Av John Marinaro, Director of Operation Safety &Testing
När folk frågar mig om de självkörande lastbilarna vi utvecklar på Torc med Daimler Trucks North America, ställer de vanligtvis en av tre frågor:1) Är de säkra? 2) Hur kan du förutsäga det oförutsägbara? och 3) Hur vet du att de är säkra? Det här är bra frågor, särskilt med tanke på att Torc och Daimler båda har sagt att vi inte kommer att kommersialisera en självkörande lastbil på nivå 4 förrän vi är säkra på att den är säker. Vad de flesta missar är dock att säkerhetsrutiner för självkörande lastbilar – och för mänskliga förare – bör betona att undvika problem eller incidenter mer än att reagera på dem.
Låt mig förklara genom att först konstatera det uppenbara, vilket är att självkörande system inte är perfekta. Som en före detta säkerhetsingenjör i NASA förstår jag att vi inte helt kan eliminera risker. När det gäller säkerhet är vårt jobb att förstå och minska risker så mycket som möjligt. Det finns frågor och parametrar som vi vet att vi måste förstå. Det finns också problem som vi inte ens inser att vi inte känner till, även kallade okända okända. Detta är verkligen fallet för självkörande fordon.
På Torc bygger vi en exemplarisk virtuell drivrutin. Liksom de bästa mänskliga förarna kan vår förare fatta otroligt bra beslut snabbt i en kris. Exemplariska förare – både mänskliga och virtuella är avgörande för vägsäkerheten. Cirka 77 % av alla trafikolyckor orsakas av förarfel. Dessa olyckor är när förare av många anledningar inte följer etablerade säkerhetsprotokoll och bästa praxis. Vår virtuella drivrutin är designad med dessa bästa praxis i åtanke – att reagera förutsägbart och konsekvent.
Är självkörande lastbilar säkra? Autonoma körsystem har vissa tekniska fördelar för mänskliga förare. Som nämnts blir autonoma körsystem inte trötta eller distraherade. Bred sensortäckning på fordonet ger kontinuerlig och omfattande detektering av rörliga och stationära element hela tiden – så det är en enorm minskning av döda vinklar som mänskliga förare utsätts för. Torc-ingenjörer tar hänsyn till situationer som är ledande indikatorer på olyckor tillsammans med specifik data om högriskområden.
Vi bygger också in detaljerade strategier för att implementera före eventuella risksituationer. Många av samma strategier lärs ut till professionella CDL-förare i defensiva körträningsprogram. Till exempel, Take 5 System från Smith System Driver Improvement Institute lär förare att sikta högt i styrningen, få helheten, hålla ögonen i rörelse, lämna dig själv och se till att de ser dig. Allt detta är inriktat på att undvika olyckor, och dessa riktlinjer är branschaccepterade bästa praxis för traktorsläpvagnsförare. Självkörande lastbilar kan göra allt detta och mycket mer.
Jag skulle vilja fokusera på den femte riktlinjen från Smith för ett ögonblick:lämna dig själv. Om du inte har en utrymningsväg, har du ingenstans att ta vägen om en oväntad situation inträffar på vägen. Vi integrerar också perspektivet att våra lastbilar ständigt möter förare som inte uppskattar vad som krävs för att köra en 40-tons traktorsläp på vägen i relativt höga hastigheter. Det finns fysiska begränsningar för att manövrera en stor lastbil – som stopphastighet och svängradie – som inte finns i personbilar och en utfartsväg bör ta hänsyn till dessa faktorer.
Så hur hanterar vi risker för oförutsägbara förare på vägen? Hur förutsäger vi det oförutsägbara? Vi kan inte kontrollera dem omkring oss, men vi kan ta emot dem. Som tur är har vi data från studier om vad som ökar sannolikheten för en olycka. Att undvika onödiga filbyten minskar till exempel risken för en olycka med 12 %. Naturligtvis är det ibland säkrare att byta fil när förare står inför avstängda körfält och lämnade avfarter, men att undvika olyckor och nära samtal är en fråga om bästa praxis som stöds av säkerhetsdata. På Torc tillåter säkerhetsdata som denna oss att programmera vår programvara med information som det skulle ta tio år av mänsklig erfarenhet att känna till och bemästra. Till exempel kan vi informera den autonoma lastbilen att "förpositionera" i ett körfält när en trafiksituation visar pågående problem, vilket undviker behovet av ett snabbt byte.
Vissa människor är oroade över mjukvaru- och hårdvarufel i självkörande lastbilar, och någon gång kommer det sannolikt att bli fel. Vi bygger in redundans och feltolerans i vår design, för att hjälpa till att hantera det vi inte kan förhindra och planera för felsäkert. För detta tar vi också en sida från NASA och aeronautics och har en "hot spare" redo att ta över ett degraderat eller havererande system, till exempel, lägga till redundanser till säkerhetskritiska system.
Låt oss också överväga körsäkerhetskuvertet. Torc definierar specifika körbeteenden för olika trafik- och miljöförhållanden som håller fordonet i drift inom en hög säkerhetsnivå. Detta är avgörande för vägsäkerheten eftersom data visar att eliminering av bara en faktor i en utvecklande riskhändelse kan minska sannolikheten för en olycka med 95 % eller mer. Vi klassificerar säkerhetszonerna efter färg – grön för säker, gul för mindre säker och orange för riskfylld och röd för farliga zoner. När vi till exempel får lära oss att köra bil blir vi tillsagda att tillåta ett 3-sekunders avstånd från fordonet framför oss. För lastbilar är det 5-7 sekunder, eftersom det tar längre tid att stanna. Att följa ovanstående avståndsriktlinjer skulle hålla förarna i green - där vi vill bo - åtminstone 90 % av tiden. Men det är inte så folk generellt kör. En snabb resa runt D.C., till exempel, skulle avslöja att människor tillbringar större delen av sin tid i den röda zonen. Följaktligen sker det olyckor varje dag. Att stanna i den gröna zonen skulle minska olyckorna med mer än 75 %. Att arbeta i den röda zonen är osäker. Du har ingen marginal och en stor chans att tvingas utföra ett hjältesvar för att undvika en olycka.
Autonoma lastbilar har fördelen med säkerheten, både på grund av det stora antalet samtidigt rapporterande sensorer och förmågan att exakt mäta plats och agera därefter. Sensorer gör att systemet i en självkörande lastbil kan upptäcka exakt var alla andra på vägen befinner sig på en gång. Det behöver inte ta sig tid att se dig omkring i olika speglar i följd, som mänskliga operatörer måste. Dessutom antar den självkörande lastbilen inte mänskliga beteenden av otålighet, följer folkmassan eller utvecklar aggressiva känslor om det är problem på vägen.
Filbyte är en högriskhändelse för såväl lastbilar som personbilar och en branschriktlinje för filbyte heter Take 10, vilket innebär att signalera i 3 sekunder och sedan ta 7 sekunder för att genomföra filbytet. Lägg till dessa riktlinjer för hastighetsminskning, som att sänka hastigheten med 5 mph för tät trafik, kurvor eller väderförhållanden, så har du redan ett imponerande paket med defensiva körriktlinjer som avsevärt minskar marginalerna för fel och minskar riskerna för olyckor och närapår.
Vi använder dessa riktlinjer och andra för att definiera beteendet hos våra självkörande lastbilar, med målet att köra i den gröna zonen av säkerhetsskalet så mycket som möjligt. Vårt mål på Torc är att leda vägen för att köra lastbilar säkrare, effektivare och mer effektivt än de flesta mänskliga förare, vilket vi hoppas kommer att minska riskerna och rädda liv. Allt detta är möjligt eftersom de körbeteenden vi talar om kan implementeras konsekvent med rätt programmering.
Precis som mänskliga förare lär sig av erfarenhet, kommer våra självkörande lastbilar att få erfarenhet. Men människor får erfarenhet en person i taget, medan våra självkörande lastbilar drar nytta av kollektivt lärande. De sensorer och datorer som hjälper lastbilarna att uppfatta situationen runt dem kan också lagra data, eller registrera data, i händelse av en incident eller om en extrem reaktion behövs. Vi analyserar alla sådana händelser, bestämmer lämplig respons och uppdaterar programvaran i hela flottan. Vi planerar också för var det är okänt, t.ex. programmerar truckar för att säkert stanna vid en situation som systemet inte är berett att hantera.
Hur vet jag att självkörande lastbilar är säkra? Eftersom vi bygger den mest erfarna, exemplariska föraren som är möjlig, med stöd av klassens bästa hårdvara och datorer, avancerad teknik, erfarna lastbilschaufförer, trafiksäkerhetsdata och branschstandard bästa driftpraxis. Jag föreställer mig att innan vi är klara kan vår kunskap hjälpa till att lära mänskliga förare hur man är säkrare på vägen.
Torcs Safety and Mission Assurance-team använder ett datadrivet tillvägagångssätt för att utveckla självkörande semi-trucks. Om du vill stödja vårt uppdrag att hjälpa till att göra vägarna säkrare, ansök idag för att gå med i våra vinnande team.
