Zpět

Vývoj softwaru ve vozidle je stále složitější. Spotřebitelé již neočekávají, že vozidlo zůstane po celou dobu své životnosti stejné, ale že jeho software bude pravidelně aktualizován o nové funkce. Nové technologie, jako je autonomní řízení, navíc vyžadují rozsáhlé testování, než mohou být bezpečně zavedeny. To vytváří velký tlak na vývojáře – ostatně GM oznámil, že v roce 2022 plánuje přijmout 8 000 nových softwarových specialistů. To však nemusí být nákladově nejefektivnější řešení.

„Vývojáři nemohou jednoduše pracovat jako před 15 lety,“ tvrdí Sam Abuelsamid, hlavní analytik pro výzkum mobilních ekosystémů ve společnosti Guidehouse Insights. Ve svém vystoupení na webináři Mobex „Překonání problémů při vývoji softwaru pomocí umělé inteligence“ tvrdí, že technologie umělé inteligence (AI) by naopak mohly přispět k zefektivnění vývoje softwaru. Mezi slibné oblasti patří usnadnění přechodu na nové architektury vozidel, urychlení vývoje softwaru ve vozidlech a zajištění důkladného testování funkcí důležitých pro bezpečnost, jako jsou systémy autonomního řízení.

Vývoj softwaru

Software ve vozidle byl tradičně rozdělen mezi mnoho elektronicky řídicích jednotek (ECU), které spolu jen zřídkakdy potřebovaly komunikovat. Dnes jsou vyspělá luxusní vozidla, jako je BMW řady 7, vybavena pokročilými asistenčními systémy řidiče (ADAS), které vyžadují až 150 distribuovaných řídicích jednotek. „Máme stále složitější softwarové systémy – roste potřeba, aby architektura byla mnohem pevnější,“ poznamenává Oren Sokoler, technický ředitel společnosti Aurora Labs.

Proto dochází k rostoucímu posunu směrem k moderním elektrotechnickým a elektronickým (E/E) architekturám, které jsou centralizované a vyžadují podstatně méně ECU. V tomto přístupu je mnoho dříve nezávislých aplikací integrováno jako mikroprocesory do většího softwarového zásobníku. To sice zefektivňuje vývoj, ale komplikuje proces odstraňování problémů. Mnoho procesů se vzájemně propojuje a překrývá, což ztěžuje určení hlavní příčiny chyby. „Systémy obvykle selhávají v místech interakce,“ říká Sokoler.

 

Vývojáři a inženýři automobilového softwaru se potýkají s výzvami v oblasti agility, ale technologie umělé inteligence by v tomto ohledu mohly být transformační

Předpokládá, že řešením by mohl být nástroj fungující stejně jako systémy magnetické rezonance (MRI), které vizuálně snímají lidské tělo. „Validační systém s umělou inteligencí se může na tento stoh podívat z vysoké úrovně, vizualizovat všechny body interakce a identifikovat, kde jsou chyby.“ To by vývojářům umožnilo „proniknout“ až ke kořenům chyby, kde by mohly nastoupit další nástroje, což by ušetřilo značné množství úsilí na počátku.

Asistence v nepřetržitých procesech

Při přechodu na kombinovaný softwarový stack se objevují další problémy. „Přecházíme od tradičního myšlení, že jakmile se vozidlo prodá, už se vlastně nemění, k myšlení, kdy se vozidlo neustále vyvíjí s novými aktualizacemi,“ říká Abuelsamid. To znamená, že vývojové týmy musí postupovat velmi agilně, protože drobné komplikace by mohly vést k výraznému zpoždění.

Společnost Aurora Labs věří, že účinnost nástrojů AI v kontextu kontinuální integrace a kontinuálního nasazení (CI/CD) může tuto agilitu zajistit. V rámci CI/CD jsou malé segmenty kódu automaticky dodávány do automatizovaných testovacích a vývojových prostředí a následně umisťovány do produkce, což vede k mnoha rychlým nasazením. To znamená, že aktualizace lze testovat a aplikovat rychleji než při manuálním přístupu. „Hlavním hlediskem agilní metodiky je dělat věci po malých krocích,“ poznamenává Sokoler.

Další oblastí, které musí vývojáři věnovat značné množství času, je dokumentace. Abuelsamid se domnívá, že se jedná o rostoucí problém kvůli zvýšené četnosti a složitosti aktualizací. Homologace musí probíhat pravidelně. „Může to být každých několik měsíců – nebo dokonce týdnů“.

Řešení nabízejí nástroje pro zpracování přirozeného jazyka (NLP). „Domníváme se, že pomocí nástrojů NLP můžeme odvodit systémové požadavky a následně je propojit se samotným kódem,“ uvádí. Nástroj by tyto dva nesourodé prvky propojil a prezentoval dohromady rychleji než lidský inženýr. Sokoler věří, že 90 % tohoto procesu lze automatizovat a na inženýrech zůstane pouze kontrola přesnosti.

Zefektivnění automatizace

Software ve vozidle bude v budoucnu jen složitější. Částečně je to způsobeno zaváděním systémů autonomního řízení. Podle zprávy společnosti McKinsey z ledna 2023 bude do roku 2035 až 37 % vozidel obsahovat systém ADAS. Vzhledem k tomu, že systém ADAS je funkcí kritickou z hlediska bezpečnosti, musí být testování co nejkomplexnější.

„Počet možných scénářů, které musíme ověřit, je na jiné úrovni,“ říká Abuelsamid. „Rekurzivní testování se musí provádět každý týden. Je toho prostě příliš mnoho – musíte to automatizovat.“ Generativní umělá inteligence je schopna na základě vstupních dat vygenerovat tolik testovacích scénářů, kolik je potřeba, ale musí být napojena na nástroj, který automaticky testuje vozidlo ve zmíněných scénářích.

V bílé knize společnosti Aurora Labs „Pět výzev pro vývoj softwaru v automobilovém průmyslu a jak je řeší umělá inteligence“ Akshay Sheorey, manažer obchodního rozvoje pro autonomní vozidla ve společnosti Siemens, poznamenává, že „reálné prostředí je tak nekonečně proměnlivé, že nechcete nechat mezery a testování vyžaduje spoustu zdrojů.“ Sokoler jde dále a uvádí, že procesy testování mohou být exponenciálně složitější než samotný systém ADAS. Jako takové je lze provádět pouze pomocí umělé inteligence.

Rychlý nárůst složitosti znamená, že vývojáři čelí značným výzvám při dodávání i údržbě softwaru pro vozidla budoucnosti. Pro úspěch bude rozhodující agilita a kompletní sada nástrojů umělé inteligence by mohla automobilový průmysl vybavit pro budoucnost. Pokud vývojáři dokážou do svého procesu vývoje softwaru začlenit technologie, jako je NLP a generativní AI, pak výrazně zvýší rychlost, s jakou mohou dodávat nové produkty, uzavírá Sokoler.

 

Zdroj: automotiveworld.com