盖世汽车讯 现在，自动驾驶汽车不断发展，但全面应用这种技术仍面临安全挑战。据外媒报道，内布拉斯加大学林肯分校（University of Nebraska–Lincln）的Dung Hoang Tran致力于探讨新的解决方案来改变这一现状。

（图片来源：内布拉斯加大学林肯分校）

在美国国家科学基金会（National Science Foundation）的拨款支持下，Tran将继续开发验证工具，以使自动驾驶汽车和其他机器人机械装置变得更安全、更智能。

得益于根据真实场景建模并集成到其系统中的学习组件，自动驾驶汽车能够在陌生的环境中运行。对工程师来说，当这么多的组件遇到现实环境中不可预测、前所未有的因素，进行安全评估和风险管理可能相当具有挑战性。内布拉斯加大学林肯分校计算机学院助理教授Tran表示：“我们必须建立一个非常复杂的数学和计算框架，才能分析这样复杂的系统。在设计此类系统时，深度学习模型的行为方式可能导致系统进入不理想的场景。”

Tran还创建了神经网络验证（Neural Network Verification）工具，目前这类安全验证软件仍在许多行业的大公司（包括苹果、波音和丰田）广泛使用。Tran的新工具将建立在其之前的工作基础上，为工程师们提供更全面的安全评估和结果。

Tran的新工具将通过定性和定量方法来测量安全性。除了证明相关系统通过或未通过安全测试，新工具还可以分析风险概率，以在系统层面提供及时、详细和准确的评估。Tran表示：“在新框架中，我们还可以提问，‘如果不安全，那么不安全到什么程度呢？’通过对环境不确定性进行建模，它可以提供违反规范或要求的概率，这对于进行决策或控制非常重要。”

Tran的项目将使用其为NNV开发的相同的创新语言，即概率星时序逻辑规范语言（probabilistic star temporal logic specification language）。工程师们可以通过该语言来确定使系统正确、安全运行的必要要求。接下来，Tran及其团队将致力于设计有效的验证技术和算法，以根据要求测量系统安全性。Tran表示：“如果无法证明系统是安全的，即需要生成所谓的‘反例’，或证明系统实际上不安全。研究人员可以利用这些反例来返回深度学习模型或改变系统设计，从而增强系统安全性。”

Tran在实验室中构建测试台，以测试机器人机械装置和软件。F1TENTH测试台是支持学习的小型系统，可用于为自动驾驶汽车创建真实场景，以评估其适用性、可扩展性和可靠性。为了确保自动驾驶汽车的安全，不仅要使这些车辆按照设计正确运行，而且需要它们在发生意外情况时做出智能反应。Tran表示：“仅仅通过测试，难以保证系统在现实世界中运行时的安全性。研究人员希望确保系统本身拥有若干内部决策过程，这样当车内发生问题时，它可以自动计算出接下来会发生什么并执行适当的智能决策，从而防止发生其他问题。”

Tran希望继续深入研究这种工具，以在未来创建对其他机器人技术开发人员有用的工具。Tran表示：“最终目标是构建每个人都可以使用的软件工具。”