ระบบความปลอดภัยแบบพาสซีฟสมัยใหม่ได้พัฒนาเกินกว่าการออกแบบแบบคงที่ไปสู่โซลูชันอัจฉริยะที่ได้รับการปรับปรุงอย่างต่อเนื่องจากหลักฐานการชนจริง ผู้ผลิตปัจจุบันวิเคราะห์ข้อมูลการชนที่ถูกทำให้ไม่สามารถระบุตัวตนได้ในระดับใหญ่ เพื่อเพิ่มประสิทธิภาพในการป้องกันโครงสร้าง การยึดตรึงผู้โดยสาร และการลดการบาดเจ็บ—โดยเปลี่ยนประสบการณ์จากการชนจริงของยานพาหนะทั้งฝูงเป็นข้อมูลเชิงวิศวกรรม
ยานยนต์สมัยใหม่ในปัจจุบันมาพร้อมกับเซ็นเซอร์ขั้นสูงที่ติดตั้งอยู่ภายในโครงสร้างของตัวรถโดยตรง ซึ่งทำหน้าที่ติดตามการเปลี่ยนรูปของชิ้นส่วนต่าง ๆ ระหว่างการชนจริงจำนวนมาก ข้อมูลเหล่านี้ช่วยให้ผู้ผลิตรถยนต์สามารถปรับแต่งโซนดูดซับแรงกระแทก (crumple zones) ให้มีประสิทธิภาพสูงสุดในการดูดซับพลังงานจากการชน ยกตัวอย่างเช่น การชนด้านหน้าแบบไม่สมมาตร (offset front collisions) — รถยนต์ในปัจจุบันสามารถดูดซับพลังงานได้เพิ่มขึ้นประมาณร้อยละ 30 เมื่อเทียบกับรุ่นที่ผลิตเมื่อปี ค.ศ. 2023 ตามรายงานของ NHTSA นอกจากนี้ แผ่นรองรับความดันพิเศษที่วางอยู่ใต้เบาะนั่งยังเก็บรวบรวมข้อมูลอย่างต่อเนื่องเกี่ยวกับผู้นั่ง ตำแหน่งการนั่งของพวกเขา และตำแหน่งที่แน่นอนของร่างกาย ข้อมูลทั้งหมดนี้ช่วยให้ รถ ตอบสนองแตกต่างกันไปตามสถานการณ์ที่เกิดขึ้น ถุงลมนิรภัยในปัจจุบันยังทำงานได้อย่างชาญฉลาดยิ่งขึ้น โดยปรับเวลาการระเบิดให้เหมาะสมตามสัญญาณที่ได้รับจากเซ็นเซอร์ ระบบโดยรวมทำงานเร็วพอที่จะลดความเสี่ยงต่อการบาดเจ็บบริเวณหน้าอก ขณะเดียวกันก็ยังคงรักษาความปลอดภัยให้กับผู้โดยสารทุกคน ไม่ว่าขนาดร่างกายจะเป็นอย่างไร
การรวบรวมข้อมูลทั่วทั้งกองยานพาหนะช่วยระบุรูปแบบสถานการณ์การชนซ้ำๆ ที่ส่งผลกระทบต่อยานพาหนะมากกว่า 200,000 คันต่อปี โมเดลการเรียนรู้ของเครื่อง (Machine Learning) วิเคราะห์ความสัมพันธ์ระหว่างรูปทรงของการกระแทก ความต่างของความเร็ว และข้อมูลประชากรผู้โดยสาร กับผลลัพธ์ทางคลินิกของการบาดเจ็บ—ทำให้สามารถเปิดใช้งานระบบยึดตรึงได้อย่างแม่นยำล่วงหน้าและปรับตามบริบทจริง ขณะนี้ ระบบยึดตรึงสามารถปรับเปลี่ยนพฤติกรรมแบบเรียลไทม์ตามระดับความรุนแรงของการชน:
พฤติกรรมแบบปรับตัวนี้สะท้อนการเปลี่ยนแปลงในภาพรวม: ความปลอดภัยแบบพาสซีฟ (Passive Safety) ไม่ได้ถูกกำหนดไว้เพียงจากข้อกำหนดของฮาร์ดแวร์อีกต่อไป แต่ยังขึ้นอยู่กับความชาญฉลาดในการตอบสนองของระบบนั้นๆ ต่อพลวัตการชนจริง
รถยนต์ในปัจจุบันรวมข้อมูลจากเซ็นเซอร์หลากหลายประเภท ทั้งกล้อง ระบบเรดาร์ ไลดาร์ (Lidar) และเซ็นเซอร์อัลตราซาวนด์ขนาดเล็กด้วย กระบวนการทั้งหมดนี้เรียกว่า การผสานข้อมูลจากเซ็นเซอร์ (Sensor Fusion) ซึ่งช่วยสร้างภาพโดยรวมที่ค่อนข้างแม่นยำเกี่ยวกับสิ่งที่เกิดขึ้นรอบตัวรถยนต์แบบเรียลไทม์ คอมพิวเตอร์ภายในรถจะนำข้อมูลที่ผสมผสานกันนี้มาประมวลผลภายในเวลาประมาณ 100 มิลลิวินาที เพื่อประเมินว่าอาจมีวัตถุใดวัตถุหนึ่งชนเข้ากับตัวรถหรือไม่ ระบบอัจฉริยะเหล่านี้สามารถวิเคราะห์ได้ทั้งรูปแบบการเดินของผู้คน ทิศทางและความเร็วของรถยนต์คันอื่นที่กำลังเคลื่อนที่เข้ามาใกล้ รวมถึงเหตุการณ์ต่าง ๆ ที่เกิดขึ้นในบริเวณรอบข้าง เพื่อตรวจจับความเสี่ยงของการชนล่วงหน้าได้ถึง 2–3 วินาที หากสถานการณ์เริ่มเป็นอันตรายมากพอ รถจะทำการเบรกอัตโนมัติอย่างรุนแรง หรือเปลี่ยนทิศทางเพื่อหลีกเลี่ยงอันตราย ทั้งหมดนี้เกิดขึ้นภายในตัวรถเอง โดยไม่จำเป็นต้องรอสัญญาณจากคลาวด์หรือแหล่งภายนอกอื่นใด อย่างไรก็ตาม ระบบทั้งหมดนี้ยังไม่สมบูรณ์แบบนัก: ทำงานได้ดีมากบนทางหลวง แต่บางครั้งอาจพลาดสิ่งต่าง ๆ บนถนนในเมืองที่มีความหนาแน่น เช่น จักรยานที่แล่นผ่านไปมาอย่างไม่คาดคิด หรือการก่อสร้างที่เปลี่ยนแปลงรูปแบบถนนอย่างกะทันหัน นี่จึงเป็นเหตุผลสำคัญว่าทำไมการทดสอบระบบทั้งหมดนี้ในสถานการณ์จริงตามสภาพแวดล้อมจริงจึงมีความจำเป็นอย่างยิ่ง เพื่อให้มั่นใจว่าระบบจะทำงานได้อย่างมีประสิทธิภาพเมื่อจำเป็นต้องใช้งานจริง
การนำปัญญาประดิษฐ์ (AI) ไปใช้ในส่วนที่มีความสำคัญต่อความปลอดภัยของรถยนต์ก่อให้เกิดความท้าทายหลักสามประการ ซึ่งล้วนมีความเชื่อมโยงกันอย่างใดอย่างหนึ่ง ประการแรกคือปัญหาที่เกี่ยวข้องกับข้อกำหนดด้านเวลา ซึ่งการตัดสินใจจำเป็นต้องเกิดขึ้นภายใน 50 มิลลิวินาที แม้ว่าเซนเซอร์จะป้อนข้อมูลความละเอียดสูงจำนวนมากเข้ามาพร้อมกันก็ตาม สิ่งนี้สร้างแรงกดดันอย่างมหาศาลทั้งต่อองค์ประกอบฮาร์ดแวร์และอัลกอริธึมเอง ให้สามารถทำงานได้เร็วกว่าที่เคยเป็นมา ประการที่สอง คือประเด็นทั้งหมดที่เกี่ยวกับความสามารถในการอธิบายว่า AI นั้นทำอะไรไปบ้าง ระบบการเรียนรู้เชิงลึก (Deep learning systems) ไม่สามารถแสดงกระบวนการคิดของตนเองออกมาอย่างชัดเจนเพียงพอสำหรับผู้ควบคุมกำกับดูแลที่ต้องการอนุมัติ หรือวิศวกรที่พยายามทำความเข้าใจว่าเหตุใดจึงเกิดการปฏิบัติการหลีกเลี่ยงบางอย่างขึ้นระหว่างการทดสอบ ประการที่สาม คือความท้าทายอย่างต่อเนื่องระหว่างการจำลองสถานการณ์ (simulations) ที่ใช้ในระหว่างการฝึกอบรม กับเงื่อนไขจริงในโลกแห่งความเป็นจริง เมื่อแบบจำลองเหล่านี้เผชิญสถานการณ์ที่ไม่ได้ถูกเขียนโปรแกรมไว้ล่วงหน้า เช่น แสงสะท้อนจากถนนเปียก ผู้เดินเท้าที่ถูกบดบังบางส่วนด้วยเงา หรือการเปลี่ยนแปลงอย่างฉับพลันของพื้นผิวถนน ปัญหาก็จะเกิดขึ้นอย่างรวดเร็ว ข้อมูลสังเคราะห์ (Synthetic data) ช่วยเร่งกระบวนการพัฒนา แต่การลดช่องว่างระหว่างการจำลองกับความเป็นจริงนี้จำเป็นต้องอาศัยการปรับปรุงอย่างต่อเนื่องโดยอิงจากข้อมูลยานพาหนะแบบไม่ระบุตัวตนที่รวบรวมจากยานพาหนะหลายคันในฝูงรถ น่าเสียดายที่ระบบรถยนต์รุ่นเก่าจำนวนมากไม่สามารถรองรับการเรียนรู้อย่างต่อเนื่องรูปแบบนี้ได้ และระเบียบข้อบังคับใหม่ๆ ก็ยังคงเปลี่ยนแปลงอยู่เสมอเกี่ยวกับวิธีที่บริษัทต่างๆ สามารถเข้าถึงและใช้ข้อมูลดังกล่าวได้ตามกฎหมาย
การเพิ่มขึ้นของการอัปเดตผ่านเครือข่าย (Over-the-Air: OTA) ได้เปลี่ยนแปลงแนวคิดของเราเกี่ยวกับความปลอดภัยของรถยนต์โดยสิ้นเชิง สิ่งที่เคยถูกกำหนดไว้คงที่ก่อนที่รถยนต์จะออกจากโรงงาน ปัจจุบันกลับสามารถพัฒนาให้ดีขึ้นเรื่อยๆ ได้ตลอดอายุการใช้งาน เมื่อดำเนินการอย่างเหมาะสม การอัปเดตเหล่านี้จะช่วยให้ผู้ผลิตสามารถปล่อยแพตช์ด้านความปลอดภัยได้อย่างรวดเร็ว ปรับแต่งเซ็นเซอร์ให้แม่นยำยิ่งขึ้น และแม้แต่ยกระดับประสิทธิภาพของระบบช่วยขับขี่ขั้นสูง (ADAS) อย่างไรก็ตาม หากเกิดข้อผิดพลาดขึ้น ก็อาจก่อให้เกิดอันตรายที่แท้จริง ลองจินตนาการถึงกรณีที่การอัปเดตทำให้ระบบควบคุมการเบรกหรือซอฟต์แวร์จัดการแบตเตอรี่ผิดพลาด — สิ่งนี้อาจทำให้รถยนต์ไม่ปลอดภัย หรือไม่สามารถใช้งานได้ตามปกติเลยทีเดียว ตามรายงานล่าสุดจาก Upstream Security เรื่อง "Global Automotive Cybersecurity Report 2023" พบว่าเกือบครึ่งหนึ่ง (43%) ของปัญหาด้านความปลอดภัยทางไซเบอร์ทั้งหมดที่รายงานในรถยนต์ระหว่างปี 2021 ถึง 2023 นั้นเกิดจากข้อบกพร่องภายในตัวการอัปเดต OTA เอง
กรอบการตรวจสอบอย่างต่อเนื่องที่แข็งแกร่งช่วยบรรเทาความเสี่ยงเหล่านี้ผ่าน:
มาตรการป้องกันเหล่านี้ทำให้การอัปเดตผ่านเครือข่าย (OTA) ยังคงเป็นปัจจัยเสริมด้านความปลอดภัย—ไม่ใช่ช่องทางที่สามารถถูกโจมตีได้ ขณะที่ยานพาหนะกลายเป็นระบบที่กำหนดด้วยซอฟต์แวร์มากขึ้นเรื่อยๆ การตรวจสอบความปลอดภัยแบบล้มไม่ได้ (fail-safe validation) จำเป็นต้องพัฒนาควบคู่ไปกับข้อมูลเชิงลึกด้านภัยคุกคาม ความแม่นยำของการจำลอง และข้อเสนอแนะจากฝูงยานจริง
มาตรฐานระดับโลก เช่น ข้อบังคับ UNECE ฉบับที่ 152 (WP.29), มาตรฐาน ISO 26262 ว่าด้วยความปลอดภัยเชิงหน้าที่ (functional safety) และข้อบังคับ R155 ของสหประชาชาติว่าด้วยความมั่นคงปลอดภัยทางไซเบอร์ (cybersecurity) สร้างระบบการให้ข้อเสนอแนะย้อนกลับ (feedback systems) ซึ่งช่วยให้ทุกฝ่ายในอุตสาหกรรมยานยนต์เรียนรู้ร่วมกันได้รวดเร็วยิ่งขึ้น เมื่อบริษัทต่างๆ ปฏิบัติตามขั้นตอนการทดสอบที่เหมือนกัน รายงานข้อมูลตามรูปแบบมาตรฐาน และแบ่งปันข้อมูลเกี่ยวกับเหตุการณ์ที่เกิดขึ้นจริงระหว่างการขับขี่ โดยยังคงรักษาความเป็นส่วนตัวของผู้เกี่ยวข้องไว้ ข้อมูลทั้งหมดนี้จะถูกแปลงเป็นข้อมูลที่มีประโยชน์ต่อการพัฒนายานยนต์ให้ดียิ่งขึ้น ผู้กำหนดกฎระเบียบจะพิจารณาข้อมูลที่รวบรวมมาทั้งหมดเพื่ออัปเดตข้อกำหนดของตนอย่างต่อเนื่อง เราได้เห็นตัวอย่างเช่น วิธีการทดสอบระบบช่วยขับขี่ขั้นสูง (advanced driver assistance systems) ที่ดีขึ้น หรือการรับรองว่าหน่วยควบคุมอิเล็กทรอนิกส์ที่เชื่อมต่อกัน (connected electronic control units) มีการตรวจสอบความมั่นคงปลอดภัยฝังอยู่ภายใน ผู้ผลิตรถยนต์นำการเปลี่ยนแปลงเหล่านี้ไปปฏิบัติทีละขั้นตอน ซึ่งหมายความว่าแนวคิดใหม่ๆ เช่น โซนป้องกันการชนที่ปรับตัวเองได้ (self-adjusting crash protection zones) หรือระบบถุงลมนิรภัยที่ชาญฉลาดยิ่งขึ้นซึ่งขับเคลื่อนด้วยปัญญาประดิษฐ์ (artificial intelligence) สามารถแพร่กระจายไปยังรถยนต์รุ่นและยี่ห้อต่างๆ ได้อย่างรวดเร็วในตลาดปัจจุบัน
เราสามารถเห็นผลลัพธ์ที่ชัดเจนจากการทำงานร่วมกันด้วยแนวทางนี้ได้จริง ตามตัวเลขล่าสุดจากโครงการประเมินรถยนต์ใหม่ระดับโลก (Global New Car Assessment Programme) พื้นที่ที่นำมาตรฐาน WP.29 และ ISO ไปใช้อย่างถูกต้องรายงานว่า มีอุบัติเหตุร้ายแรงลดลงประมาณ 15 ครั้งต่อรถยนต์ 100 คัน ภายในระยะเวลาสามปี สิ่งที่สำคัญที่สุดในขณะนี้จึงไม่ใช่เพียงการตรวจสอบรายการความสอดคล้องเท่านั้น แต่คือการพัฒนารถยนต์ให้สอดคล้องกับมาตรฐานเหล่านี้ตั้งแต่ขั้นตอนการออกแบบและผลิตแรกเริ่ม เมื่อผู้ผลิตรถยนต์นำกฎเกณฑ์ด้านความปลอดภัยใหม่มาใช้ตั้งแต่เนิ่นๆ จะช่วยหลีกเลี่ยงการปรับปรุงที่มีค่าใช้จ่ายสูงในภายหลัง ลดเวลาที่ใช้ในการทดสอบซ้ำทั้งระบบ และนำฟีเจอร์ความปลอดภัยที่จำเป็นออกสู่ท้องถนนได้รวดเร็วขึ้น สิ่งนี้สร้างสิ่งที่น่าทึ่งมากจริงๆ กล่าวคือ รถยนต์แต่ละคันที่ออกวิ่งอยู่บนท้องถนนและเก็บรวบรวมข้อมูลจากอุบัติเหตุ ล้วนมีส่วนร่วมในการทำให้ยานพาหนะทั่วโลกมีความปลอดภัยยิ่งขึ้น ยิ่งมีรถยนต์จำนวนมากขึ้นที่เรียนรู้จากอุบัติเหตุจริง เราก็จะยิ่งเข้าใจโดยรวมมากขึ้นว่า อะไรคือวิธีที่ได้ผลดีที่สุดในการปกป้องผู้ขับขี่ทั่วทุกมุมโลก
EN