Guida autonoma e ciclisti: Argo cerca di standardizzare una complicata relazione
Argo AI ha collaborato a lungo con il gruppo di difesa della League of American Cyclists (LAB) per elaborare linee guida su come i veicoli a guida autonoma dovrebbero identificare e interagire con i ciclisti. L’obiettivo è evidentemente quello di stabilire uno standard per le altre aziende del settore, che possa essere seguito per la sicurezza comune.
D’altronde, il problema non è certo marginale. L’Organizzazione mondiale della sanità stima che 41.000 ciclisti rimangono vittime di incidenti stradali ogni anno. E sebbene ci si aspetta che i veicoli a guida autonoma riducano le collisioni in modo significativo, gran parte di tale sicurezza è il risultato di una buona codifica nella fase iniziale.
Le auto a guida autonoma imparano infatti da enormi database che categorizzano e identificano gli oggetti e le situazioni che potrebbero presentarsi.
Le linee guida di Argo
“La creazione di queste linee guida fa parte della dedizione di Argo a costruire la fiducia con i membri della comunità e a sviluppare un sistema di guida autonoma che fornisce un livello di comfort ai ciclisti, comportandosi in modo coerente e sicuro“, ha affermato Peter Rander, presidente e co-fondatore di Argo AI, in un comunicato. “Incoraggiamo altri sviluppatori di veicoli autonomi ad adottarli pure per costruire ulteriormente la fiducia tra gli utenti vulnerabili della strada”.
Argo, che attualmente gestisce veicoli di prova a guida autonoma in tutti gli Stati Uniti e in parte della Germania, ha ricordato di aver collaborato con la comunità di LAB per conoscere i comportamenti comuni dei ciclisti e le interazioni con i veicoli. Insieme, Argo e LAB hanno elaborato sei linee guida tecniche per i sistemi di guida autonoma per rilevare i ciclisti, prevedere il comportamento dei ciclisti e guidare in modo coerente.
I ciclisti dovrebbero essere una classe specifica
In primo luogo, Argo invita a trattare i ciclisti come una classe specifica ed etichettarli come tali creerà una serie diversificata di immagini di biciclette da cui un sistema di guida autonoma potrà imparare. I sistemi dovrebbero essere elaborati su immagini di ciclisti da una varietà di posizioni, orientamenti, punti di vista e velocità. Argo ha anche detto che questo aiuterà anche il sistema a tenere conto delle diverse forme e dimensioni delle biciclette e dei ciclisti.
“A causa dei comportamenti unici dei ciclisti che li distinguono dagli utenti di scooter o dai pedoni, un sistema di guida autonoma (o ‘SDS’) dovrebbe designare i ciclisti come una rappresentazione dell’oggetto centrale all’interno del suo sistema di percezione, al fine di rilevare accuratamente i ciclisti“, si legge in una dichiarazione di Argo.
Il comportamento dei ciclisti
I ciclisti possono essere piuttosto imprevedibili. Potrebbero infatti invadere la corsia, fare movimenti rapidi e a scatti per evitare gli ostacoli sulla strada, bypassare i segnali di stop, saltare dal marciapiede alla strada, e così via. Dunque, un buon sistema di guida autonoma dovrebbe non solo essere in grado di prevedere le loro intenzioni, ma anche essere preparato a reagire di conseguenza.
“Un SDS dovrebbe utilizzare modelli di previsione del movimento specializzati e specifici per i ciclisti che tengano conto di una varietà di comportamenti dei ciclisti, così quando il veicolo a guida autonoma incontra un ciclista, genera più traiettorie possibili che catturano le potenziali opzioni del percorso di un ciclista, permettendo così all’SDS di prevedere e rispondere meglio alle azioni del ciclista” – si legge ancora nella dichiarazione.
Mappare le infrastrutture ciclabili e le leggi locali
I sistemi di guida autonoma spesso si basano su mappe 3D ad alta definizione per interpretare l’ambiente circostante. Parte di questo ambiente dovrebbe essere l’infrastruttura ciclistica e le leggi locali e statali in materia di ciclismo: questo aiuterà il sistema di guida autonoma ad anticipare i movimenti dei ciclisti e mantenere una distanza di sicurezza dalla pista ciclabile.
Il sistema di guida autonoma dovrebbe anche dare ai ciclisti un ampio margine in caso di caduta, in modo da poter sterzare o fermarsi.
Prepararsi a situazioni incerte e rallentare proattivamente
I sistemi di guida autonoma dovrebbero tenere conto anche dell’incertezza dell’intento, della direzione e della velocità di un ciclista. L’azienda ha fatto l’esempio di un ciclista che viaggia nella direzione opposta al veicolo, ma nella stessa corsia, suggerendo che il veicolo sia addestrato a rallentare in quella circostanza.
Inoltre, se si guida vicino ai ciclisti, il sistema dovrebbe “mirare a velocità conservative e appropriate in conformità con i limiti di velocità locali, e margini che sono uguali o superiori alle leggi locali, e passare un ciclista solo quando può mantenere tali margini e velocità per l’intera manovra“, ha detto Argo.
Il sistema di guida autonoma dovrebbe anche dare ai ciclisti un ampio margine in caso di caduta, in modo da poter sterzare o fermarsi.
La necessità di un test continuo
Il modo migliore per far valere la sicurezza degli AV – si legge ancora nel report – è quello di continuare a testarli sia in modo virtuale che fisico.
“Un programma di test virtuale dovrebbe essere composto da tre metodologie di test principali: simulazione, risimulazione e playforward per testare una permutazione esaustiva delle interazioni tra veicolo autonomo e ciclista su base giornaliera“, ha detto la società. “Questi scenari dovrebbero catturare sia la variazione del comportamento del veicolo e del ciclista che i cambiamenti nel contesto sociale, nella struttura della strada e nella visibilità”.
Il test fisico, che di solito è fatto su percorsi chiusi e poi su strade pubbliche, permette agli sviluppatori di convalidare la simulazione e garantire che la tecnologia si comporti nello stesso modo nel mondo reale come nel virtuale. Argo dice che gli sviluppatori dovrebbero testare gli AV su scenari probabili così come su “casi limite”, o situazioni rare. I test su più strade pubbliche in molte città per dare al sistema una serie diversificata di ambienti urbani da cui imparare possono generare sia casi rari che comuni.