ایمنی در خودروهای خودران مبتنی بر هوش مصنوعی

سامانه های خودران ایمنی بحرانی در حال قدرتمندتر و یکپارچه تر شدن هستند تا امکان ارائه قابلیت های سطح بالا را فراهم کنند. سامانه های مدرن چند هسته ای مبتنی بر سیستم (SoC) اغلب ستون فقرات محاسباتی این سامانه ها به شمار می روند؛ سامانه هایی که تضمین ایمنی و انجام وظایف مرتبط با اخذ گواهی های مربوطه از چالش های کلیدی آنهاست و دستیابی به آن می تواند پرهزینه و دشوار باشد. بنابراین، مدل سازی و ارزیابی این سامانه ها بسیار پیچیده و حساس است. هوش مصنوعی (AI) هم اکنون در سامانه های خودران ایمنی بحرانی به کار گرفته شده و یادگیری ماشینی (ML) امکان انجام برخی وظایف را به صورت مقرون به صرفه فراهم می کند. رعایت الزامات نرخ خطای نرم (SER) یکی از عناصر کلیدی موفقیت در این حوزه است. تحلیل عملکرد SER برای ایمنی عملکردی نیازمند مدل سازی دقیق عوامل آسیب پذیری و ارزیابی اثر بارکاری های هوش مصنوعی و یادگیری عمیق بر خطاهای گذرا است. علاوه بر این، پیامدهای قابلیت اطمینان ناشی از ماموریت های طولانی مدت که به افزایش بهره برداری از سامانه های خودران منجر می شود، باید در مدل سازی و تحلیل ریسک در نظر گرفته شود. ریسک های مرتبط با قابلیت اطمینان در موارد کاربردی جدید نیز مستقیما بر تحلیل ایمنی اثرگذارند. در نهایت، استفاده از تله متری برای پایش قابلیت اطمینان شامل توانایی های تشخیص ناهنجاری و روش های پیش بینی خرابی برای کاهش نقص های میدانی اهمیت ویژه ای دارد.

کلیدواژه ها:

حمل و نقل ، هوش مصنوعی (AI) ، یادگیری ماشینی (ML) ، خودرو ، ترافیک هوایی