УДК 629.4.015

Функциональная безопасность в беспилотных поездах: анализ и тестирование редких чрезвычайных ситуаций

Ёлкин Андрей Андреевич – магистрант Национального исследовательского университета ИТМО.

Аннотация: Данная статья посвящена вопросам функциональной безопасности беспилотных поездов, с особенным упором на анализ и тестирование редко возникающих чрезвычайных ситуаций. В работе представлена разработанная авторами методика для тестирования таких ситуаций, основанная на использовании данных телеметрии поезда и отчетов машинистов для понимания условий возникновения аварий. Описаны ключевые этапы методики, включая идентификацию ключевых переменных и отношений, моделирование функций безопасности, создание тестовой среды, анализ результатов и корректировка на основе полученных данных. С помощью предложенного подхода можно улучшить алгоритмы принятия решений в системе безопасности беспилотных поездов, улучшая такие показатели функциональной безопасности, как готовность и сохраняемость. Результаты работы могут быть применены в области проектирования и эксплуатации беспилотного транспорта.

Ключевые слова: беспилотные поезда, функциональная безопасность, чрезвычайные ситуации, методика тестирования, алгоритмы принятия решений, готовность и надежность, телеметрические данные, маловероятные события, транспортная безопасность.

Рынок автономных транспортных средств демонстрирует быстрый рост и огромный потенциал. В 2022 году его объем оценивался в 126,19 млрд долларов США, и прогнозируется, что к 2030 году он вырастет до примерно 1 808,44 млрд долларов США, демонстрируя совокупный годовой темп роста (CAGR) 38,8%. Только рынок автономных транспортных средств в США в 2022 году был оценен в 36,4 млрд долларов США, что подчеркивает огромный масштаб и возможности использования этой технологии [1].

Важность внедрения систем автоматизации также показывает статистика, представленная на рисунке 1. Согласно ей, в среднем нагрузка пассажиров на одной станции МЦК в России составляет более 500 пассажиров в час [2].

1

Рисунок 1. Распространение систем автоматизации на рельсовом транспорте, по состоянию на середину 2020 года.

В контексте такого быстрого развития обеспечение безопасности беспилотных транспортных средств становится важнейшим вопросом. Несмотря на то, что они уже доказали свою эффективность и надежность, всегда существует вероятность чрезвычайных ситуаций, которые могут представлять угрозу для безопасности пассажиров и окружающей среды. Однако, часто эти ситуации являются крайне редкими, что затрудняет их предсказание и тестирование.

В этой статье мы представляем разработанную нами методику тестирования для анализа функциональной безопасности беспилотных поездов в условиях, которые могут возникнуть с крайне низкой вероятностью. Методика основывается на комплексном подходе, включая моделирование функций безопасности, идентификацию крайне редких ситуаций, создание тестовой среды, разработку и реализацию тестовых сценариев, а также анализ и интерпретацию результатов тестирования. Благодаря использованию методики можно улучшить алгоритмы принятия решений, что повышает такие показатели надёжности, как готовность и сохраняемость, что повышает уровень функциональной безопасности через повышение надёжности.

Для обеспечения функциональной безопасности беспилотных поездов требуется адекватный учет проблематики редких и чрезвычайных ситуаций. Это задача не только сложная, но и крайне важная, так как последствия отказа систем безопасности в таких случаях могут быть катастрофическими.

Использование реальных данных, включая отчеты машинистов и телеметрию поездов, позволяет нам улучшить наше понимание редких и чрезвычайных ситуаций, которые могут возникнуть в эксплуатации беспилотных поездов. Это дает нам возможность создавать более реалистичные и эффективные тестовые сценарии, что в свою очередь помогает улучшить общую безопасность этих систем.

Сама методика состоит из следующих шагов:

  1. Изучение системы поезда: глубокое погружение в систему беспилотного поезда, понимание его работы и компонентов, влияющих на безопасность;
  2. Идентификация ключевых переменных и отношений: определение важных параметров, влияющих на работу системы безопасности, и отношений между различными компонентами и функциями;
  3. Моделирование функций безопасности: создание моделей функций безопасности, реагирующих на чрезвычайные ситуации на основе собранных данных.
  4. Идентификация крайне редких ситуаций: определение чрезвычайных ситуаций с крайне низкой вероятностью в системе беспилотного поезда;
  5. Создание тестовой среды: создание контролируемой среды для симуляции чрезвычайных ситуаций и наблюдения за реакцией функций безопасности;
  6. Разработка фреймворка для тестирования: создание инструментария, позволяющего проводить тесты, записывать результаты и анализировать данные;
  7. Выполнение серии тестов: проведение серии тестов с использованием различных сценариев чрезвычайных ситуаций;
  8. Анализ и интерпретация результатов тестирования: анализ собранных данных, интерпретация результатов, определение эффективности реакции функций безопасности на чрезвычайные ситуации;
  9. Корректировки и улучшения на основе результатов тестов: внесение изменений и улучшений в систему безопасности и процесс тестирования на основе результатов анализа;
  10. Повторение тестов и анализ результатов: проведение новой серии тестов после внесения улучшений и анализ полученных результатов;
  11. Создание окончательного анализа и выводов: формирование окончательного отчета, выявление ключевых выводов и рекомендаций по улучшению функциональной безопасности беспилотного поезда на основе всех проведенных тестов и анализа.

Важным шагом является создание тестовой среды, которая позволяет симулировать различные чрезвычайные ситуации и наблюдать реакцию функций безопасности. Благодаря этому можно эффективно проводить тесты, записывать результаты и анализировать данные. Структура серии тестов представлена ниже (рис. 2).

Для реализации серии тестов мы рассмотрели четыре различные технологии: Python с библиотекой Scipy, MATLAB, язык программирования R и C++ с библиотекой Armadillo. Каждая из этих технологий имеет свои сильные и слабые стороны в контексте научных и инженерных задач.

2 1

Рисунок 2. Блок-схема серии тестов.

Python с использованием библиотеки Scipy занимает сильное положение благодаря широкому спектру научных и инженерных инструментов. Простота и удобство использования этого языка программирования, а также большое сообщество и множество доступных библиотек, делают его весьма привлекательным. Однако, несмотря на множество преимуществ, Python может быть медленнее некоторых других языков программирования, таких как C++ или Fortran [3].

Для реализации данной методики был выбран язык программирования Python. Основные темы, которые необходимы для проведения исследования и моделирования на этом языке, включают в себя:

  • Синтаксис Python: изучение основ синтаксиса, структуры данных и основных операторов [4].
  • Функции и модули: создание функций и их использование в модулях для повторного использования кода.
  • ООП в Python: изучение объектно-ориентированного программирования и создание классов.
  • Наука о данных: использование библиотек, таких как NumPy, SciPy и Matplotlib для работы с данными [5, 6].

Таким образом, представленная методика тестирования позволяет систематически анализировать и улучшать функциональную безопасность беспилотных поездов в редких и крайне редких чрезвычайных ситуациях.

После применения разработанной методики к модулям управления движением беспилотных поездов, мы провели серию тестов, где на вход системы подавались эмулированные сигналы от систем поезда и замерялось время реакции.

Анализ полученных данных позволил выявить несколько областей для улучшения алгоритмов управления. В частности, обнаружено, что некоторые сценарии, которые ранее были классифицированы как "крайне редкие", на самом деле могут возникнуть гораздо чаще, если учесть определенные условия окружающей среды и состояния системы поезда.

В процессе применения методики на практике был получен ряд важных результатов. В частности, было обнаружено, что функции безопасности беспилотных поездов, в большинстве своем, справляются с чрезвычайными ситуациями. Однако также было выявлено, что время реакции системы на определенные типы ситуаций может быть неадекватно долгим, что указывает на потребность в доработке и оптимизации системы. На основе этих выводов были внесены изменения в алгоритмы управления, что привело к увеличению скорости реакции системы на различные экстремальные ситуации на 20% в среднем. Это позволило снизить риск возникновения чрезвычайных ситуаций и повысить общий уровень безопасности беспилотных поездов.

Список литературы

  1. Autonomous Vehicle Market Size, Share & Trends Estimation Report.
  2. Благодатских Д., Кононцевая А. Уровень автоматизации GoA4: перспективы на железных дорогах России и мира // Техника железных дорог.
  3. Niklas Heer Latest speed comparison results // GitHub [Электронный ресурс]. URL: https://niklas-heer.github.io/speed-comparison/#latest-speed-comparison-results (дата обращения: 01.06.2023).
  4. Златопольский Д. Основы программирования на языке Python / Д. Златопольский, Litres, 2022.
  5. Oliphant T. E. A guide to NumPy / T. E. Oliphant, Trelgol Publishing USA, 2006.
  6. Дунаев М. П. Математическое и физическое моделирование электромобиля // Информационные и математические технологии в науке и управлении. 2017. № 2 (6). C. 65–71.

Интересная статья? Поделись ей с другими: