Test su strada di sistemi ADAS: metodologia e scenari di prova - www.panorama-auto.it
In un test su strada condotto in Cina, sono state chiuse quindici strade per mettere alla prova i sistemi di guida autonoma.
Gli assistenti alla guida ADAS di ben 36 modelli di veicoli, provenienti da una ventina di marchi internazionali, tra cui Tesla, BYD, Xiaomi, NIO, Huawei-Aito, Xpeng, General Motors (Baojun) e Toyota. L’iniziativa, organizzata da Dongchedi, media cinese affiliato a ByteDance (proprietaria di TikTok), in collaborazione con la televisione statale CCTV, ha evidenziato risultati sorprendenti e, per molti aspetti, preoccupanti riguardo l’efficacia reale di questi sistemi.
Le prove si sono svolte in condizioni diurne e meteo favorevole, in ambienti reali ma chiusi al traffico pubblico, simili a quelli utilizzati da enti come EuroNCAP per la valutazione della sicurezza. Il percorso comprendeva una grande rotonda complessa e un tratto di strada semiurbana con incroci senza semafori e una lunga rettilinea.
I test sono stati articolati in quindici scenari di rischio: sei su autostrada e nove in ambito urbano. Le prime quattro prove si concentravano sulla gestione della rotonda, con l’obiettivo di evitare collisioni con altri veicoli o pedoni. Le prove urbane prevedevano situazioni di traffico critiche, come l’evitamento di un’auto che gira senza dare la precedenza, di un veicolo guasto al centro della strada, o di un’auto che esce in retromarcia da un parcheggio. Sono stati inoltre simulati eventi con utenti vulnerabili come motociclisti che cambiano corsia improvvisamente o gruppi di bambini che attraversano la strada.
I test sono stati eseguiti a velocità generalmente basse, condizioni ideali per consentire ai sistemi ADAS di reagire efficacemente. Tuttavia, nonostante questo, molti veicoli hanno mostrato difficoltà significative nel gestire correttamente le situazioni di rischio.
Risultati inquietanti: molti veicoli non rispettano le norme e rischiano incidenti
Diversi modelli hanno adottato uno stile di guida aggressivo o indeciso, rifiutandosi di dare la precedenza o frenando all’ultimo momento, quasi per caso evitando le collisioni. Alcuni hanno persino superato i limiti di velocità, complicando ulteriormente le manovre di sicurezza. Ancora più preoccupante è stato il comportamento di veicoli che, pur avendo subito un impatto, non lo hanno riconosciuto e hanno continuato la marcia fino all’intervento manuale del conducente umano.
Tra i modelli testati, il Tesla Model X si è distinto per la migliore performance, evitando collisioni in 8 delle 9 prove urbane, fallendo solo nel caso in cui un’auto usciva in retromarcia da un parcheggio, evento non rilevato dal sistema. Il Tesla Model 3 ha evidenziato un comportamento simile, con qualche ulteriore errore che lo ha relegato dietro ad altri concorrenti nella classifica complessiva.
Interessante notare che marchi come Avatr e Aito hanno ottenuto risultati paragonabili a Tesla, mentre il Toyota bZ3X ha dimostrato anch’esso un buon livello di affidabilità. In netto contrasto, il gruppo Geely, con il suo marchio Zeekr, ha mostrato performance tra le peggiori. Anche Xiaomi, con i modelli SU7 e SU7 Ultra, ha deluso, classificandosi tra il mediocre e il deludente. Il peggior risultato è stato registrato dal Baojun Xiangjing, il modello di punta del brand, che ha fallito in tutte le prove urbane.
L’analisi di Dongchedi ha evidenziato che i sistemi ADAS testati spesso ignorano le regole basilari del codice della strada. Non sembrano avere integrate le norme di precedenza o considerarle una priorità, risultando come “macchine che non sono state educate a rispettare le regole” e che non apprendono adeguatamente dai dati di guida degli utenti.
Lu Guang Quan, docente dell’Università di Aeronautica e Astronautica di Pechino, ha spiegato che i sistemi basati sull’apprendimento automatico (machine learning) possono assimilare comportamenti errati o pericolosi presenti nel loro set di dati di addestramento, rendendo difficoltosa la correzione di questi difetti rispetto a sistemi basati su norme predefinite. Per esempio, se i dati mostrano che i veicoli spesso ignorano la precedenza nelle rotonde, il modello imparerà a fare lo stesso, causando situazioni di rischio reali sulle strade.
Questa problematica sottolinea l’importanza di una rigorosa integrazione delle norme di traffico nei sistemi di guida autonoma e di un miglioramento continuo degli algoritmi per evitare che errori comportamentali vengano replicati e amplificati.