VALIDAZIONE NELL’AUTOMOTIVE: COME GARANTIRE LA QUALITÀ NELLE AUTO CONNESSE

Oggi, le attività di collaudo e verifica necessarie per la validazione automotive rappresentano una fase sempre più critica del ciclo di produzione, ma al tempo stesso estremamente importante e indispensabile per continuare a garantire la qualità di tutti i nuovi modelli di autoveicoli che vengono via via immessi sul mercato. Le vetture si sono, infatti, trasformate in “connected cars” che richiedono processi di testing e validazione automotive sempre più sofisticati e costosi. La necessità è quella di verificare nel veicolo il funzionamento corretto di un sistema embedded costituito da un insieme di sistemi e componenti interconnessi tra loro: la loro integrità e affidabilità di comunicazione e comportamento deve essere dimostrata in un crescente numero di condizioni, scenari e casi di utilizzo. In quest’ottica, nuove tecniche di test e validazione basate su intelligenza artificiale (AI) e machine learning (ML) possono aiutare a creare automazione ed efficienza.

Validazione automotive: sistemi convergenti aumentano la complessità

Allo stato dell’arte i processi di testing e validazione, che car maker, fornitori, partner automotive devono essere in grado d’implementare e gestire, sono resi complessi dalla crescente convergenza tecnologica tra sistemi ADAS (advanced driver assistance system), sistemi IVI (in-vehicle infotainment) e strumentazione di bordo (IPC – instrument panel cluster), accessibile attraverso il cruscotto installato nella plancia di comando. Nei sistemi di infotainment, la sfida è aggiungere nell’abitacolo della vettura tutte le nuove funzionalità che il moderno consumatore desidera, e dotare il sistema IVI di una connettività fluida, senza soluzione di continuità, in grado di trasformarlo in un’estensione naturale delle funzionalità dello smartphone nella fruizione di contenuti multimediali e applicazioni di messaggistica.

Scenari di rischio, il peso della cybersecurity

La via via più profonda integrazione tra sistemi di infotainment e tecnologie ADAS, ma anche l’inclusione di funzionalità di guida semi-automatica (adaptive cruise control, lane departure warning, lane keep assist, collision detection and avoidance) stanno aumentando l’esposizione dei sistemi automotive agli attacchi informatici esterni. Potenziali punti deboli possono mettere a rischio la cybersecurity e, di conseguenza, la sicurezza funzionale (functional safety) dei sistemi elettrici ed elettronici dell’autoveicolo, di norma disciplinata dallo standard ISO 26262. È, quindi, essenziale che i test di validazione automotive (V&V) siano concepiti per fornire la copertura e verifica dei possibili scenari d’interazione tra sistemi IVI e ADAS, facendo emergere eventuali criticità e potenziali rischi di malfunzionamento prima possibile nel ciclo di sviluppo.

Guida autonoma: il test della sensor fusion sfida la validazione automotive

Per aumentare i “sensi” del veicolo e dotarlo di una consapevolezza situazionale dell’ambiente circostante sempre più raffinata, nei recenti sistemi ADAS e soprattutto nei sistemi AD (autonomous driving) viene incorporato un numero crescente di dispositivi e sensori (telecamere multiple, radar, LiDAR, sensori smart). I dati generati da queste fonti sono sincronizzati e analizzati da un algoritmo di sensor fusion che, sulla base degli input, decide quale azione intraprendere (frenare, sterzare, accelerare), azionando gli opportuni attuatori. Sensor fusion e crescente interconnessione contribuiscono a complicare la validazione automotive: se fino al Livello-2 di guida automatica è ancora possibile mappare, uno ad uno, i requisiti funzionali da verificare, e poi costruire per ciascuno un test case, con la transizione verso la guida completamente autonoma (Livello-5) la complessità di analisi dei test case diventa tale da richiedere innovativi strumenti di automazione e ottimizzazione dei test di validazione automotive.

Cambio di paradigma nella validazione automotive

I sistemi ADAS Livello-5 funzionano sulla base di algoritmi di AI e ML e non possono avere un comportamento di test esplicito e previsto, operando in ambienti dove circuiti urbani, edifici, traffico stradale e pedonale, condizioni meteorologiche creano di volta in volta scenari altamente variabili e imprevedibili. Per riuscire a garantire la qualità di questi sistemi automotive, riducendo al contempo costi e time-to-market, l’esigenza è identificare e caratterizzare rapidamente gli scenari più rischiosi e critici in un enorme e variegato insieme di possibili combinazioni. In questi casi, i metodi di ottimizzazione possono, ad esempio, adottare tecniche di computazione evolutiva, algoritmi genetici, metodi di search-based software testing (SBST) indirizzati a ottimizzare la generazione dei dati di test e dei test case.