Benvenuto nella rubrica Tech Explained!
Le auto a guida autonoma rappresentano una delle innovazioni più affascinanti e discusse degli ultimi anni. In un futuro che molti ritengono prossimo, le strade saranno dominate da veicoli “che si guidano da soli” permettendo ai passeggeri di rilassarsi, lavorare o persino dormire durante il tragitto. Un tema cruciale continua tuttavia ad alimentare il lungo dibattito sulla fattibilità del progetto: quanto sono sicure le auto a guida autonoma?
I veicoli a guida autonoma sfruttano una combinazione di sensori, telecamere e radar per raccogliere dati sull’ambiente circostante. I dati ottenuti sono quindi elaborati da soluzioni di intelligenza artificiale le quali, analizzando le informazioni di input in tempo reale, restituiscono in output le moltissime decisioni riguardanti la guida del veicolo (accelero? Di quanto? Devo cambiare corsia? Devo frenare?).
I sostenitori delle auto a guida autonoma prevedono che questa nuova tecnologia comporti principalmente i seguenti vantaggi. Dunque:
- Riduzione del numero di incidenti: essendo progettate per seguire rigorosamente le regole della strada e reagire più velocemente di un essere umano, le auto a guida autonoma potrebbero ridurre significativamente il numero di incidenti ed attenuare quindi il grave impatto socio-economico che questi comportano.
- Ottimizzazione del traffico: essendo progettate per ottimizzare il percorso imboccando sempre le strade più corte ed agevoli e mantenendo una velocità costante senza accelerazioni e frenate brusche, le auto a guida autonoma potrebbero migliorare le condizioni del traffico urbano ed interurbano, riducendo il consumo di carburante ed abbattendo così le emissioni.
- Risparmio di tempo: molte persone trascorrono molte ore della giornata in viaggio, le quali sono necessariamente impiegate per condurre il veicolo. Eliminando la necessità di pilotare manualmente le automobili, ognuna di queste persone guadagnerebbe ogni giorno tempo prezioso da dedicare ad altre attività.
Gli immancabili detrattori battono tuttavia su alcuni svantaggi e potenziali pericoli effettivamente non di poco conto. Di seguito ne sono elencati i principali. Dunque:
- Sicurezza informatica: le auto autonome sono essenzialmente computer su ruote e, come tali, sono vulnerabili a potenziali attacchi hacker. Un attacco informatico potrebbe compromettere il controllo del veicolo, mettendo a rischio i passeggeri e le persone che si trovano nei paraggi.
- Problemi di carattere etico: come deve reagire un veicolo in grado di prendere decisioni autonome in situazioni di emergenza? Se un incidente fosse inevitabile, a chi andrebbe data maggiore priorità di protezione tra i passeggeri del veicolo e le persone che si trovano all’esterno? In alcuni casi è stato suggerito di lasciare tali decisioni, per quanto rare, ad algoritmi in grado di riprodurre una decisione casuale (si ricorda che la produzione algoritmica di un risultato realmente casuale è tutt’ora un problema irrisolto della matematica contemporanea), tornando così in un certo senso ad una “dimensione decisionale umana”, nella quale il guidatore non è in grado di scegliere razionalmente in così poco tempo chi sacrificare e quindi, di fatto, agisce casualmente. La strada, in questo senso, è chiaramente ancora lunga.
- Problemi di privacy: le auto a guida autonoma richiedono la raccolta e l’elaborazione di enormi quantità di dati per funzionare correttamente. Tali dati includono informazioni sui movimenti del veicolo, sulle abitudini dei passeggeri e sulle loro destinazioni. La gestione di questi dati solleva preoccupazioni significative in termini di privacy, poiché potrebbero essere utilizzati per scopi commerciali, venduti a terzi o persino sfruttati per la sorveglianza della comunità.
Dal punto di vista tecnico, tra le tecnologie finalizzate al controllo delle auto a guida autonoma figurano in particolare soluzioni di Machine Learning e Reinforcement Learning.
Come già descritto in questo articolo, il Machine Learning è la disciplina alla base dell’intelligenza artificiale attraverso la quale un sistema si rende in grado di apprendere e migliorare le proprie prestazioni attraverso l’addestramento su dati storici, senza essere esplicitamente programmato per rispondere ad alcuno scenario in modo rigido e regolamentato.
Nelle auto a guida autonoma il Machine Learning è impiegato con le seguenti finalità principali. Dunque:
- Riconoscimento degli oggetti e percezione dell’ambiente circostante: specifici modelli di Machine Learning sono utilizzati per addestrare il sistema a riconoscere e classificare gli oggetti presenti nell’ambiente circostante, come ad esempio altri veicoli, pedoni, segnali stradali, semafori ed ostacoli di vario genere. Come approfondito in questo articolo, per questo genere di compiti vengono usate in particolare le reti neurali convoluzionali (in inglese, Convolutional Neural Networks – CNN), le quali costituiscono un particolare modello di Machine Learning progettato per essere particolarmente efficiente nel riconoscimento e classificazione delle immagini. Le CNN analizzano dunque le immagini catturate dai sensori del veicolo e identificano le caratteristiche rilevanti che gli permettono di “comprendere” e mappare l’ambiente circostante.
- Fusione ed aggregazione dei dati provenienti dai sensori: le auto a guida autonoma impiegano una varietà di sensori, tra cui telecamere, radar, lidar (i sensori LIDAR, acronimo di “Light Detection and Ranging” impiegano impulsi laser per misurare con precisione la distanza del sistema sul quale si trovano dagli oggetti circostanti, creando una mappa tridimensionale dell’ambiente) e sensori ultrasonici. Specifici modelli di Machine Learning sono impiegati per combinare dati provenienti da sensori diversi al fine di creare una rappresentazione il più possibile completa, coerente ed accurata dell’ambiente circostante. Questo processo, noto come “sensor fusion”, è essenziale per migliorare l’accuratezza del sistema e ridurre la probabilità del veicolo di incorrere in pericolosi errori di valutazione.
- Previsione del comportamento di oggetti ed agenti esterni: un aspetto particolarmente critico per il buon funzionamento di un veicolo a guida autonoma consiste nella capacità dello stesso di prevedere il comportamento degli oggetti in movimento (e non) rilevati nell’ambiente circostante e, soprattutto, degli altri agenti, i quali possono consistere in altri veicoli a guida autonoma, pedoni o animali. Con queste finalità, specifici modelli di Machine Learning sono addestrati su vasti dataset che includono scenari di traffico reali, apprendendo così pattern ricorrenti relativi al comportamento umano ed animale al fine di elaborare previsioni accurate. Ad esempio, un veicolo autonomo che implementa sofisticati modelli di Machine Learning di questo genere potrebbe, una volta individuato un pedone intento in una qualche specifica azione, essere in grado di prevedere se questo stia per attraversare la strada o sia intenzionato a stazionare sul marciapiede.
Come spiegato nel dettaglio in questo articolo, il Reinforcement Learning è, al pari del Machine Learning (talvolta viene considerato come una branca del Machine Learning stesso), una disciplina fondamentale del campo dell’intelligenza artificiale. Diversamente dal Machine Learning, il Reinforcement Learning dà la possibilità ad un sistema di imparare direttamente dall’interazione con l’ambiente. Ovviamente, dati gli evidenti costi che andrebbero sostenuti allenando il sistema direttamente all’interno di un ambiente reale (si pensi a quante auto andrebbero distrutte allenandole direttamente a guidare in un ambiente reale), l’addestramento di un agente (nel Reinforcement Learning, si fa riferimento al sistema destinatario dell’apprendimento come ad un “agente”) tramite metodologie di Reinforcement Learning avviene interamente all’interno di ambienti simulati (dove è possibile distruggere infinite automobili senza alcuna conseguenza).
Nelle auto a guida autonoma il Reinforcement Learning è impiegato con le seguenti finalità principali. Dunque:
- Decision making e controllo: in ambito di Reinforcement Learning, un agente apprende a formulare sequenze di decisioni attraverso procedure di prove ed errori, ricevendo feedback sotto forma di “ricompense” o “punizioni” (esattamente come si addestra un cane a dare la zampa). Questo approccio è utile per apprendere strategie di guida ottimali in scenari complessi e dinamici come ad esempio il traffico urbano. Il sistema può essere addestrato in ambienti simulati che replicano condizioni reali di traffico, permettendo all’agente di esplorare diverse strategie di guida ed apprendere quelle che massimizzano la sicurezza e l’efficienza.
- Pianificazione del percorso: soluzioni di Reinforcement Learning vengono utilizzate nel contesto della guida autonoma anche per ottimizzare la pianificazione dei percorsi, ovvero la determinazione della traiettoria che il veicolo deve seguire per raggiungere una destinazione in sicurezza e nel minor tempo possibile. Il sistema apprende in questo modo ad operare sofisticati bilanciamenti tra vari fattori come la minimizzazione del tempo di viaggio, la riduzione del consumo energetico e l’evitamento degli ostacoli.
- Adattamento a scenari nuovi: una delle sfide principali delle auto a guida autonoma consiste nell’adattamento a scenari nuovi o non previsti, come condizioni meteorologiche estreme o situazioni d’emergenza. L’applicazione di metodologie di Reinforcement Learning permette al sistema di apprendere strategie che non sono state esplicitamente programmate, aumentando così la capacità del veicolo di affrontare situazioni impreviste in modo sicuro.
Francesco