আধুনিক নিষ্ক্রিয় নিরাপত্তা সিস্টেমগুলি এখন স্থির ডিজাইনের বাইরে এগিয়ে গেছে এবং বাস্তব সংঘর্ষের প্রমাণের ভিত্তিতে উন্নত বুদ্ধিমান সমাধানে পরিণত হয়েছে। নির্মাতারা এখন গঠনগত সুরক্ষা, আসনগ্রহীতা নিয়ন্ত্রণ এবং আঘাত হ্রাসের জন্য বৃহৎ পরিসরে গোপনীয় সংঘর্ষ ডেটা বিশ্লেষণ করছেন—যা সমগ্র ফ্লিটের অভিজ্ঞতাকে প্রকৌশলগত অন্তর্দৃষ্টিতে রূপান্তরিত করছে।
আধুনিক যানবাহনগুলি এখন তাদের ফ্রেমের মধ্যে সংযুক্ত উন্নত সেন্সর দিয়ে সজ্জিত, যা বাস্তব জগতের অসংখ্য সংঘর্ষের সময় বিভিন্ন অংশের বিকৃতি পর্যবেক্ষণ করে। এই ডেটা পয়েন্টগুলি গাড়ি নির্মাতাদের ক্রাম্পল জোনগুলিকে আরও ভালোভাবে সামঞ্জস্য করতে সাহায্য করে যাতে সংঘর্ষের প্রভাব আগের চেয়ে বেশি শক্তিশালীভাবে শোষণ করা যায়। অফসেট ফ্রন্ট কলিশন (অপসারিত সামনের সংঘর্ষ) কেবল একটি উদাহরণ হিসেবে নেওয়া হল— এনএইচটিএসএ-এর প্রতিবেদন অনুযায়ী, আজকের গাড়িগুলি ২০২৩ সালের মডেলগুলির তুলনায় প্রায় ৩০ শতাংশ বেশি শক্তি শোষণ করতে সক্ষম। একই সময়ে, সিটের নীচে স্থাপিত বিশেষ চাপ-সংবেদনশীল ম্যাটগুলি ধারাবাহিকভাবে বসে থাকা ব্যক্তির পরিচয়, তার অবস্থান এবং ঠিক কোথায় বসে আছে তা সম্পর্কে তথ্য সংগ্রহ করছে। এই সমস্ত তথ্য দিয়ে গাড়ি পরিস্থিতি অনুযায়ী ভিন্নভাবে প্রতিক্রিয়া জানানো সম্ভব হয়। এখন এয়ারব্যাগগুলিও আরও বুদ্ধিমানে কাজ করে, যা সেন্সরের ইনপুট অনুযায়ী তাদের সক্রিয় হওয়ার সময় সামঞ্জস্য করে। সমগ্র ব্যবস্থাটি এত দ্রুত কাজ করে যে ছাতির আঘাত কমানো সম্ভব হয়, যদিও শরীরের আকার যাই হোক না কেন, সবার নিরাপত্তা নিশ্চিত রাখা হয়।
ফ্লিট-ব্যাপী ডেটা সংগ্রহ বছরে ২০০,০০০-এর বেশি যানবাহনকে প্রভাবিত করে এমন পুনরাবৃত্ত সংঘর্ষ পরিস্থিতির প্যাটার্ন চিহ্নিত করে। মেশিন লার্নিং মডেলগুলি আঘাতের জ্যামিতি, গতির পার্থক্য এবং যাত্রীদের জনসংখ্যাগত বৈশিষ্ট্যকে ক্লিনিক্যাল আঘাতের ফলাফলের সাথে সম্পর্কিত করে—যা ভবিষ্যদ্বাণীমূলক, প্রেক্ষাপট-সচেতন রিস্ট্রেইন্ট সক্রিয়করণকে সক্ষম করে। এখন রিস্ট্রেইন্ট সিস্টেমগুলি সংঘর্ষের তীব্রতার উপর বাস্তব সময়ে সাড়া দিয়ে নিজেদের সামঞ্জস্য করে:
এই অ্যাডাপ্টিভ আচরণ একটি বৃহত্তর পরিবর্তনকে প্রতিফলিত করে: নিষ্ক্রিয় নিরাপত্তা এখন আর শুধুমাত্র হার্ডওয়্যার স্পেসিফিকেশন দ্বারা সংজ্ঞায়িত হয় না, বরং সেই সিস্টেমগুলি প্রকৃত সংঘর্ষ গতিবিদ্যার প্রতি কতটা বুদ্ধিমানে সাড়া দেয় তার উপর নির্ভর করে।
আজকের গাড়িগুলো ক্যামেরা, রাডার, লাইডার এবং সেইসব ছোট্ট অলট্রাসাউন্ড সেন্সরসহ বিভিন্ন ধরনের সেন্সর থেকে তথ্য সংগ্রহ করে। এই সমগ্র প্রক্রিয়াটিকে সেন্সর ফিউশন বলা হয় এবং এটি গাড়ির চারপাশে কী ঘটছে তার একটি বেশ সুস্পষ্ট ও বাস্তব-সময়ের ছবি তৈরি করতে সাহায্য করে। এরপর গাড়ির অনবোর্ড কম্পিউটারটি এই সমস্ত মিশ্রিত ডেটা নিয়ে প্রায় ১০০ মিলিসেকেন্ডের মধ্যে প্রক্রিয়াকরণ করে এবং কোনও কিছু গাড়িটিতে ধাক্কা দিতে পারে কিনা তা নির্ধারণ করে। এই বুদ্ধিমান সিস্টেমগুলো আসলে মানুষের হাঁটার ধরন, অন্যান্য গাড়িগুলো কোন দিকে দ্রুত এগিয়ে আসছে এবং চারপাশের অঞ্চলে কী ঘটছে—এসব বিষয় বিশ্লেষণ করে সম্ভাব্য সংঘর্ষের ঘটনা ঘটার ২ বা ৩ সেকেন্ড আগেই তা শনাক্ত করে। যদি পরিস্থিতি যথেষ্ট বিপজ্জনক হয়ে ওঠে, তবে গাড়িটি স্বয়ংক্রিয়ভাবে ব্রেক চাপ দেবে অথবা ঝুঁকি থেকে দূরে সরে যাবে। এসব সম্পূর্ণ গাড়ির ভিতরেই ঘটে, তাই ক্লাউডের কোনও অন্য স্থান থেকে সংকেতের অপেক্ষা করা হয় না। তবে এখনও পর্যন্ত এই সিস্টেমগুলো নিখুঁত নয়। এগুলো মহাসড়কে চমৎকারভাবে কাজ করে, কিন্তু ব্যস্ত শহরতলীর রাস্তায় কখনও কখনও ব্যর্থ হয়—যেখানে সাইকেলগুলো হঠাৎ করে এদিক-ওদিক ছুটে বেড়ায় অথবা নির্মাণকাজের কারণে রাস্তার বিন্যাস হঠাৎ পরিবর্তিত হয়। এই কারণেই এই সিস্টেমগুলোর প্রকৃত বিশ্বব্যাপী বাস্তব পরিস্থিতিতে পরীক্ষা করা অত্যন্ত গুরুত্বপূর্ণ, যাতে প্রয়োজন হলে এগুলো সঠিকভাবে কাজ করে।
গাড়ির নিরাপত্তা-সম্পর্কিত গুরুত্বপূর্ণ অংশগুলিতে কৃত্রিম বুদ্ধিমত্তা (AI) বসানোর ফলে তিনটি প্রধান চ্যালেঞ্জ দেখা দেয়, যেগুলো সবগুলোই কোনো না কোনোভাবে পরস্পরের সঙ্গে সম্পর্কিত। প্রথম সমস্যাটি সময়সীমা সংক্রান্ত—যেখানে সিদ্ধান্তগুলো ৫০ মিলিসেকেন্ডের মধ্যে নেওয়া হতে হয়, যদিও সেন্সরগুলো একসাথে উচ্চ রেজোলিউশনের বিশাল পরিমাণ ডেটা প্রেরণ করছে। এটি হার্ডওয়্যার উপাদানগুলোর এবং অ্যালগরিদমগুলোর উপর এতটাই চাপ সৃষ্টি করে যে তাদের আগের চেয়ে অনেক দ্রুত কাজ করতে হয়। দ্বিতীয়ত, এই কৃত্রিম বুদ্ধিমত্তা আসলে কী করেছে তা ব্যাখ্যা করার সমস্যাটি রয়েছে। ডিপ লার্নিং সিস্টেমগুলো নিজস্ব চিন্তাপ্রক্রিয়া স্পষ্টভাবে প্রদর্শন করতে পারে না, যা নিয়ন্ত্রক সংস্থাগুলোর অনুমোদন পাওয়ার জন্য বা পরীক্ষার সময় কিছু এড়ানোর ক্রিয়াকলাপের কারণ বোঝার জন্য প্রকৌশলীদের জন্য একটি বড় বাধা হয়ে দাঁড়ায়। তৃতীয়ত, প্রশিক্ষণের সময় ব্যবহৃত সিমুলেশন এবং প্রকৃত বাস্তব পরিস্থিতির মধ্যে চলমান সংগ্রামটি রয়েছে। যখন এই মডেলগুলো এমন পরিস্থিতির মুখোমুখি হয় যার জন্য তাদের প্রোগ্রাম করা হয়নি—যেমন ভেজা রাস্তা থেকে আসা ঝলসানো আলো, ছায়ায় আংশিকভাবে লুকিয়ে থাকা পথচারী, বা রাস্তার পৃষ্ঠের গঠনে হঠাৎ পরিবর্তন—তখন ব্যাপারগুলো দ্রুত ভেঙে পড়ে। সিনথেটিক ডেটা উন্নয়নকে ত্বরান্বিত করে, কিন্তু এই বাস্তবতা-বিভাজন দূর করতে হলে গাড়ির ফ্লিট থেকে সংগৃহীত গোপনীয় যানবাহন ডেটার ভিত্তিতে ধারাবাহিক আপডেট প্রয়োজন। দুর্ভাগ্যবশত, অনেক পুরনো গাড়ির সিস্টেম এই ধরনের ধারাবাহিক শেখার ক্ষমতা রাখে না এবং নতুন নিয়মকানুনগুলো কোম্পানিগুলোর এই ধরনের তথ্য আইনগতভাবে কীভাবে অ্যাক্সেস করতে পারবে এবং ব্যবহার করতে পারবে তা নিয়মিত পরিবর্তন করছে।
ওভার-দ্য-এয়ার (OTA) আপডেটের উত্থান গাড়ির নিরাপত্তা সম্পর্কে আমাদের চিন্তা করার ধরনকে সম্পূর্ণরূপে পরিবর্তন করেছে। যা আগে গাড়িটি কারখানা থেকে বের হওয়ার আগেই চূড়ান্ত করা হত, এখন তা সময়ের সাথে সাথে উন্নত হতে থাকে। যদি সঠিকভাবে করা হয়, তবে এই আপডেটগুলির মাধ্যমে নির্মাতারা দ্রুত নিরাপত্তা সংশোধনী প্রকাশ করতে পারেন, সেন্সরগুলির কার্যকারিতা সূক্ষ্ম সামঞ্জস্য করতে পারেন এবং উন্নত ড্রাইভার সহায়তা প্রণালীর (ADAS) কার্যকারিতা পর্যন্ত বৃদ্ধি করতে পারেন। কিন্তু যদি কিছু ভুল হয়, তবে এতে বাস্তবিক ঝুঁকি রয়েছে। কল্পনা করুন, একটি আপডেট যা ব্রেকিং নিয়ন্ত্রণ বা ব্যাটারি ব্যবস্থাপনা সফটওয়্যারে বিঘ্ন ঘটায়—এটি গাড়িগুলিকে অনিরাপদ করে তুলতে পারে অথবা সম্পূর্ণরূপে কাজ করতে বাধা দিতে পারে। আপস্ট্রিম সিকিউরিটি-এর ২০২৩ সালের বৈশ্বিক স্বয়ংচালিত গাড়ি সাইবার নিরাপত্তা প্রতিবেদনের সাম্প্রতিক গবেষণা অনুসারে, ২০২১ থেকে ২০২৩ সালের মধ্যে গাড়িতে প্রতিবেদিত সমস্ত সাইবার নিরাপত্তা সমস্যার প্রায় অর্ধেক (৪৩%) আসলে OTA আপডেটের নিজস্ব ত্রুটির কারণে ঘটেছিল।
দৃঢ় চলমান যাচাইকরণ ফ্রেমওয়ার্কগুলি নিম্নলিখিত উপায়ে এই ঝুঁকিগুলি কমায়:
এই নিরাপত্তা ব্যবস্থাগুলি নিশ্চিত করে যে ওটিএ (OTA) নিরাপত্তার জন্য একটি শক্তিশালী বহুগুণক হিসেবে কাজ করে—না হয়ে কোনো দুর্বলতা বা ক্ষতিকর হস্তক্ষেপের সুযোগ। যখন যানবাহনগুলি ক্রমশ সফটওয়্যার-সংজ্ঞায়িত হয়ে উঠছে, তখন ব্যর্থতা-নিরাপদ যাচাইকরণকে হুমকি বিশ্লেষণ, সিমুলেশনের নির্ভুলতা এবং বাস্তব জগতের ফ্লিট প্রতিক্রিয়ার সাথে সমান্তরালে বিকশিত হতে হবে।
ইউএনইসিই রেগুলেশন নম্বর ১৫২ (ডব্লিউপি.২৯), ফাংশনাল সেফটির জন্য আইএসও ২৬২৬২ এবং সাইবার সিকিউরিটির জন্য জাতিসংঘের আর১৫৫-এর মতো বৈশ্বিক মানগুলি প্রতিক্রিয়া প্রদান করে এমন ব্যবস্থা তৈরি করে যা গাড়ি শিল্পের সকলের জন্য একসাথে দ্রুততর শেখার সুযোগ করে দেয়। যখন কোম্পানিগুলি একই পরীক্ষা পদ্ধতি অনুসরণ করে, মানসম্মত উপায়ে তথ্য প্রতিবেদন করে এবং পরিচয় গোপন রেখে বাস্তব চালনা পরিস্থিতিতে যা ঘটে তা শেয়ার করে, তখন সেই সমস্ত তথ্য গাড়িগুলির উন্নতির জন্য কার্যকর কিছুতে রূপান্তরিত হয়। নিয়ম প্রণয়নকারীরা এই সংগৃহীত তথ্যগুলি পর্যালোচনা করে সময়ের সাথে সাথে তাদের প্রয়োজনীয়তা আপডেট করেন। আমরা উন্নত ড্রাইভার অ্যাসিস্ট্যান্স সিস্টেমগুলির পরীক্ষা করার জন্য উন্নত পদ্ধতি বা সংযুক্ত ইলেকট্রনিক কন্ট্রোল ইউনিটগুলিতে নিরাপত্তা পরীক্ষার ব্যবস্থা অন্তর্ভুক্ত করার মতো বিষয়গুলি দেখেছি। গাড়ি নির্মাতারা এই পরিবর্তনগুলি ধাপে ধাপে বাস্তবায়ন করেন, যার ফলে আজকের বাজারে বিভিন্ন মডেল ও ব্র্যান্ডে স্বয়ংক্রিয়ভাবে সামঞ্জস্যযোগ্য ক্র্যাশ প্রোটেকশন জোন বা কৃত্রিম বুদ্ধিমত্তা দ্বারা চালিত আরও বুদ্ধিমান এয়ারব্যাগ সিস্টেমের মতো নতুন ধারণাগুলি দ্রুত ছড়িয়ে পড়ে।
আমরা আসলে এই দলগত কাজের পদ্ধতি থেকে ফলাফল দেখতে পাচ্ছি। গ্লোবাল নিউ কার অ্যাসেসমেন্ট প্রোগ্রামের সাম্প্রতিকতম তথ্য অনুযায়ী, WP.29 এবং ISO মানগুলি সঠিকভাবে প্রয়োগ করা অঞ্চলগুলিতে তিন বছরে ১০০টি যানবাহনের জন্য প্রায় ১৫টি কম মারাত্মক দুর্ঘটনা রিপোর্ট করা হয়েছে। এখন যা সবচেয়ে বেশি গুরুত্বপূর্ণ, তা হলো শুধুমাত্র অনুমোদনের তালিকায় বক্সগুলি চেক করা নয়, বরং এই মানগুলির ভিত্তিতে শুরু থেকেই গাড়ি তৈরি করা। যখন নির্মাতারা নতুন নিরাপত্তা নিয়মগুলি তাড়াতাড়ি গ্রহণ করেন, তখন তারা পরে ব্যয়বহুল সংশোধনী কাজ এড়াতে পারেন, সবকিছু আবার পরীক্ষা করতে কম সময় ব্যয় করেন এবং গুরুত্বপূর্ণ নিরাপত্তা বৈশিষ্ট্যগুলি দ্রুত রাস্তায় নিয়ে আসতে পারেন। এটি আসলে কিছু বেশ অসাধারণ তৈরি করে। প্রতিটি গাড়ি দুর্ঘটনার তথ্য সংগ্রহ করছে, যা বিশ্বব্যাপী সমস্ত যানবাহনকে আরও নিরাপদ করতে সাহায্য করছে। যত বেশি গাড়ি বাস্তব দুর্ঘটনা থেকে শিখছে, ড্রাইভারদের সুরক্ষা নিশ্চিত করার জন্য কোন পদ্ধতিগুলি সবচেয়ে কার্যকর তা আমাদের সামষ্টিক বোধ তত বেশি উন্নত হচ্ছে।
EN