Intelligenza artificiale intuitiva per le tecnologie di guida autonoma
Le tecnologie di guida autonoma hanno registrato rapidi progressi grazie all’intelligenza artificiale (IA), in grado di elaborare enormi quantità di dati per prendere decisioni di guida sicure ed efficienti. Tuttavia, se si vuole che i veicoli automatizzati si diffondano adeguatamente è necessario affrontare le preoccupazioni dei cittadini su come o perché i sistemi di IA prendono queste decisioni. «Quando guidiamo un’auto, sappiamo perché sterziamo in una determinata direzione, cambiamo corsia o freniamo», spiega la coordinatrice del progetto AIthena Oihana Otaegui di Vicomtech, in Spagna. «Ma quando siamo a bordo di un’auto automatizzata, potremmo non comprendere appieno ciò che sta accadendo. L’IA è come una scatola nera: entra un’informazione ed esce una decisione.»
Responsabile sin dalla progettazione
Il progetto AIthena ha cercato di aprire questa scatola nera, facendo capire alle persone a bordo dei veicoli automatizzati, così come alle autorità autostradali e ai gestori del traffico, i motivi alla base delle decisioni di guida. Per raggiungere questo obiettivo, il team del progetto ha sperimentato un nuovo approccio allo sviluppo di un’intelligenza artificiale intuitiva nelle applicazioni di mobilità connessa, cooperativa e automatizzata (CCAM). «La nostra metodologia dovrebbe contribuire a garantire che i sistemi di IA siano spiegabili agli utenti finali e pienamente conformi alle normative europee, quali il Data Act e l’IA Act», aggiunge Otaegui. L’approccio del progetto prevede lo sviluppo dell’IA in quattro fasi chiave: raccolta dei dati, formazione, verifica e distribuzione. Un elemento fondamentale è la documentazione di dettagli centrali quali l’uso previsto, le considerazioni etiche e i parametri prestazionali. «Abbiamo anche sostenuto alcuni metodi per proteggere i dati sensibili mantenendo le prestazioni dell’IA», continua Otaegui. «Tra questi metodi figurano tecniche di tutela della privacy, quali la crittografia omomorfica e l’apprendimento federato, che hanno permesso di addestrare l’IA senza esporre direttamente i dati grezzi.»
Spianare la strada a un’IA migliore
Questa metodologia fornirà le basi per un ulteriore perfezionamento dell’IA nei veicoli automatizzati e, mentre il progetto entra nel suo ultimo anno, sarà testata in quattro casi d’uso di ordine pratico. Il primo di questi casi di studio si concentrerà su come i sistemi di intelligenza artificiale percepiscono e agiscono sui dati grezzi provenienti da sensori quali fotocamere, lidar e ultrasuoni. Un secondo caso di studio ruoterà sul modo in cui le informazioni provenienti da vari sensori possano essere integrate per creare una consapevolezza situazionale. Il team del progetto vorrebbe capire come l’IA interpreta l’ambiente di guida e tiene conto di fattori quali il comportamento degli altri utenti della strada. «Il terzo caso d’uso esaminerà i processi decisionali nei sistemi di guida autonoma, concentrandosi sulla comprensione delle ragioni alla base delle decisioni guidate dall’IA», osserva Otaegui. «L’obiettivo è quello di aumentare la trasparenza e la fiducia nell’IA, spiegando perché vengono prese determinate decisioni di guida. Questo caso d’uso mette in evidenza l’esplicabilità e l’allineamento ai principi etici.» Un ultimo caso d’uso analizzerà i sistemi di gestione del traffico basati sull’IA, concentrandosi sul modo in cui i veicoli automatizzati interagiscono con le reti di trasporto più ampie. L’obiettivo è comprendere e ottimizzare il ruolo dell’IA nel garantire un flusso di traffico fluido, un uso efficiente delle risorse e una mobilità cooperativa.
Intelligenza artificiale sostenibile all’orizzonte
Questi casi di studio saranno valutati attraverso situazioni di guida reali e simulazioni di scenari più complessi e potenzialmente pericolosi. Il team verificherà come l’IA percepisce l’ambiente, comprende e comunica le situazioni di guida, assume decisioni e opera all’interno di sistemi più ampi di gestione del traffico. «Se riusciamo a dimostrare che la nostra metodologia è un modo valido per sviluppare un’IA affidabile per le applicazioni CCAM, allora potrebbe costituire la base per i prossimi progetti», spiega Otaegui. «Ci auguriamo che AIthena, concentrandosi sull’esplicabilità, sulla privacy e sulla responsabilità, contribuirà a garantire che le tecnologie IA siano trasparenti, etiche e antropocentriche. Rendendo in definitiva più affidabile e sostenibile lo scenario dell’IA per il trasporto autonomo.»
Parole chiave
AIthena, CCAM, mobilità connessa, cooperativa e automatizzata, veicolo, IA, intelligenza artificiale, mobilità, Lidar, trasporti, esplicabilità, affidabilità