Se voleste dimostrare, solo guidando, che un’auto a guida autonoma ha meno incidenti di un essere umano, dovreste percorrerla per circa 275 milioni di chilometri senza un incidente mortale solo per avere una confidenza statistica pari all’ottimo livello di sicurezza umano attuale — una stima ampiamente citata della RAND Corporation, che richiederebbe a una flotta di cento auto di test diversi decenni di guida continua. Nessun costruttore può farlo prima di una data di lancio, il che significa che “testarla tantissimo” non è mai stato il modo in cui vengono validate le auto di Livello SAE 3 e superiore. Al suo posto c’è un mix di simulazione, scenari sintetici e modellazione statistica che l’UE ha passato quasi un decennio a costruire, con un progetto che passa i risultati direttamente al successivo.
Perché non basta guidare per avere la prova
Il problema di fondo si chiama “gap di validazione della sicurezza”: i tassi di mortalità attuali per i guidatori umani sono così bassi (circa uno ogni cento milioni di chilometri in Europa) che dimostrare un miglioramento statisticamente significativo richiede una quantità di chilometri reali che nessuna flotta di test, budget o tempistica può realisticamente permettersi. Aspettare che si accumulino naturalmente abbastanza incidenti reali e quasi-incidenti significherebbe anche esporre deliberatamente il pubblico a un sistema non validato nel frattempo, cosa che i regolatori non accettano. Così l’industria ha ribaltato l’approccio: invece di guidare finché non si accumulano abbastanza dati per caso, genera di proposito gli scenari pericolosi, rari e statisticamente decisivi — prima in simulazione, poi su piste di prova chiuse, e solo dopo su strada pubblica per i casi residui che la simulazione non riesce a catturare del tutto.
Il test basato su scenari: guidare il caso su un milione, un milione di volte
La tecnica di base si chiama scenario-based testing: invece di accumulare chilometri generici, gli ingegneri identificano situazioni specifiche e ben definite — un ciclista che sbanda uscendo da dietro un furgone parcheggiato, un sorpasso improvviso a velocità autostradale, un pedone nascosto dalla nebbia — e fanno affrontare al sistema di guida automatizzata migliaia di varianti parametrizzate di ciascuna, in simulazione (velocità, distanze, luce, meteo diversi), prima ancora di testarne una sola sull’asfalto vero. Questo è utile solo se la libreria di scenari è realistica, standardizzata e condivisa tra tutta l’industria invece che inventata ad hoc da ogni costruttore — esattamente il divario che i progetti UE descritti sotto sono stati finanziati per colmare.
L’altro ingrediente mancante: un modello realistico di come guidano davvero gli umani
Gli scenari simulati valgono quanto il termine di paragone rispetto a cui vengono confrontati, e quel riferimento è un modello realistico del comportamento di guida umano ordinario — quanto frena, sbanda, esita o sbaglia una valutazione delle distanze un guidatore reale in condizioni specifiche — non un guidatore idealizzato che rispetta sempre le regole e a cui nessuno assomiglia davvero. Costruire e validare quella base di riferimento comportamentale umana, così che le prestazioni simulate di un sistema autonomo possano essere confrontate con qualcosa di reale invece che con un’ipotesi, è diventato a sua volta un filone di ricerca UE dedicato, portato avanti in parallelo al lavoro di generazione degli scenari.
La filiera di validazione dell’UE: quattro progetti, un unico framework continuo, 2019-2028
Quello che rende insolita quest’area è che non si tratta di quattro finanziamenti scollegati su un tema simile: è un unico Safety Assurance Framework (SAF) costruito, testato ed esteso in sequenza, con ogni progetto che passa i risultati direttamente al successivo, attraverso due programmi quadro. È iniziato sotto H2020 con HEADSTART (“Harmonised European Solutions for Testing Automated Road Transport”, 2019-2021, €6,0M di contributo CE): il primo progetto UE a definire procedure condivise di test e validazione per le funzioni di guida automatizzata, collegando tra loro simulazione, pista di prova e test sul campo in condizioni reali, rispondendo alle esigenze delle autorità di omologazione e non solo dei costruttori. Horizon Europe ha poi ripreso da dove si era fermato con SUNRISE (“Safety assUraNce fRamework for connected, automated mobIlity SystEms”, coordinato da IDIADA in Spagna, €13,09M di contributo CE, 2022-2025, SIGNED), che ha costruito il vero e proprio Safety Assurance Framework armonizzato che HEADSTART aveva solo delineato. Una volta esistente il framework, SYNERGIES (“Real and synthetic scenarios generated for the development, training, virtual testing and validation of CCAM systems”, €18,64M di contributo CE, 2024-2027, SIGNED) lo ha messo al lavoro, costruito esplicitamente per implementare il framework di SUNRISE federando diversi database di scenari già esistenti (tra cui il Safety Pool Scenario Database dell’industria, ADScene e StreetWise) in un’unica risorsa interoperabile, invece di lasciare che ogni costruttore costruisca scenari da zero. L’anello più recente, CERTAIN (“Resilient and Continuous Safety Assurance Methodology for CCAM and its HMI Components”, €14,0M di contributo CE, 2025-2028, SIGNED, ancora in corso), sta ora estendendo lo stesso framework da un controllo una tantum prima del lancio a un processo di assicurazione continua che continua a monitorare il fascicolo di sicurezza di un sistema mentre gli aggiornamenti software arrivano dopo che l’auto è già in vendita — riconoscendo che un sistema di guida autonoma validato una volta al lancio, e poi aggiornato via etere per anni, ha bisogno di un processo di validazione che non si fermi al cancello della fabbrica.
Il binario parallelo: modellare l’umano rispetto a cui ci si confronta
In parallelo a SUNRISE, sotto lo stesso bando del 2022, altri due progetti hanno affrontato direttamente la metà del problema legata al riferimento umano: i4Driving (“Integrated 4D driver modelling under uncertainty”, €6,77M di contributo CE, 2022-2026) sta costruendo una libreria di simulazione modulare dei modelli di comportamento di guida umano per stabilire una base di sicurezza credibile per la valutazione virtuale, mentre BERTHA (“BEhavioural ReplicaTion of Human drivers for CCAM”, €7,98M di contributo CE, 2023-2026) sta sviluppando un Modello Comportamentale del Guidatore validato e scientificamente fondato che costruttori e fornitori possono condividere come base comune quando testano come un sistema automatizzato interagisce con il traffico umano che lo circonda — il termine di paragone mancante che il solo scenario-based testing non fornisce.
Cosa cambia davvero per l’industria
Niente di tutto questo elimina i test su strada reale — un sistema deve comunque dimostrare il suo valore su una strada vera, alla fine, la stessa logica a strati dietro l’hardware ridondante che permette a un’auto di guastarsi in sicurezza se qualcosa va storto su quella strada. Quello che questa filiera cambia è quanta parte del fascicolo di sicurezza può essere costruita e messa sotto stress prima che venga percorso un solo chilometro pubblico, ed è il motivo per cui i regolatori sono sempre più disposti ad accettare prove basate soprattutto sulla simulazione come parte di un fascicolo di omologazione, invece di pretendere solo chilometri fisici — l’unico modo realistico per risolvere il problema dei “275 milioni di chilometri” prima, e non dopo, che le auto siano già in vendita.
Foto: © Car-Shooters