研究人员使用真实数据仿真,优化自动驾驶车队部署

像拥抱 2021-03-22 13:40:03

据外媒报道,为优化城市自动驾驶车队部署,帝国理工学院的研究人员使用真实数据进行了仿真测试,其结果显示了自动驾驶(AV)车队对拥堵、排放、公共交通和共享乘车的潜在影响。


该团队使用真实数据、一系列服务参数以及车队管理算法分析了成千上万种可能的部署场景,目的是确保此类服务可以更加高效运行,并且实现盈利,以及减少对其他交通方式的连锁反应,如主动和可持续出行,同时将该城市街道部署方案推向全球。


研究人员使用真实数据仿真,优化自动驾驶车队部署


(图片来源:帝国理工学院)


帝国理工学院土木与环境工程系的运输系统与物流实验室(TSL)的研究人员与自动驾驶汽车软件公司Oxbotica合作开展了一个项目。该项目名为SHIFT,通过创新英国(Innovate UK)交付,并获得了由互联及自动驾驶汽车中心(Centre for Connected and Autonomous Vehicles)资助的158万英镑,。


伦敦交通局(TfL)还提供数据,帮助理解如何在伦敦不同地区采用不同的方式部署自动驾驶汽车,以及是否有必要在特定区域部署自动驾驶汽车,对支持伦敦市长交通战略的核心目标:2041年城市绿色出行比例(步行、自行车和公共交通)达到80%,改善伦敦空气质量。


为未来做好准备


帝国理工团队公布了SHIFT自动驾驶部署报告,涵盖了仿真的具体细节、首创的驾驶员安全指南以及AV研发手册和数据基础结构框架,从而帮助操作员在英国进行大量的AV部署演示。


帝国理工学院运输系统与物流系Panagiotis Angeloudis博士表示:“部署AV技术可能会改变全球城市的出行方式。借助SHIFT项目,我们有机会更详细地研究AV对其他交通方式的潜在影响。运用我们开发的工具,利益相关者可以更好地规划AV技术部署,并为未来做好准备。”


该团队基于过去几十年对乘客行为的研究,使用现有道路网络和真实出行需求模式的数据对AV车队的影响进行建模。比如,若考虑到价格、便利性和出行时间,人们会如何选择出行方式。


随着时间的推移,由于AV可能不再需要驾驶员,实现全天运行,因此可能会出现空跑,从而造成能源浪费并增加交通拥堵。该团队开发的算法可帮助优化车队运营,确保在正确区域里运行合适的车辆数量,从而避免能源浪费。该团队还对AV电动化的影响进行仿真测试,展示了减少道路运输排放的方法。


研究人员使用真实数据仿真,优化自动驾驶车队部署


数字孪生


项目研究人员之一、帝国理工学院交通和环境系高级讲师Marc Stettler博士表示:“正确管理AV车队可最大程度地减少能源消耗和对环境的影响。我们希望通过增加潜在乘客上座率并避免车找人,减少汽车运行公里数。”


该团队表示其仿真可提供操作环境的“数字孪生”,且无需等待新技术研发和部署即可测试不同场景。因此,它还可以解决其他交通问题,如实现其他公共交通工具(城市公共汽车)的电气化、自动驾驶空中出租车部署等未来发展。


Angeloudis博士表示:“在城市中部署大量AV车队是为了减少私家车数量和释放道路空间。想要公众选择这种出行方式,此类车队需要定价合理且满足公众的需求。为此,应高效管理车辆,使其部署与用户需求保持一致,同时减少拥堵和排放。我们的模型将帮助车队运营商满足上述需求,从而使城市居民获益。”


投资部长Lord Grimstone表示:“自动驾驶汽车具有巨大的潜在经济和环境效益。在英国的繁忙城市中安全部署该技术非常重要。SHIFT的指导方针为自动驾驶汽车上路铺平了道路,并进一步证明,随着我们在疫情期间所做的环保工作,英国在未来自动驾驶领域具有全球领导地位。”


TSL团队将专注于将其仿真技术应用到使自动驾驶汽车安全部署中。


MIT自动驾驶仿真平台VISTA:真实数据集训练,未来延展至所有路况


数据猿导读:知道自动驾驶汽车安全上路前需要进行多少里程的测试吗?特斯拉CEO马斯克说至少要96亿公里以上,兰德智库认为需要至少跑177亿公里,相当于在地球和太阳间往返50多趟。这么大的数据量,要是全靠道路测试是不是会把工程师逼疯?


近日,来自麻省理工学院计算机科学与人工智能实验室(MIT CSAIL)与丰田汽车研究院的研究人员披露了采用汽车在真实世界中行驶的数据集推出的自动驾驶仿真平台VISTA(虚拟图像自动合成与转换)的部分情况。MIT宣称,VISTA无需人工手动标记路标、车道线、物理建筑物等各类信息元素,就可以大幅优化自动驾驶汽车测试和部署时间。


据介绍,VISTA是一款数字驱动型平台,所使用的数据与真实路况、驾驶情境内所涉及的目标物无论在距离还是行为动作上都可以保持一致,这就可以防止自动驾驶汽车在仿真软件里所学的驾驶技巧与真实环境下的车辆操控存在不匹配的情况。为了创建VISTA,人类驾驶员每行驶一段距离,研究人员都会采集相应的视频数据,逐帧地提取并分析。


VISTA可以借助现实世界的数据集来合成车辆能够用上的行驶轨迹,反观Waymo、Uber、Cruise和Aurora等自动驾驶汽车公司,采用的都是AI仿真环境来训练自己的自动驾驶系统,也就是说让汽车在模拟环境里“各种跑”,然后再到现实世界里使用。这种方式存在诸多弊端,如数据并非是真实世界的,训练出来的系统总是与真实世界存在一定差异。


据VISTA研究人员介绍,如果他们的虚拟车辆能保持不出事故,VISTA会对其进行奖励,从而使它们“有动力”学习应对各种路况,包括车辆突然偏离轨道后重新获得控制权。


研究人员使用真实数据仿真,优化自动驾驶车队部署


基于雷克萨斯LS 500h改装的自动驾驶测试车


为了训练VISTA,研究人员会从多条道路的路测中采集视频数据。VISTA对于每帧画面都会在一种3D点云中预测每一个像素,随后将虚拟车辆放置在环境中进行测试,以便在发出转向命令时VISTA根据转向曲线以及车辆行驶的方向和速度,通过点云合成一条新的轨迹。


然后,VISTA就会使用上述轨迹绘制逼真的场景并编制深度地图,其中包含从车辆视点到物体的距离有关的信息。通过将深度地图与估算3D场景中相机方向的技术相结合,引擎可精确定位车辆的位置及与虚拟模拟器中所有物体的相对距离,同时重新定位原始像素,从而以车辆的新视角中再现这个世界的景象。


在经过10到15个小时的训练后,研究人员通过对比测试,结果显示在10000公里的测试里程中,经过VISTA训练的虚拟汽车能够在从未见过的街道上行驶。即使将其放置在模仿各种接近碰撞情况的路况上,如只有一半车身还留在路上或进入另一个车道,汽车也能在几秒内成功恢复到安全的行驶轨迹。


未来,研究团队还希望VISTA能从单一驾驶轨迹仿真进化到模拟所有类型的路况,例如白天和黑夜以及晴天和阴雨天气。此外,他们还希望模拟一些有很多车辆参与的复杂交叉路口。

来源:盖世汽车、数据猿

注:文章内的所有配图皆为网络转载图片,侵权即删!

免责声明

最新回答

还没有人评论哦,抢沙发吧~

为您推荐