Argomenti trattati
La diffusione delle funzioni avanzate di assistenza alla guida rende la affidabilità dell’Intelligenza artificiale un requisito imprescindibile per l’industria automotive. Non basta che i modelli vedano e decidano: devono farlo con continuità e in condizioni difficili, riducendo il rischio che errori temporanei compromettano il comportamento del veicolo. In questo contesto il Politecnico di Torino ha sviluppato e validato una metodologia che affronta proprio la misura dei rischi legati all’hardware e al software di bordo, ottenendo un riconoscimento internazionale che evidenzia l’urgenza del tema.
Il lavoro premiato, intitolato Estimating the Impact of Soft Errors on AI-based Perception in Automotive, è stato insignito del Best Paper Award alla conferenza IEEE LATS 2026. La ricerca è stata condotta all’interno del Centro CARS (Center for Automotive Research and Sustainable Mobility) e mette insieme competenze di elettronica, automazione, ingegneria e intelligenza artificiale per offrire uno strumento pratico ai progettisti.
TIARA: un metodo in due passaggi per la valutazione della resilienza
La metodologia denominata TIARA (Two-step IntegrAted Reliability Assessment) nasce con l’obiettivo di quantificare e prevenire gli effetti dei soft errors sui sistemi di percezione automotive. Il principio è semplice nella sua idea e sofisticato nell’implementazione: combinare una fase preliminare a basso costo computazionale con una successiva analisi di dettaglio solo sui punti critici. In questo modo è possibile bilanciare l’esigenza di precisione con quella di sostenibilità computazionale, offrendo ai team di progetto una panoramica rapida delle vulnerabilità seguita da prove mirate dove conta davvero.
Fase 1: analisi rapida e selezione dei punti critici
La prima fase di TIARA è pensata come un filtro che identifica i componenti e le condizioni più sensibili all’insorgenza di malfunzionamenti. Attraverso tecniche di fault injection semplificata e metriche aggregate, i ricercatori eseguono un esame statistico delle reti e dei moduli di percezione per evidenziare hotspot vulnerabili. L’obiettivo è isolare scenari che meritano investigazioni approfondite senza dover replicare in modo esaustivo tutte le possibili combinazioni di guasto, riducendo così tempi e costi nelle prime fasi di sviluppo.
Fase 2: simulazioni ad alta fedeltà sui casi critici
Una volta individuati i punti caldi, la seconda fase impiega simulazioni ad alta fedeltà e campagne di test mirate per quantificare l’impatto reale dei soft errors sul comportamento del sistema. Qui entrano in gioco modelli realistici del sensore e del software di percezione, scenari di traffico complessi e metriche di sicurezza che traducono malfunzionamenti in conseguenze operative, come ritardi di reazione o peggioramenti della traiettoria. Questo approccio gerarchico permette di ottenere stime accurate senza l’onere di simulazioni globali continue.
Validazione sul campo: il caso del Lane Centering Assistance
Per dimostrare l’efficacia di TIARA il team ha applicato la metodologia a un sistema di Lane Centering Assistance basato su modelli di visione. Attraverso milioni di simulazioni i ricercatori hanno esplorato scenari di guida diversi, mostrando che anche errori hardware rari possono produrre effetti rilevanti sulla percezione della corsia e sulle decisioni di sterzata, soprattutto in condizioni complesse come incroci, segnaletica non uniforme o forti variazioni di illuminazione. Tra gli effetti osservati figurano ritardi nella rilevazione della linea, falsi allarmi e deviazioni di traiettoria che, accumulandosi, possono aumentare il rischio di incidenti.
Implicazioni per l’industria, le norme e il team che ha firmato lo studio
Il riconoscimento ottenuto al IEEE LATS 2026 sottolinea come l’affidabilità delle AI non sia più un tema confinato ai laboratori: è diventata una necessità industriale e normativa. Standard più rigidi richiedono oggi alle case auto di dimostrare non solo performance medie, ma anche resilienza a guasti temporanei. Il lavoro nasce dall’integrazione di competenze diverse e porta la firma di Shailesh Sudhakara Hegde (Dipartimento di Ingegneria Meccanica e Aerospaziale – DIMEAS), Dinesh Cyril Selvaraj (già al Dipartimento di Elettronica e Telecomunicazioni – DET), Josie E. Rodriguez Condia (DAUIN), Nicola Amati (DIMEAS), Carla Fabiana Chiasserini (DET), Francesco Paolo Deflorio (DIATI) e Matteo Sonza Reorda (DAUIN). Durante la cerimonia erano presenti, tra gli altri, Matteo Sonza Reorda, Leticia Bolzani Pohels e Josie E. Rodriguez Condia.
In conclusione, TIARA rappresenta un tassello pratico per chi progetta sistemi di guida assistita: fornisce una strategia per anticipare e mitigare i rischi legati ai soft errors, facilita la conformità alle future regole e rafforza il ruolo del Centro CARS e del Politecnico di Torino nella ricerca per una mobilità autonoma più sicura e verificabile.