Járművek, amelyek működése hasonlít egy nagyméretű informatikai rendszer logikájára

Néhány év leforgása alatt gyökeresen megváltozott az autóipar, a modern járművek már nem egyszerű mechanikai rendszerek, hanem összetett, online működő szoftverplatformok.

A vezetéstámogató funkciók, az önvezető képességek, a telemetriai adatok feldolgozása és a mesterséges intelligenciával támogatott döntéshozatal mind hozzájárulnak ahhoz, hogy a jármű működése egyre inkább hasonlítson egy nagyméretű informatikai rendszer logikájára. Ebben a környezetben a minőségbiztosítás nem a fejlesztési ciklus végén megjelenő utolsó ellenőrzési pont, hanem a biztonságos működés alapja. A minőségbiztosítás tehát a teljes fejlesztési életciklust átszövi, és a korai szakasztól kezdve nagy hangsúlyt kell rá fektetni.

A modern járművek szoftvereinek jelentős része olyan funkciókat látnak el, amelyek külső környezetet és összetett közlekedési helyzeteket értelmeznek. A kamerák és radarok által gyűjtött hatalmas mennyiségű adatot gépi tanulási modellek dolgozzák fel, amelyek alapján a rendszer képes felismerni tárgyakat, megtervezni egy manővert, reagálni a körülmények változására, majd a döntéseket átadni a vezérlőegységeknek. Mivel ezek a komponensek egymásra épülnek, a legkisebb pontatlanság is hatással lehet minden mozdulatra.

Ezért az autonóm rendszerek fejlesztése sokkal inkább folyamatosan változó, iteratív folyamat, mintsem a hagyományos, vízesésmodell által leírt szakaszos fejlesztési életciklus.

A tesztelés legnagyobb kihívását a valós környezet kiszámíthatatlansága jelenti, hiszen a rendszernek olyan környezetben kell működnie, ahol a helyzetek száma gyakorlatilag végtelen. Nincs két egyforma forgalmi szituáció, így a szoftvernek rossz fényviszonyok között, váratlan gyalogosmozgásoknál, hibás útburkolati jelek esetén vagy akár részben takart táblák mellett is biztonságosan kell működnie. Mivel ezek a helyzetek nehezen reprodukálhatók, a tesztelési folyamatnak igazolnia kell, hogy a szoftver egyaránt helytáll hétköznapi és extrém körülmények között.

A valós környezet végtelensége miatt a gyártók egyre inkább a szimulációra támaszkodnak. A virtuális tesztkörnyezetek lehetővé teszik, hogy életszerű vagy kifejezetten ritka helyzeteket modellezzenek anélkül, hogy ezeket valós úton, költséges és veszélyes körülmények között kellene kipróbálni. A különböző fényviszonyok, időjárási tényezők, komplex közlekedési struktúrák és szenzorhibák szimulációja olyan kontrollált közegben zajlik, ahol pontosan mérhető, hogy a rendszer milyen döntést hoz. Ezt egészítik ki a software-in-the-loop és hardware-in-the-loop tesztelések, amelyek jóval közelebb állnak a valós működéshez, és lehetővé teszik a járművezérlés finomhangolását.

A mesterséges intelligencia azonban a jármű működésének irányítása mellett, a tesztelési folyamatot is teljesen új szintre emeli. Az AI képes automatikusan előállítani olyan teszteseteket, amelyek ritka és nehezen előre jelezhető helyzeteket modelleznek. Ez jelentősen felgyorsítja az edge-case szituációk feltárását, amelyek az autonóm működés legkritikusabb pontjai. Emellett az AI által vezérelt anomáliadetektálás valós időben képes észrevenni, ha a rendszer viselkedése eltér a megszokottól, például amikor a kamera szennyezett, a lidar hibás távolságértékeket ad, vagy a döntési logika rendellenesen működik.

A fejlesztőknek további támogatást nyújt az intelligens tesztlefedettség mérés, ami azonnal megmutatja, hogy a kódban mely részek hordozzák a legnagyobb kockázatot, így a tesztelés célzottabbá válik. A modern tesztmenedzsment rendszerek pedig valós időben képesek elemezni a futó tesztek eredményeit és azok kapcsolódását a követelményekhez, ami gyorsabb, adat vezérelt döntéshozatalt eredményez.

A minőségbiztosítás azonban nem ér véget a gyártási szakasz lezárultával. Az autonóm járművek működése egy élő rendszerhez hasonlít: folyamatosan gyűjti a telemetriai adatokat, amelyek alapján a fejlesztők képesek javítani az algoritmusokat, finomítani a modellek viselkedését vagy új funkciókat bevezetni. Ehhez biztonságos verziókezelés, szigorú naplózás és átlátható hibakezelés szükséges, mivel minden módosítás közvetlenül hat a jármű biztonságos működésére.

Az önvezető járművek terjedésével az ügyfélbizalom egyre inkább a technológia láthatatlan, de kritikus összetevőire épül: a döntési algoritmusokra, a szenzorok megbízhatóságára és a rendszer biztonságos válaszaira váratlan helyzetekben. Mivel a vezető szerepét részben vagy teljesen a szoftver veheti át, a felhasználók a hagyományos, emberi kompetenciák helyett a fejlesztők és tesztelők munkájában bíznak meg, vagy épp emiatt lesznek bizalmatlanok. A tesztelés lehet tehát az ügyfélbizalom záloga.

(forrás: FrontEndART)