Современные системы пассивной безопасности вышли за рамки статичных решений и превратились в интеллектуальные решения, совершенствуемые на основе данных о реальных дорожно-транспортных происшествиях. Производители теперь анализируют анонимизированные данные о столкновениях в масштабах всей автопарковой базы для оптимизации конструктивной защиты, систем удержания occupants и снижения риска травм — превращая коллективный опыт эксплуатации автопарка в инженерные знания.
Современные автомобили теперь оснащаются передовыми датчиками, встроенными непосредственно в их кузовные конструкции, которые отслеживают деформацию различных элементов при многочисленных реальных авариях. Эти данные помогают автопроизводителям тонко настраивать зоны смятия, чтобы они поглощали энергию удара эффективнее, чем когда-либо ранее. В качестве одного из примеров можно привести фронтальные столкновения с частичным перекрытием — сегодняшние автомобили поглощают примерно на 30 % больше энергии по сравнению с моделями 2023 года, согласно отчётам NHTSA. Одновременно специальные давлением-sensitive маты под сиденьями постоянно собирают информацию о том, кто именно занимает сиденье, в какой позиции он находится и где именно расположено его тело. Вся эта информация позволяет автомобиль адаптировать работу системы в зависимости от конкретных условий. Подушки безопасности также стали работать «умнее»: теперь они корректируют момент срабатывания на основе данных, поступающих от датчиков. Вся система действует достаточно быстро, чтобы снизить риск травм грудной клетки, сохраняя при этом безопасность всех пассажиров независимо от их телосложения.
Агрегация данных по всему автопарку выявляет повторяющиеся сценарии ДТП, затрагивающие ежегодно более 200 000 транспортных средств. Модели машинного обучения коррелируют геометрию удара, разницу скоростей и демографические характеристики пассажиров с клиническими показателями травм — что позволяет осуществлять прогнозирующее, учитывающее контекст срабатывание систем удержания. Системы удержания теперь адаптируются в реальном времени к степени тяжести столкновения:
Такое адаптивное поведение отражает более широкий сдвиг: пассивная безопасность больше не определяется исключительно техническими характеристиками оборудования, а зависит от того, насколько интеллектуально эти системы реагируют на реальную динамику столкновений.
Современные автомобили объединяют данные, поступающие от самых разных датчиков, включая камеры, радары, лидары, а также небольшие ультразвуковые датчики. Этот процесс в целом называется сенсорным слиянием (sensor fusion) и позволяет создавать достаточно точную и актуальную картину происходящего вокруг автомобиля в режиме реального времени. Бортовой компьютер затем обрабатывает все эти разнородные данные в течение примерно 100 миллисекунд, чтобы определить, существует ли риск столкновения с другим объектом. Такие интеллектуальные системы действительно анализируют, как двигаются пешеходы, в каком направлении и с какой скоростью приближаются другие автомобили, а также что происходит в окружающей среде, чтобы выявлять потенциальные столкновения за 2–3 секунды до их возникновения. Если ситуация становится достаточно опасной, автомобиль автоматически либо резко тормозит, либо совершает манёвр уклонения от опасности. Вся эта обработка происходит непосредственно внутри самого автомобиля, поэтому не требуется ожидания сигналов из облака или других внешних источников. Тем не менее, такие системы пока ещё не являются идеальными: они отлично работают на автомагистралях, но иногда могут пропускать важные детали в оживлённых городских условиях — например, когда велосипеды внезапно появляются из-за препятствий или когда дорожная обстановка резко меняется из-за строительных работ. Именно поэтому так важно тестировать их в реальных условиях эксплуатации — это ключевой фактор обеспечения их надёжной работы в критических ситуациях.
Внедрение ИИ в критически важные для безопасности автомобильные системы порождает три основные взаимосвязанные задачи. Первая связана с требованиями к временным параметрам: решения должны приниматься в течение 50 миллисекунд, даже если датчики одновременно передают огромные объёмы данных высокого разрешения. Это создаёт колоссальную нагрузку как на аппаратные компоненты, так и на сами алгоритмы, требуя от них беспрецедентной скорости работы. Вторая проблема — это необходимость обеспечить объяснимость решений ИИ: системы глубокого обучения не демонстрируют свой «мыслительный процесс» достаточно прозрачно для регуляторов, выдающих разрешения, или инженеров, пытающихся понять, почему в ходе испытаний были предприняты те или иные уклоняющиеся действия. Третья — это постоянное противоречие между симуляциями, используемыми при обучении, и реальными условиями эксплуатации. Когда такие модели сталкиваются с ситуациями, на которые они не были запрограммированы — например, блики от мокрого дорожного покрытия, пешеходы, частично скрытые тенью, или внезапные изменения текстуры асфальта — сбои возникают очень быстро. Синтетические данные ускоряют разработку, однако преодоление этого «разрыва между моделью и реальностью» требует постоянных обновлений на основе анонимизированных данных, собираемых с автопарков. К сожалению, многие устаревшие автомобильные системы не способны поддерживать такой непрерывный процесс обучения, а новые нормативные акты постоянно меняют правовые рамки доступа компаний к таким данным и их использования.
Распространение обновлений «по воздуху» (OTA) кардинально изменило подход к обеспечению безопасности автомобилей. То, что ранее было неизменным после выхода автомобиля с завода, теперь может постоянно совершенствоваться на протяжении всего срока его эксплуатации. При правильной реализации такие обновления позволяют производителям оперативно выпускать исправления уязвимостей, тонко настраивать работу датчиков и даже повышать эффективность систем расширенной помощи водителю. Однако при возникновении ошибок риски становятся вполне реальными. Представьте обновление, нарушающее работу системы торможения или программного обеспечения управления аккумулятором — это может привести к потере безопасной работоспособности автомобиля или к полному отказу его функций. Согласно недавнему исследованию компании Upstream Security из отчёта «Глобальный автомобильный кибербезопасностный отчёт-2023», почти половина (43 %) всех сообщённых в автомобилях кибербезопасностных инцидентов за период с 2021 по 2023 гг. была вызвана именно дефектами самих OTA-обновлений.
Устойчивые рамочные решения для непрерывной валидации снижают эти риски следующим образом:
Эти меры защиты гарантируют, что технология OTA остаётся силовым усилителем безопасности, а не эксплуатируемым вектором угроз. По мере того как автомобили становятся всё более определяемыми программным обеспечением, отказоустойчивая валидация должна развиваться синхронно с данными о текущих угрозах, точностью моделирования и обратной связью от реальных автопарков.
Глобальные стандарты, такие как Правила ООН № 152 (WP.29), стандарт ISO 26262 по функциональной безопасности и Правила ООН R155 по кибербезопасности, создают обратные связи, которые помогают всем участникам автомобильной отрасли быстрее учиться совместно. Когда компании применяют одни и те же методы испытаний, представляют данные в стандартизированном виде и делятся информацией о реальных дорожных ситуациях при сохранении конфиденциальности личных данных участников, вся эта информация превращается в полезный ресурс для совершенствования автомобилей. Регуляторы анализируют собранные данные и со временем обновляют свои требования. Так, например, мы уже наблюдаем внедрение улучшенных методов испытаний систем адаптивной помощи водителю или обеспечение того, чтобы подключённые электронные блоки управления оснащались встроенными средствами защиты. Автопроизводители последовательно внедряют эти изменения, что позволяет новым идеям — таким как зоны защиты при столкновениях с автоматической адаптацией или более интеллектуальные системы подушек безопасности на основе искусственного интеллекта — быстро распространяться среди различных моделей и брендов на современном рынке.
Мы действительно можем увидеть результаты такого командного подхода. Согласно последним данным Глобальной программы оценки новых автомобилей (Global New Car Assessment Programme), в регионах, где стандарты WP.29 и ISO были внедрены надлежащим образом, за три года было зафиксировано примерно на 15 смертельных ДТП меньше на каждые 100 автомобилей. Сейчас самое важное — это уже не просто формальное выполнение пунктов списков соответствия, а проектирование автомобилей с учётом этих стандартов с самого начала разработки. Когда производители внедряют новые правила безопасности на ранних этапах, им удаётся избежать дорогостоящих доработок на поздних стадиях, сократить время повторного тестирования всех систем и быстрее выводить критически важные функции безопасности на рынок. В результате создаётся нечто по-настоящему выдающееся: каждый автомобиль, собирающий данные о ДТП, способствует повышению безопасности всех транспортных средств во всём мире. Чем больше автомобилей учатся на реальных авариях, тем лучше становится наше общее понимание того, какие решения наиболее эффективны для защиты водителей в любой точке планеты.
EN