侵權(quán)投訴
訂閱
糾錯
加入自媒體

百度增強(qiáng)現(xiàn)實(shí)自動駕駛仿真系統(tǒng)登Science Robotics雜志

馬里蘭大學(xué)計算機(jī)科學(xué)家Dinesh Manocha與百度研究和香港大學(xué)的一組同事合作,開發(fā)了一種如照片般真實(shí)的仿真模型,用于培訓(xùn)和驗(yàn)證自動駕駛車輛。與當(dāng)前的游戲引擎或高保真計算機(jī)圖形和數(shù)學(xué)渲染流量模式系統(tǒng)相比,新系統(tǒng)提供了更豐富,更真實(shí)的模擬。

Fig. View synthesis results and effectiveness of depth refinement

他們的系統(tǒng)被稱為增強(qiáng)自動駕駛仿真(AADS,Augmented Autonomous Driving Simulation),可以使自動駕駛技術(shù)在實(shí)驗(yàn)室更容易評估,也可以提高路測的安全性。

科學(xué)家們在2019年3月27日發(fā)表在《科學(xué)機(jī)器人》(Science Robotics)雜志上的一篇研究論文中描述了他們的研究方法。

“這項工作代表了一種新的仿真范例,我們可以在將它部署到真實(shí)汽車上并在高速公路或城市道路上進(jìn)行測試之前測試自動駕駛技術(shù)的可靠性和安全性,”該論文的相應(yīng)作者之一Manocha表示(Manocha同時任職于計算機(jī)科學(xué),電氣和計算機(jī)工程以及馬里蘭大學(xué)高級計算機(jī)研究所)。

自動駕駛汽車的一個潛在好處是,它可能比人類駕駛員更安全,因?yàn)槿祟愸{駛員容易分心、疲勞和情緒化,做出會導(dǎo)致錯誤的決定。但是為了確保安全,自動駕駛汽車必須對駕駛環(huán)境進(jìn)行評估和反應(yīng)?紤]到汽車在道路上可能遇到各種各樣的情況,自動駕駛系統(tǒng)需要在極具挑戰(zhàn)的條件下進(jìn)行數(shù)億英里的試駕,以證明其可靠性。

雖然這可能需要幾十年的時間才能在道路上完成,但通過計算機(jī)仿真可以快速、高效、更安全地進(jìn)行初步評估。計算機(jī)仿真可以準(zhǔn)確地表示真實(shí)世界,并對周圍物體的行為進(jìn)行建模。目前的仿真系統(tǒng)在還原真實(shí)的光環(huán)境和呈現(xiàn)真實(shí)的交通流模式或駕駛員行為這三方面仍存在不足。

AADS是一個數(shù)據(jù)驅(qū)動系統(tǒng),它能更準(zhǔn)確地表示自動駕駛汽車在路上接收到的信號。自動駕駛汽車依賴于感知模塊和導(dǎo)航模塊,感知模塊接收和解釋現(xiàn)實(shí)世界的信息,導(dǎo)航模塊根據(jù)感知模塊做出決定,比如轉(zhuǎn)向哪里、是否剎車或加速。

Fig. The inputs, processing pipeline, and outputs of our AADS system.

在現(xiàn)實(shí)世界中,自動駕駛汽車的感知模塊通常接收來自攝像頭和激光雷達(dá)傳感器的信號,這些傳感器使用光脈沖來測量周圍的距離。在目前的模擬器技術(shù)中,感知模塊接收來自計算機(jī)生成的圖像和行人、自行車和其他汽車的數(shù)學(xué)建模的運(yùn)動模式的借號,只是對現(xiàn)實(shí)世界的一種相對粗糙的表達(dá)。因?yàn)橛嬎銠C(jī)生成的圖像模型必須是手工生成的,所以創(chuàng)建圖像模型也是一個耗時耗財?shù)氖虑椤?/p>

AADS系統(tǒng)結(jié)合了照片、視頻和激光雷達(dá)點(diǎn)云(類似于3D形狀渲染)與行人、自行車和其他汽車的真實(shí)軌跡數(shù)據(jù)。這些數(shù)據(jù)可以用來預(yù)測其他車輛或行人在路上的駕駛行為和未來的位置,以計算出更安全的導(dǎo)航路徑。

Fig. TrafficPredict evaluations

“我們用視頻和照片來模擬真實(shí)世界,”Manocha說,“但我們也在捕捉真實(shí)的行為和運(yùn)動模式。人類開車的方式不容易被數(shù)學(xué)模型和物理定律捕捉到。所以,我們從所有可用的視頻中提取了真實(shí)軌跡的數(shù)據(jù),并使用社會科學(xué)方法對駕駛行為建模。這種數(shù)據(jù)驅(qū)動的方法為我們提供了一個更加現(xiàn)實(shí)和有益的交通仿真模型”。

在使用真實(shí)的視頻圖像和激光雷達(dá)數(shù)據(jù)進(jìn)行建模時,科學(xué)家們面臨著一個長期的挑戰(zhàn):每一個場景都必須對自動駕駛汽車的運(yùn)動做出反應(yīng),即使這些運(yùn)動可能沒有被最初的攝像頭或激光雷達(dá)傳感器捕捉到。無論照片或視頻以什么樣的角度或視角被捕捉到,都必須使用預(yù)測方法進(jìn)行渲染或模擬。這就是為什么仿真技術(shù)總是如此嚴(yán)重地依賴于計算機(jī)生成的圖形,也嚴(yán)重依賴于基于物理的預(yù)測技術(shù)。

為了克服這一挑戰(zhàn),研究人員開發(fā)了一種技術(shù),可以將真實(shí)街道場景的各個部分分離出來,并將它們呈現(xiàn)為單獨(dú)的元素,這些元素可以被重新合成,以創(chuàng)建大量真實(shí)的照片駕駛場景。

Fig. Novel view synthesis pipeline

通過AADS,車輛和行人可以從一個環(huán)境中平移到另一個環(huán)境中。可以根據(jù)不同的交通等級重建道路。每個場景的多個視角在車道變換和轉(zhuǎn)彎期間提供更真實(shí)的圖像。此外,與其他視頻模擬技術(shù)相比,先進(jìn)的圖像處理技術(shù)可實(shí)現(xiàn)平滑過渡并減少失真。圖像處理技術(shù)還用于提取軌跡,從而模擬駕駛員行為。

“因?yàn)槲覀兪褂玫氖钦鎸?shí)世界的視頻和真實(shí)世界的動作,我們的感知模塊比以往的方法擁有更準(zhǔn)確的信息,”Manocha說。“然后,由于仿真模型的真實(shí)感,我們可以更好地評估自主駕駛系統(tǒng)的導(dǎo)航策略”。

Fig. Comparison of traffic synthesis

Manocha說,通過發(fā)表這項工作,科學(xué)家們希望一些開發(fā)自動駕駛汽車的公司可以采用同樣的數(shù)據(jù)驅(qū)動方法來改進(jìn)他們自己的仿真模型,用于測試和評估自動駕駛系統(tǒng)。

參考文獻(xiàn):

[1] W. Li, C. W. Pan, R. Zhang, J. P. Ren, Y. X. Ma, J. Fang, F. L. Yan, Q. C. Geng, X. Y. Huang, H. J. Gong, W. W. Xu, G. P. Wang, D. Manocha, R. G. Yang. AADS: Augmented autonomous driving simulation using data-driven algorithms. Science Robotics, 2019.

材料由馬里蘭大學(xué)提供

聲明: 本文由入駐維科號的作者撰寫,觀點(diǎn)僅代表作者本人,不代表OFweek立場。如有侵權(quán)或其他問題,請聯(lián)系舉報。

發(fā)表評論

0條評論,0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁,請輸入驗(yàn)證碼繼續(xù)

  • 看不清,點(diǎn)擊換一張  刷新

暫無評論

暫無評論

    文章糾錯
    x
    *文字標(biāo)題:
    *糾錯內(nèi)容:
    聯(lián)系郵箱:
    *驗(yàn) 證 碼:

    粵公網(wǎng)安備 44030502002758號