Ayhan Mehmed försvarar sin licentiatuppsats i datavetenskap

Disputationer och licentiatseminarier

Datum: 2019-10-17
Tid: 13.15
Plats: sal Delta, MDH Västerås.

Ayhan Mehmed vid akademin för innovation, design och teknik (IDT), försvarar sin licentiatuppsats i datavetenskap den 17 oktober klockan 13.15 i sal Delta, MDH Västerås.

Titel: “Runtime Monitoring of Automated Driving Systems”. 

Serienummer: 281.

Oppontent är professor Daniel Watzening, Graz University of Technology.

Betygsnämnden utgörs av docent Raffaela Mirandola, Politecnico di Milano, docent Christian Berger, Chalmer och Daniel Watzening, Graz University of Technology.

Reserv: Jakob Axelsson, MDH.

Sammanfattning:

Fordon med automatiserad körförmåga förväntas köra säkrare, bekvämare och ekonomiskt effektivare genom att hjälpa föraren och genom att ta ansvar för olika köruppgifter. Även om fordon med vissa körfunktioner automatiserade redan är i serieproduktion, är det ultimata målet fordon som kan köra helt på egen hand. För att nå denna automatiseringsnivå krävs att alla ansvarsområden, inklusive ansvaret för den totala fordonssäkerheten, överförs från det mänskliga till det datorbaserade systemet (dvs. det automatiska körsystemet (the Automated Driving System; ADS)). En sådan förskjutning av ansvar kräver en säkerhetsnivå som är jämförbar med den som gäller för flygplan.

Att nå en sådan säkerhetsnivå utgör en komplex tvärvetenskaplig utmaning. Traditionella metoder för att säkerställa systemets funktionssäkerhet kräver användning av feltoleranstekniker som inte är beprövade när det gäller självkörande fordon. Dessutom lider befintliga säkerhetsmetoder (t.ex. ISO 26262) av krav som är ofullständiga i det automatiska körsammanhanget. Användningen av AI-baserade komponenter i ADS komplicerar situationen ytterligare på grund av deras icke fullständigt förutsägbara beteende. För närvarande finns det ingen uppenbar enkel lösning för dessa utmaningar. Den allmänna uppfattningen hos experter i området är att det kommer att krävas en uppsättning kompletterande säkerhetsmetoder som tillsammans är tillräckliga för att säkerställa den nödvändiga säkerhetsnivån.

Runtimemonitorer som verifierar ADSers säkerhet under drift är en lovande kompletterande strategi för att höja säkerhetsnivån. En sådan lösning kräver dock att ett brett spektrum av utmaningar adresseras. En övergripande fråga är “hur ska ADS verifieras för att man ska kunna avgöra att det fungerar säkert?”. AI-systemens svåranalyserade struktur gör detta särskilt utmanande.

När en konceptuell lösning för verifiering under drift utvecklats, återstår utmaningen att implementera en lösning som fungerar i praktiken. Centrala delproblem är här att hitta sätt att uppskatta relevanta säkerhetsparametrar för runtimemonitoreringen, lösa diverse tekniska problem, samt att skalbarhets- och effektivitetskrav.

I denna avhandling föreslår vi nya övervakningslösningar för att under drift verifiera ADSers säkerhet. Detta omfattar (i) att definiera nya metoder för verifiering under drift, specifikt skräddarsydda för automatiserad körning, och (ii) utveckla koncept, metoder och arkitekturer för att realisera RV-tillvägagångssätten i praktiskt fungerande körtidövervakningslösning för ADS. Bidrag till (i) inkluderar två RV-tillvägagångssätt, nämligen Computer Vision Monitor (CVM) och Verifiering av säkra körintervaller. Bidrag till (ii) inkluderar (a) uppskattning av tillräckligt diagnostiskt testintervall för körtidsverifieringsmetoderna (i synnerhet CVM), (ii) adressering av mätproblemet utanför sekvensen i sensorfusionsbaserade ADSer, och (iii) utveckling en arkitektonisk lösning som förbättrar skalbarhet och effektivitet vid övervakning under drift.