menos opciones amigables para la visualización y conversión de modelos.
• Problemas de Escalabilidad: A medida que los escenarios de AV se vuelven cada vez más complejos, es posible que los métodos formales tengan dificultades para manejar grandes sistemas de manera efectiva.

#El Marco CommonUppRoad

Para cerrar la brecha entre los métodos formales y la conducción autónoma, se creó un nuevo marco llamado CommonUppRoad que integra dos herramientas bien conocidas: CommonRoad y UPPAAL. Este marco proporciona varias funcionalidades para modelar, verificar, aprender y visualizar comportamientos de vehículos autónomos.

#Herramientas Usadas en el Marco

1. CommonRoad: Esta es una plataforma de código abierto para desarrollar y probar algoritmos de Planificación de movimiento en AVs. Incluye una variedad de escenarios predefinidos y modelos de vehículos que ayudan a investigadores y desarrolladores a simular condiciones del mundo real.
2. UPPAAL: Esta es una herramienta de verificación de modelos utilizada para verificar sistemas en tiempo real. Permite a los desarrolladores crear modelos de autómatas temporizados para analizar sistemáticamente los comportamientos de los sistemas.

#Características Clave de CommonUppRoad

• Conversión Automática de Modelos: El marco permite a los usuarios convertir escenarios de CommonRoad en modelos de UPPAAL automáticamente. Esto simplifica el proceso de usar métodos formales en el desarrollo de AV.
• Detección de Colisiones y Verificación Fuera de la Carretera: CommonUppRoad incluye funciones para detectar colisiones y asegurar que los vehículos permanezcan en la carretera, mejorando la seguridad en las simulaciones de modelos.
• Aprendizaje y Síntesis: El marco admite tanto métodos basados en búsqueda como en aprendizaje para crear controladores para AVs. Esta flexibilidad permite a los desarrolladores elegir el enfoque que mejor se adapte a su escenario específico.

#Entendiendo CommonRoad

CommonRoad es crucial para proporcionar un entorno estructurado para el desarrollo de algoritmos de planificación de movimiento. Soporta varios escenarios que incluyen:

• Escenarios de Tráfico: Estos representan diferentes situaciones de conducción, incluidas intersecciones, autopistas y entornos urbanos.
• Modelos de Dinámica de Vehículos: Estos modelos proporcionan el comportamiento físico de los vehículos, incluida la velocidad, aceleración e interacción con otros vehículos.
• Representación de Obstáculos: CommonRoad puede representar obstáculos estáticos y dinámicos, apoyando simulaciones complejas.

La plataforma CommonRoad es fácil de usar y permite a los usuarios diseñar escenarios manualmente o convertir conjuntos de datos existentes en formatos utilizables.

#Entendiendo UPPAAL

UPPAAL se utiliza principalmente para modelar y verificar sistemas que necesitan operar en tiempo real. Sus características clave incluyen:

• Autómatas Temporizados: Estos son modelos matemáticos que incorporan el tiempo, permitiendo modelar comportamientos dependientes del tiempo.
• Aplicaciones de Teoría de Juegos: UPPAAL puede modelar interacciones entre múltiples agentes, lo que lo hace adecuado para escenarios que involucran AVs y otros usuarios de la carretera.
• Capacidades de Aprendizaje: La herramienta ha introducido soporte para el aprendizaje por refuerzo en versiones recientes, permitiendo la síntesis de controladores que se adaptan según experiencias simuladas.

#El Problema y la Importancia

La integración de CommonRoad y UPPAAL busca abordar los desafíos existentes en la conducción autónoma y los métodos formales:

• Aseguramiento de Seguridad: Los AV deben demostrar seguridad antes de su implementación pública. La integración permite un análisis riguroso de seguridad a través de la verificación formal.
• Usabilidad: Al simplificar la conversión entre escenarios de CommonRoad y modelos de UPPAAL, el marco hace que los métodos formales sean más accesibles para los desarrolladores en el campo automotriz.
• Escalabilidad: El marco aborda problemas relacionados con el tamaño y la complejidad de los modelos, permitiendo pruebas y análisis más extensos.

#Preguntas de Investigación Abordadas

Para evaluar la efectividad del marco CommonUppRoad, se formularon tres preguntas clave de investigación:

1. ¿Cómo se pueden convertir los escenarios en CommonRoad a modelos de UPPAAL?
2. ¿Cómo se pueden representar estrategias en UPPAAL como controladores en CommonRoad para controlar AVs en escenarios correspondientes?
3. ¿Cuál es el límite de UPPAAL en la resolución de problemas de planificación en CommonRoad?

#Resultados sobre las Preguntas de Investigación

Cada pregunta se aborda a través de experimentos y análisis dentro del marco:

• Viabilidad de Conversión de Modelos: Los experimentos muestran que los escenarios de CommonRoad pueden transformarse en modelos válidos de UPPAAL, facilitando la integración.
• Representación Visual de Estrategias: Las estrategias sintetizadas en UPPAAL pueden convertirse efectivamente en árboles de decisión o trayectorias en CommonRoad, asegurando usabilidad.
• Escalabilidad y Rendimiento: Los experimentos revelan información sobre los límites de rendimiento de UPPAAL al abordar desafíos de planificación de movimiento en diversos escenarios.

#Métodos de Planificación de Movimiento en UPPAAL

CommonUppRoad apoya dos métodos principales de planificación de movimiento dentro de UPPAAL:

#Síntesis Basada en Búsqueda

Este método implica buscar exhaustivamente a través de posibles acciones en cada estado para encontrar soluciones que cumplan con los requisitos de seguridad. Los beneficios de este método incluyen:

• Garantías de Seguridad: Si UPPAAL encuentra una solución, se garantiza que sea segura.
• Búsqueda Exhaustiva: El enfoque de búsqueda explora todos los caminos disponibles, proporcionando una cobertura completa de posibles escenarios.

Sin embargo, una limitación del método basado en búsqueda es su escalabilidad. A medida que la complejidad de los escenarios aumenta, el tiempo de computación puede crecer exponencialmente.

#Síntesis Basada en Aprendizaje

El método basado en aprendizaje utiliza aprendizaje por refuerzo para encontrar planes de movimiento eficientes. Este enfoque incluye:

• Simulación Aleatoria: En lugar de comprobar exhaustivamente todos los estados, este método toma muestras de interacciones y ajusta según el rendimiento.
• Eficiencia: Este enfoque puede adaptarse más efectivamente a escenarios más complejos que las búsquedas exhaustivas, aunque no garantiza inherentemente la seguridad.

Para asegurar la seguridad, se puede aplicar un método llamado verificación post-hoc. Esto implica comprobar las estrategias aprendidas contra los requisitos de seguridad después del proceso de aprendizaje.

#Experimentos y Resultados

Para validar el marco CommonUppRoad, se llevaron a cabo dos conjuntos de experimentos centrados en la usabilidad y escalabilidad.

#Diseño del Experimento

Experimento I (Usabilidad): Se seleccionaron diez escenarios de CommonRoad, comenzando desde los más simples hasta los más complejos. Estos se convirtieron en modelos de UPPAAL, y se ejecutaron varias consultas para verificar su seguridad y efectividad.

Experimento II (Escalabilidad): Este experimento implicó escenarios más complejos, probando cómo el sistema se desempeña con un mayor número de variables y modelos más extensos.

#Resumen de Resultados

• Corrección Sintáctica: Todos los modelos de UPPAAL generados en ambos experimentos pasaron las verificación de sintaxis, mostrando que el proceso de conversión está funcionando correctamente.
• Seguridad y Alcanzabilidad: Las consultas ejecutadas sobre los modelos confirmaron que se podían generar planes de movimiento seguros y alcanzables.
• Comparación de Métodos: El tiempo requerido para calcular planes seguros utilizando el enfoque basado en búsqueda aumentó significativamente con la complejidad del modelo, mientras que los métodos basados en aprendizaje mostraron un crecimiento lineal, aunque sin garantías de seguridad a menos que se verifiquen posteriormente.

#Conclusión y Direcciones Futuras

El marco CommonUppRoad demuestra un enfoque robusto para integrar métodos formales con el desarrollo de vehículos autónomos. Al permitir la conversión automática de modelos y proporcionar funciones esenciales para verificaciones de seguridad, allana el camino hacia sistemas de AV más seguros y confiables.

#Trabajo Futuro

Se identificaron varias áreas para futuras investigaciones:

• Planificación de Movimiento Composicional: Este enfoque descompondría escenarios complejos en partes manejables, superando potencialmente algunos de los desafíos de escalabilidad.
• Generación de Escenarios para Pruebas: Desarrollar métodos para crear escenarios críticos que destaquen posibles puntos de falla en los sistemas de AV puede mejorar los procesos de prueba y validación.
• Mejora de la Integración de Herramientas: Un trabajo adicional puede mejorar las herramientas y bibliotecas tanto para CommonRoad como para UPPAAL, haciéndolas más amigables para los desarrolladores.

En conclusión, la integración de CommonRoad y UPPAAL a través del marco CommonUppRoad tiene el potencial de mejorar el desarrollo y aseguramiento de la seguridad de vehículos autónomos, llevando a una adopción y confianza más generalizada en esta tecnología.