Come imparano a guidare i veicoli autonomi? La scuola d'ombra della simulazione

Le auto autonome imparano a guidare non sulle strade reali, ma in gran parte nella simulazione: in un mondo virtuale di miliardi di chilometri, un'intelligenza artificiale che prova e sbaglia milioni di volte, unita ai dati delle strade reali, impara a prendere decisioni nel traffico quotidiano. Ma sapere che un guidatore brillante in virtuale non mostrerà le stesse prestazioni sull'asfalto è importante quanto imparare. Ecco tutta la storia di questa affascinante tensione.

Come imparano le auto autonome a guidare nella simulazione?

Le persone imparano a guidare sulla strada; l'intelligenza artificiale invece per lo più all'interno del computer. I sistemi di guida autonoma non funzionano con regole basate su algoritmi, ma con modelli probabilistici che apprendono dai dati. In other parole, un ingegnere non scrive codice del tipo "comportati così all'incrocio"; il sistema guarda milioni di esempi e impara il comportamento da sé. Una parte importante di questi esempi proviene dalla simulazione.

Il processo avviene grossomodo così:

1. Raccolta dei dati reali: Mentre i veicoli di test circolano per le strade, registrano dati da telecamere, radar e lidar; inoltre, questi dati che generano circa 4 terabyte all'ora raggiungono volumi di petabyte in meno di una settimana.
2. I dati vengono trasformati in un mondo virtuale: Le tecniche di ricostruzione neurale convertono le registrazioni reali di guida multi-sensore in ambienti 3D ad alta fedeltà. I modelli generativi del mondo aggiungono variazioni di meteo, luce e scenari rari.
3. L'intelligenza artificiale viene addestrata per tentativi ed errori: Grazie all'apprendimento per rinforzo, il sistema prova ripetutamente nel traffico virtuale comportamenti come il cambio di corsia, il sorpasso e la cessione della precedenza; i comportamenti che ottengono buoni risultati vengono premiati.
4. Vengono eseguiti i test di sicurezza: Prima di essere utilizzate sulle strade reali, le politiche superano test graduale come software-in-the-loop (SIL), hardware-in-the-loop (HIL) e con veicolo reale (VIL).

Ma cosa impara in realtà l'intelligenza artificiale? Per il riconoscimento degli oggetti spiccano le reti neurali convoluzionali (CNN), per la previsione dei movimenti di altri veicoli e pedoni 3-5 secondi dopo i Transformer, e per le interazioni agli incroci le reti neurali a grafo. Alcuni sistemi invece utilizzano architetture end-to-end che imparano direttamente sterzo e frenata dai dati grezzi dei sensori - ma sono ancora considerati sperimentali a causa di problemi di certificazione.

Il problema degli 11 miliardi di miglia: perché la simulazione è obbligatori?

Ecco, la matematica della questione è spietata. Per raggiungere un tasso di errore a livello umano, le auto autonome necessitano di circa 11 miliardi di miglia si calcola che debba fare. Completarlo con test fisici richiederebbe centinaia di anni - quindi nessuno può aspettare. Per questo il settore è costretto alla simulazione: gran parte della prova di sicurezza può essere prodotta solo nel mondo virtuale. Se aggiungiamo che anche il mercato dei simulatori di addestramento alla guida vale 2,2 miliardi di dollari nel 2026 e si prevede che raggiunga i 3,0 miliardi di dollari entro il 2033, si tratta non di una moda, ma dell'infrastruttura fondamentale dell'industria.

I superpoteri del mondo virtuale

Il più grande vantaggio della simulazione è poter provare più e più volte cose impossibili nel mondo reale. Un pedone che si lancia improvvisamente sulla strada, un veicolo che frena di colpo, fari spenti nel buio della notte, nebbia fitta, riverbero del sole... Tutti questi scenari vengono testati nell'ambiente virtuale in sicurezza e in modo ripetibile nelle stesse condizioni. Persino i guasti dei sensori possono essere simulati: costruire uno scenario in cui la telecamera anteriore si guasta su strada reale è pericoloso e costoso; nel virtuale bastano pochi clic.

Il lavoro di McCity mostra qui una mossa intelligente: l'ambiente di test virtuale creato con conduttori cattivi simulati rompe la "maledizione della rarità" per migliorare la capacità di prendere decisioni urgenti. Uno scenario che incontreresti una volta l'anno nella realtà, puoi viverlo mille volte al giorno nel mondo virtuale. Inoltre, in alcuni casi d'uso la validazione di sicurezza può essere effettuata solo tramite simulazione - cioè persino il processo di certificazione ufficiale dipende ormai dal mondo virtuale.

Tesla e Waymo: due scuole diverse, stessa lezione?

I due pionieri del settore insegnano la guida in due modi diversi. Riassumiamo la differenza in una tabella:

La strategia di Tesla è audace: disattiva il lidar e l'infrastruttura di mappe e affida tutto a un'unica architettura che impara dai dati delle telecamere. Il vantaggio è la scala - ogni Tesla sulla strada è un insegnante. Waymo invece lavora con dati dei sensori più ricchi e sottolinea che, per quanto grandi siano la simulazione o i conducenti di test, da soli non bastano. La cosa interessante è che esiste anche l'opinione forte che i due approcci siano più simili di quanto si pensi. Perché anche Waymo impara attraverso l'addestramento basato sui dati il modo migliore di rappresentare ogni oggetto. La differenza sta nella ricchezza dei dati che alimentano la percezione.

Il passo del modello del mondo di Waymo

A febbraio 2026 Waymo ha annunciato un nuovo modello del mondo per la simulazione della guida autonoma. Circa 200 milioni di miglia completamente autonome e miliardi di miglia virtuali vengono ora utilizzate come materia prima per creare mondi virtuali sempre più realistici. Anche la cronologia è impressionante: nel 2016 c'erano 2,5 miliardi di miglia simulate, nel 2018 si è superato i 6 miliardi, nel 2020 si è superato i 15 miliardi e oggi siamo oltre i 20 miliardi. Anche un singolo lampeggiante giallo può trasformarsi in migliaia di ore di esperienza virtuale.

Il divario sim-to-real: perché un pilota che brilla in simulazione inciampa sulla strada?

Ecco il cuore dell'articolo. Perché un comportamento che funziona perfettamente in simulazione potrebbe non dare lo stesso risultato nel mondo reale? Questo divario ha un nome: sim-to-real gap - il divario tra simulazione e realtà. Le cause si raggruppano in quattro categorie:

• Differenza nel dominio visivo: La grafica virtuale non può replicare fedelmente la luce reale, le texture e il riflesso dell'asfalto caldo d'estate.
• Errore di approssimazione fisica: Il motore fisico del simulatore calcola in modo approssimativo la dinamica complessa del mondo reale.
• Incompatibilità del rumore dei sensori: I dati reali di lidar e radar portano con sé un rumore sporco, ritardato e difficile da prevedere.
• Mancanza di scenari a lunga coda: Non tutte le stranezze del mondo reale possono essere inserite nella libreria virtuale.

Le ricerche attuali nel campo della robotica esaminano proprio questo: effetti non modellati, ritardi dei sensori e parametri errati possono far fallire sul campo anche una stella di laboratorio. Due tecniche si distinguono come soluzioni: domain randomization (nel mondo virtuale la luce, i colori e la fisica vengono modificati casualmente, rendendo il sistema resistente a ogni variazione che incontra) e system identification (calibrare i parametri del simulatore con dati misurati nel mondo reale). Nel traffico ci sono stati esempi dolorosi: nell'agosto 2023 Cruise, che aveva ottenuto in California la licenza per robotaxi a pagamento, ha avuto in breve tempo due gravi incidenti e la sua flotta è stata ridotta della metà. Un sistema che appariva sicuro in simulazione è stato bocciato subito nel mondo reale.

Squilibrio dei dati ed eccessiva sicurezza dell'intelligenza artificiale

Il secondo grande rischio è meno visibile: lo squilibrio dei dati di addestramento. Questo problema, annoverato tra gli ostacoli della guida autonoma, si basa su una logica semplice: le situazioni poco rappresentate nel pool di dati sono situazioni poco apprese dal sistema. La ricerca del Georgia Tech ha dimostrato che questo può trasformarsi in pregiudizio: è stato sostenuto che, a causa del bias algoritmico, i veicoli autonomi potrebbero mettere in pericolo determinati gruppi, ad esempio i pedoni dalla pelle scura. Non è un dettaglio tecnico, è un allarme etico.

Il terzo rischio riguarda il carattere dell'intelligenza artificiale: i sistemi di IA possono assegnare punteggi di affidabilità elevati a risposte errate. Non può dire "non sono sicuro" come un essere umano; la sua sicurezza eredita persino i pregiudizi cognitivi umani attraverso i dati di addestramento, le ipotesi del modello e i cicli di feedback. Nel rilevamento degli edge case, i falsi positivi portano a interventi non necessari, mentre i falsi negativi causano il mancato rilevamento di eventi critici. Inoltre, le etichette sintetiche generate automaticamente potrebbero non essere sempre abbastanza affidabili per l'addestramento safety-critical. Secondo un esperto, mancano ancora 10 anni ai veicoli autonomi affidabili - e in un veicolo che gestisce male un edge case il margine di errore è effettivamente zero.

Qual è il prezzo di un'eccessiva fiducia nella simulazione?

A questo punto due schieramenti si fronteggiano. I sostenitori hanno ragione: a causa dell'ostacolo degli 11 miliardi di miglia, la prova di sicurezza senza simulazione è praticamente impossibile. Gli scettici hanno ragione anch'essi: i test basati su simulazione contengono davvero tutti gli scenari del mondo reale? Questa domanda è in sospeso da anni. Persino la stessa stima di Waymo suggerisce che il volume di simulazione da solo non è sufficiente. E Steve Wozniak, una delle figure più note del settore, sostiene che in situazioni insolite il volante debba passare nelle mani anche della persona più stupida - un punto sarcastico ma stimolante.

Un'altra critica è che gli attuali metodi di simulazione di guida non sono in grado di generare in modo scalabile scenari limite mirati. Cioè, trovare "quell'istante pericoloso distintivo" è ancora in parte un compito umano. Gli studi condivisi su OpenReview cercano una soluzione a questo problema di scalabilità, ma è difficile dire che sia già risolto.

I veicoli autonomi possono imparare interamente nella simulazione e poi mettersi in viaggio?

La risposta breve: da sola, no. La simulazione è un campo di addestramento inestimabile; ma nessun sistema si mette in strada senza essere alimentato con dati reali di percorso e senza aver superato test graduali nel mondo reale. Persino il sistema più competente di oggi non è completamente autonomo - il FSD di Tesla, con l'abbreviazione "Supervised", cioè "sotto supervisione", nel suo nome, attende la sorveglianza del guidatore. La simulazione è una scuola secondaria; il diploma si consegue sulla strada reale. La migliore IA guidatrice sarà quella che miscela l'addestramento virtuale con l'esperienza reale di guida - e che non dimentica mai la differenza tra i due mondi.

Fonti

• Simulazione e validazione dei veicoli autonomi
• 6 motivi per usare un software di simulazione per veicoli autonomi
• Il machine learning nei veicoli autonomi: spiegato in modo completo
• Il Waymo World Model
• Tecnologia dei veicoli a guida autonoma per una guida affidabile
• Che cos'è il Sim-to-Real Gap?
• Guidatori terribili simulati riducono tempi e costi dei test dei veicoli autonomi
• Tesla vs Waymo - Chi è più vicino all'autonomia di livello 5?
• I sistemi a guida autonoma di Waymo e Tesla sono più simili di quanto pensi
• Casi limite nella guida autonoma: rilevamento e gestione
• La ricerca rivela possibili conseguenze fatali dei bias algoritmici
• Full Self-Driving (con supervisione)