Paredzams, ka projektu rezultāti sniegs ieguldījumu visos turpmāk minētajos sagaidāmajos rezultātos:

• Uzlabotu, uzticamu un energoefektīvu uztveres sistēmu pieejamība un integrācija, izmantojot GenAI tehnoloģiskos sasniegumus, lai uzlabotu situācijas apzināšanos un atbalstītu drošu lēmumu pieņemšanu;
• Uzlabota neaizsargāto ceļu satiksmes dalībnieku (VRU) drošība, pamatojoties uz paaugstinātu, pret manipulācijām drošāku uztveri un izpratni par viņu uzvedību un nodomu prognozēm;
• CCAM sistēmu – gan transportlīdzeklī, gan infrastruktūras pusē – uzlabota noturība kritiskās situācijās, pateicoties to apmācībai, virtuālajai testēšanai un validācijai scenārijos, ko ģenerē GenAI, papildinot esošās scenāriju datubāzes CCAM sistēmu testēšanai un validācijai;
• Padziļināta izpratne par GenAI izmantošanas nozīmīgumu un ierobežojumiem CCAM jomā;
• Rīki un saskaņotas pieejas GenAI izmantošanai mobilitātes tehnoloģiju izstrādē, apmācībā un validācijā, kā arī sistēmiskos lietojumos, piemēram, satiksmes pārvaldībā un tālvadībā, integrējot tos esošajās pieejās.

Izmēģinājuma projekti un demonstrējumi, kuros izmanto 3. un 4. līmeņa transportlīdzekļu pakalpojumus, saskaras ar būtiskām problēmām uztveres un lēmumu pieņemšanas jomā, kas izceļ nepieciešamību pēc risinājumiem ar zemu latentumu, kuri uzlabo reaģētspēju un situācijas apzināšanos reāllaika darbības apstākļos. Tas ir īpaši aktuāli braukšanai sarežģītākās vidēs, piemēram, pilsētās, kur vides mainīgums ir augstāks un kur regulāri var rasties jauni scenāriji. Turklāt ir nepieciešams ierobežot latentumu, joslas platumu un enerģijas patēriņu borta aprēķiniem, kā arī uzlabot drošību, privātumu un uzticamību (piem., ainas izpratne un tuvākās nākotnes scenāriju attīstības prognozēšana). Ātrai lēmumu pieņemšanai mijiedarbībā ar VRU tas ir būtiski, lai ieviestu CCAM nodrošinātus risinājumus un nodrošinātu mērogojamību.

Vienlaikus nozaru neatkarīgu tehnoloģiju attīstība uzrāda sasniegumus – piemēram, GenAI –, kas var būt noderīgi CCAM. Pirmos izpētes soļus var sagaidīt no projekta, kas finansēts saskaņā ar HORIZON-CL5-2023-D6-01-02^[1] attiecībā uz potenciālu virtuālajā robežgadījumu ģenerēšanā, ko varētu izmantot CCAM sistēmu izstrādei, apmācībai, virtuālajai testēšanai un validācijai.

Ir jāizstrādā, jāapmāca un jāvalidē turpmāki sasniegumi GenAI lietojumos, kas īpaši paredzēti CCAM jomai^[2]. Tādējādi ierosinātajās darbībās jāiekļauj pieejas, lai izmantotu turpmākus tehnoloģiskos sasniegumus CCAM jomā. Ir nepieciešami būtiski soļi, lai virzītos uz augsti attīstītām, īpaši drošām, uzticamām un energoefektīvām reāllaika uztveres un lēmumu pieņemšanas sistēmām automatizētiem transportlīdzekļiem, īpašu uzmanību pievēršot mērogojamiem risinājumiem un GenAI izmantošanai. Šiem sasniegumiem būtu jāizmanto sistēmas ar zemu latentumu vai sadalīti skaitļošanas resursi, lai atvieglotu reāllaika apstrādi, tādējādi uzlabojot sistēmas reaģētspēju un drošību. Tādējādi šī tēma sniegs ieguldījumu AI Continent Action Plan^[3], veicinot AI attīstību un ieviešanu automobiļu nozarē.

Paredzams, ka ierosinātās darbības risinās visus turpmāk minētos aspektus:

• Instrumentu un pieeju izstrāde robustai vides uztverei un lēmumu pieņemšanai (robežpunktā, borta sistēmās, infrastruktūrā vai birojā). Šo pieeju mērķis ir paātrināt un uzlabot lēmumu pieņemšanas pamatojumu, palielinot lietojumprogrammu efektivitātes, (kiber)drošības un uzticamības līmeni, kā sākotnējo lietošanas gadījumu izmantojot maršruta plānošanu. Tas ir paredzēts, lai cita starpā atbalstītu VRU uztveri, to uzvedības un nodomu prognozēšanu, un ietver datu koplietošanas pieejas CCAM risinājumiem, lai radītu lielāku laika logu darbībām gandrīz negadījumu scenārijos. Uzlabotas GenAI, tostarp Large Language Models (LLMs), Vision Language Models (VLMs) vai Vision Language Action (VLAs) izmantošana var ievērojami uzlabot šīs spējas, izmantojot to uzlaboto kontekstuālo argumentāciju un modeļu atpazīšanu. Turklāt GenAI var papildināt esošās uztveres sistēmas, uzlabojot sensoru ievades interpretāciju un nodrošinot bagātinātu vides kontekstu, kas uzlabo lēmumu pieņemšanu un pielāgošanās spēju.
• CCAM nodrošinātu transportlīdzekļu mijiedarbības scenāriju ģenerēšana ar citiem ceļu satiksmes dalībniekiem, kas ir būtiski validācijas un testēšanas sasniegumiem, paplašinot esošās datu kopas un scenārijus, jo GenAI, pamatojoties uz esošajiem datiem, var nodrošināt scenāriju variācijas (piem., ceļu satiksmes dalībnieku kultūras atšķirības un infrastruktūras mainīgums).
• GenAI tehnoloģiju integrācija esošajās pieejās (izstrāde, apmācība un validācija) to turpmākai bagātināšanai. GenAI tehnoloģiju izmantošanas ierobežojumu, kā arī ieguvumu izpratne un vadlīniju izstrāde derīgām pieejām šai integrācijai (tostarp dzimumu aizspriedumu un godīguma apsvēršana, lai nodrošinātu, ka AI sistēmas ir pārredzamas un atbildīgas), kā arī perspektīvas sniegšana par izstrādāto rīku un pieeju izmantošanu var tikt veikta dažādiem CCAM komponentiem un tehnoloģijām, kā arī sistēmiskām lietojumprogrammām, piemēram, satiksmes pārvaldībai un tālvadībai.
• Sadarbības veicināšana ar European Software-defined Vehicle (SDV) iniciatīvu, pieņemot esošās saskarnes un būvblokus, un ierosinot jaunus, kas izstrādāti projekta ietvaros, potenciālai iekļaušanai SDV ietvarstruktūrā.

Ierosinātajās darbībās jāiekļauj pasākumi, lai nodrošinātu ciešu koordināciju ar European Connected and Autonomous Vehicle Alliance (ECAVA), kas izziņota European Automotive Action Plan.

Šī tēma īsteno līdzprogrammēto European Partnership on ‘Connected, Cooperative and Automated Mobility’ (CCAM). Tādējādi ir sagaidāms, ka projekti, kas izriet no šīs tēmas, ziņos par rezultātiem European Partnership ‘Connected, Cooperative and Automated Mobility’ (CCAM), lai atbalstītu tās KPI uzraudzību.

Projektiem, kas finansēti saskaņā ar šo tēmu, ir jāsadarbojas ar ADRA Partnership^[4], lai izpētītu un izmantotu savstarpējo papildināmību starp to attiecīgajām darbībām un atziņām.

Projektiem, kas izriet no šīs tēmas, ir jāpiemēro European Common Evaluation Methodology (EU-CEM) for CCAM^[5].