Adapting AUTOSAR for AI-Enabled Autonomous Driving: An Integrated Functional Safety, SOTIF, Cybersecurity, and Runtime Assurance Framework
Dieses Papier schlägt das AUTOSAR-AI Safety Assurance Framework (AASAF) vor, welches die Dienste der AUTOSAR Adaptive Platform mit Standards für funktionale Sicherheit nach ISO, SOTIF, Cybersicherheit und Software-Updates sowie einem neuartigen AI Assurance Tier-Modell integriert, um den sicheren, rückverfolgbaren und kontrollierten Einsatz lernender Komponenten in autonomen Fahrsystemen zu ermöglichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie bauen einen Roboter, der ganz allein ein Auto fahren kann. Sie geben ihm ein Supergehirn aus künstlicher Intelligenz (KI), einen schicken Computer, der aus Millionen von Bildern von Straßen, Verkehr und Fußgängern lernt. Dieser Roboter ist erstaunlich; er kann Dinge sehen, die Menschen entgehen, und schneller reagieren als ein Augenzwinkern. Aber hier ist der Haken: Dieses Supergehirn ist ein wenig wie ein brillanter, aber unberechenbarer Schüler. Es könnte an einem sonnigen Tag eine Prüfung mit Bravour bestehen, aber bei Regen verwirrt sein, oder es könnte selbstbewusst die falsche Antwort raten, wenn es etwas sieht, das es noch nie zuvor gesehen hat. In der Welt der Autos bedeutet eine „falsche Antwort“ nicht nur eine schlechte Note; es könnte einen Unfall bedeuten.
Um alle sicher zu halten, haben Ingenieure Jahrzehnte damit verbracht, strenge Regelwerke zu erstellen. Ein berühmtes Regelwerk namens ISO 26262 ist wie ein Sicherheitsinspektor, der prüft, ob die Bremsen und die Lenkung des Autos jedes einzelne Mal perfekt funktionieren. Ein anderes Regelwerk, SOTIF, sorgt sich um die Fälle, in denen das Auto exakt so funktioniert, wie es konzipiert wurde, aber dennoch einen Fehler macht, weil die Welt zu seltsam oder komplex ist. Dann gibt es das AUTOSAR-System, das die universelle Sprache und das Betriebssystem ist, das es allen verschiedenen Teilen eines modernen Autos ermöglicht, miteinander zu kommunizieren. Die große Frage, die Wissenschaftler derzeit beschäftigt, lautet: Wie bringen wir diesen brillanten, unberechenbaren KI-Schüler in ein Auto, das strengen Sicherheitsregeln folgen muss? Wenn die KI verwirrt ist, wie stellen wir sicher, dass das Auto nicht einfach blind in die Gefahr hineinfährt?
Genau dieses Rätsel löst Emrah Ekrem Karabag in einem neuen Forschungsartikel. Das Papier schlägt vor, dass wir die KI nicht einfach in ein Auto einstecken und auf das Beste hoffen können. Stattdessen schlägt der Autor ein neues „Safety Framework“ (Sicherheitsrahmenwerk) vor, das wie ein strenger Lehrer wirkt, der neben dem KI-Schüler sitzt. Dieses Framework nutzt das bestehende AUTOSAR-System, fügt aber eine spezielle Überwachungsebene hinzu. Der Kern der Idee ist, die Ideen der KI von den Handlungen des Autos zu trennen. Die KI kann vorschlagen: „Hey, lass uns die Spur wechseln!“, aber ein separates, einfacheres und sehr berechenbares Sicherheitssystem muss „Ja“ oder „Nein“ sagen, bevor das Auto tatsächlich fährt. Wenn die KI beginnt, sich seltsam zu verhalten oder verwirrt ist, übernimmt dieses Sicherheitssystem sofort und führt eine „Minimum Risk Manoeuvre“ (Risikominimierungsmanöver) durch, was nur eine schicke Art zu sagen ist: „Verlangsamen und sicher anhalten“.
Das Papier führt eine clevere neue Methode ein, um zu bewerten, wie viel Vertrauen wir in verschiedene KI-Teile setzen können, genannt „AI Assurance Tiers“ (KI-Zertifizierungsstufen). Denken Sie an diese wie an Freigabestufen in einem Videospiel. Auf der niedrigsten Ebene (Tier 0) ist die KI nur ein Beifahrer, der Ratschläge gibt, wie ein GPS, das Ihnen das Wetter mitteilt. Auf der höchsten Ebene (Tier 4) ist die KI der Hauptfahrer, wird aber von einem super-wachsamen Wächter beobachtet. Das Papier argumentt, dass nur weil ein Autoteil als „hoch sicher“ bezeichnet wird (was Ingenieure als ASIL D bezeichnen), die darin enthaltene KI nicht automatisch sicher ist. Man braucht zusätzliche Prüfungen, die speziell auf das KI-Gehirn ausgerichtet sind, wie zum Beispiel zu prüfen, ob es die richtigen Daten betrachtet oder ob es sich zu sicher über Dinge ist, die es nicht versteht.
Der Autor skizziert auch genau, wie man dies unter Verwendung der AUTOSAR-Tools aufbaut, die Automobilunternehmen bereits verwenden. Es ist, als würde man dem Auto eine neue Anweisung geben: „Wenn die KI ‚Gehen‘ sagt, prüft der Safety Manager das Wetter, die Straße und den Konfidenzwert der KI. Wenn alles gut aussieht, fährt das Auto. Wenn die KI unsicher ist oder die Straße seltsam ist, drückt der Safety Manager die Bremse.“ Das Papier behauptet nicht, dass dies eine magische Lösung ist, die alle Probleme für immer löst. Stattdessen schlägt es vor, das Risiko strukturiert zu managen, indem sichergestellt wird, dass das Auto selbst dann einen Plan B hat, wenn die KI einen Fehler macht – ein Plan, der einfach, zuverlässig und immer bereit ist, den Tag zu retten. Es geht darum, der KI die Freiheit zu geben, klug zu sein, aber die Sicherheitskontrollen in den Händen eines Systems zu behalten, das niemals müde wird oder die Orientierung verliert.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.