自动驾驶汽车通过增强现实学习道路危险 | 智能交通

发布日期:2019-12-19 10:00
在闭路测试中增加模拟车辆可以训练机器人汽车来处理最不可能发生的情况。



模拟城市:MCity是一个微型城市,有道路、交通信号灯和店面。
几十年来,任何想知道一辆新车是否安全驾驶的人,都可以简单地让它通过它的速度,使用通过试错...这样的测试可能会调查汽车在保持四个轮子行驶时是否可以急转弯,是否能在短距离内刹车,或者在与墙壁相撞的同时保护乘员。
但是,随着汽车在驾驶过程中扮演越来越重要的角色,这种直截了当的测试将不再足够。我们需要知道这辆车是否有足够的智能来处理人类必须处理的同样的驾驶条件。要做到这一点,汽车安全保证测试必须变得不像障碍课程,而更像智商测试。
一个很明显的测试大脑以及自动驾驶汽车的能力的方法是把它们和其他交通一起放在路上。这是必要的,因为在未来的许多年里,人工智能自动驾驶汽车将不得不与人类驱动的汽车共享这条道路。但是道路测试带来了两个问题。首先,在部署的初期,不能保证所有相关人员的安全,自动驾驶试验车已经发生了致命的事故。第二,这种直接测试所需的绝对规模。
这是因为大多数时候,测试车辆将在典型的条件下驾驶,一切都会像往常一样。只有在很小的一小部分情况下,事情才会有不同的转变。我们称之为边缘情况,因为它们涉及到处于正常经验边缘的事件。一辆卡车失去轮胎从正中跳到你的车道,就在你的车前。这样的边缘情况通常涉及到很难想象和更难测试的失败。这就提出了一个问题:我们必须在道路上测试一辆自动驾驶、联网的车辆多久才能公平地宣称它是安全的?
这个问题的答案可能永远不会真正为人所知。不过,很明显,我们需要其他策略来衡量自动驾驶汽车的安全性。我们在这里描述的一种混合了物理车辆和计算机模拟的方法,可能被证明是评估自动驾驶汽车最有效的方法。



在机器人车里:以下是乘客对林肯MKZ混合动力车的看法。
致命的崩溃只发生一次。据美国统计,在大约1.6亿公里的道路上行驶。国家公路交通安全局[PDF]。这比地球到太阳的距离还多一点(是谷歌兄弟舰队记录的10倍)。韦尔莫,拥有最丰富的自动驾驶汽车经验的公司)。要走到那一步,一辆自动驾驶汽车一天24小时高速行驶将需要近200年的时间。在小街,穿过交叉口,在停车场周围操纵,要花更长的时间才能覆盖到这段距离。这可能需要一个500辆汽车的车队10年完成这项工作,然后你将不得不重新为每一个新的设计。
显然,该行业必须加强道路测试与其他战略,以提出尽可能多的边缘案例。目前正在使用的一种方法是在封闭测试设施中测试自动驾驶车辆,在这些设施中,已知的边缘情况可以一次又一次地进行。举个例子,高速闯红灯的汽车所带来的困难。一个十字路口可以像电影场景一样建造,自动驾驶汽车可以在绿灯亮的时候被赋予穿越的任务,同时避免在前面非法通过的车辆。



眼睛到处都是:屋顶的塔顶装有旋转的激光雷达,前方的激光雷达单位在街角行驶。
虽然这种方法很有帮助,但也有局限性。多辆车通常需要模拟边缘情况,专业司机很可能不得不驾驶他们。所有这一切都可能代价高昂,难以协调。更重要的是,没有人能够保证自动驾驶汽车能够按要求工作,特别是在这种试验的早期阶段。如果出了什么问题,一场真正的撞车事故可能会破坏自动驾驶汽车,甚至会伤害其他车辆上的人。最后,无论布景设计师多么巧妙,也不能期望他们创造一个完全真实的交通环境模型。在现实生活中树影可能会混淆自动驾驶汽车的传感器和雷达反射脱下一个井盖可以让雷达看到一辆没有人在场的卡车。
计算机模拟提供了一种绕过物理测试局限性的方法。算法生成虚拟车辆,然后在与真实世界道路相对应的数字地图上移动它们。如果由此产生的数据随后被广播给在同一条道路上行驶的实际车辆,车辆将准确地解释这些数据,就像它来自自己的传感器一样。把它想象成增强现实可供机器人使用.
虽然物理测试车在空旷的道路上行驶,但它“认为”它被其他车辆包围着。同时,它将正在收集的信息从增强现实和对真实世界环境的感知中发送回仿真平台。真实的车辆,模拟的车辆,或者其他的模拟物体,比如行人,都可以相互作用。这样,各种各样的场景都可以以安全和成本效益的方式进行测试。
汽车增强现实的构想从后门来到我们这里:工程师们已经改进了某些类型的计算机模拟,包括真正的机器。回溯到1999福特汽车公司使用实际旋转发动机的测量为动力系统的计算机模拟提供数据。这种混合仿真方法被称为硬件在环因为在软件中模仿引擎是非常困难的。了解了这段历史之后,我们意识到,我们有可能做相反的事情--生成模拟车辆,作为虚拟环境的一部分来测试实际的汽车。



特派团管制:监视器显示测试车本身通过车载传感器看到的所有数据,以及在计算机中模拟的虚拟交通。
2017年6月,我们在曼城,这是世界上第一个用于自动驾驶汽车的全尺寸试验台。它占地32英亩,位于安娜堡的密歇根大学北校区。其8车道公里(5车道英里)的道路排列成具有公路、多车道主干道或交叉口属性的路段。
这就是它的工作原理。该自动测试车配备了一个车载设备,该装置可以广播车辆状态,如位置、速度、加速度和航向,每隔十分之一秒即可进行一次。它使用专用的短程通信(DSRC),这是一种与Wi-Fi类似的标准,专门用于移动用户。分布在测试设施周围的路边设备接收这一信息,并将其转发到一个交通仿真模型,该模型可以通过将测试设备简化为包含交通信号动作的等效网络几何图形来模拟测试设施。一旦计算机模型接收到测试车的信息,它就创建了该汽车的虚拟孪生体。然后在真实测试车的运动基础上对虚拟车的运动进行更新。
将真实测试车辆的数据输入到计算机模拟中只占整个回路的一半。我们通过向测试车发送计算机模拟的各种车辆的信息来完成另一半。这就是增强现实环境的本质。每辆模拟车辆也会以10赫兹的频率产生车辆状态信息,我们将这些信息转发到路边设备,然后由路边设备实时播放。当真正的测试车收到这些数据时,它的车辆控制系统就会使用它来“看到”所有的虚拟车辆。对于汽车来说,这些模拟的实体与真实的物体是无法区分的。
通过让车辆通过路边设备传递信息--也就是说,通过将“车辆到基础设施”连接替换为直接的“车辆到车辆”链接,真正的车辆和虚拟车辆可以相互感知并进行相应的交互。同样,在真实世界和模拟世界之间,交通信号状态也是同步的.这样,真实的和虚拟的车辆都可以“看”一个给定的光,看看它是绿色还是红色。



真实的,假的:无线电收发器[白色物体,顶部]从车上接收数据,并返回计算机生成的虚拟数据。一个虚拟对象是火车[第二位]。汽车刹车,以避免红灯运行的虚拟汽车[第三名]。许多交通模式可以产生在一个小的空间[底部]。
在真实世界和模拟世界之间传递的状态信息当然包括车辆位置。这样就可以将实际车辆映射到模拟道路网络上,并将模拟车辆映射到实际道路网络中。实际车辆的位置用GPS坐标(纬度、经度和高程)表示,模拟车辆的位置用局部坐标x、y和z表示,一个算法将一个坐标系转换成另一个坐标系。
但数学转换并不是唯一需要的。GPS和地图误差很小,有时会阻止GPS定位,从实际测试车转发到当地坐标系,在模拟道路上出现。我们用一个单独的映射算法来纠正这些错误。此外,当测试车停下来时,我们必须将它锁在模拟的位置上,这样它的gps坐标的波动就不会导致它漂流[PDF]在模拟中偏离位置。
这里的一切都取决于无线通信。为了确保它的可靠性,我们在MCity安装了四个路边收音机,足以覆盖整个测试设施。DSRC无线标准在5.9千兆赫兹波段运行,给我们提供了很高的数据传输速率和非常低的延迟。这些都是至关重要的安全在高速和在停在-每分钟的演习.DSRC在日本和欧洲广泛使用,但在美国还没有获得很大的吸引力。凯迪拉克现在正在装备它的一些汽车配备了DSRC设备。
我们预计,我们用于构建系统的软件框架也将持续至少几年。我们用PTV VisSim一种在德国开发的商业包装,用于“微观地”模拟交通流,即通过模拟每一辆车的行为。
一件可以预料的改变是测试车,因为其他公司开始使用我们的系统来使他们自己的自动车辆通过他们的步伐。目前,我们的一个测试车辆是林肯MKZ混合动力车,它配备了DSRC,因此完全连接。线上驱动控制我们添加到汽车允许软件控制方向盘,油门,刹车和变速器。这辆车还携带多个雷达、激光雷达、照相机和具有实时运动定位功能的gps接收器,通过引用地面无线电台的信号来提高分辨率。
用传感器装饰
MCity测试车携带激光雷达(激光测距仪),既可用于圆形剧院(由旋转屋顶塔提供),也可用于前瞻性聚焦。雷达是对这种感觉的补充,全球定位系统(GPS)--以一种高度精确的无线电校正形式--将装甲运兵器发射出去。



我们已经实现了两种测试方案。在第一个系统中,该系统生成一列虚拟列车,并将其投影到测试车感知到的增强现实中,当列车接近MCity的一个铁路交叉路口时。关键是看测试车是否能及时停车,然后等待火车通过。我们还引入了其他虚拟车辆,比如跟踪测试车的汽车。这些字符串的汽车-实际的和虚拟的-可以正式安排车队(被称为)或临时安排:也许是排队进入入口坡道的汽车。
第二个更复杂的测试场景涉及我们前面提到的情况--运行红灯。在美国,闯红灯的汽车四分之一以上根据美国汽车协会的说法,在十字路口发生的所有死亡事故中。这个场景有两个目的:看看测试车对交通信号的反应,以及它对红灯运行的藐视法规的反应。
我们的测试车应该能够分辨出信号是红色还是绿色,并据此决定是停下来还是走。它还应该能够注意到,模拟红光跑步者正在到来,预测它的轨迹,并计算出测试车可能在什么时间和地点,当它通过该轨道时。测试车应该能够做好所有这些事情,以避免碰撞。
由于计算机运行仿真能够完全控制红光转轮的动作,因此可以在实验的连续迭代中产生多种测试参数。这正是计算机所能做的比任何人类司机都要精确得多的事情。当然,整个实验可以在完全安全的情况下进行,因为违法者只是一辆虚拟的汽车。
有更多的这种边缘-案例模拟可以做。例如,我们可以使用增强现实环境来评估测试车处理复杂驾驶情况的能力,例如左转从一个停车标志到一条主要公路。这辆车需要在双向交通中寻找空隙,同时监视可能在路标处过马路的行人。汽车可以决定先在中间停下来,或者直接驶进想要的车道。这涉及一个决策过程的几个阶段,所有同时考虑到许多其他车辆的行动(包括预测他们将如何反应测试车的行动)。
另一个例子是在环形交叉路口-进入、退出和谈判与其他车辆的位置-没有交通信号灯的帮助。在这里,测试车需要预测其他车辆将做什么,决定一个可接受的差距,用于合并,并注意积极的车辆。我们还可以与骑自行车的人、行人和其他道路使用者(如农机)构建增强现实场景。这种替代行为者的可预见性越低,自动驾驶汽车就越需要智慧。
最终,我们希望建立一个包含边缘案例的大型测试场景库,然后使用增强现实测试环境反复运行测试。我们现在正在建立这样一个库,其中包括从实际撞车报告中搜索出来的数据,以及传感器载重车辆对人们在不知道自己是实验的一部分时如何驾驶的观察。通过将不同的边缘条件组合在一起,我们期望创建人工的边缘情况,这对于在自动驾驶汽车中运行的软件来说尤其具有挑战性。
因此,我们应该能够看到一个给定的自动驾驶汽车是多么安全,而不必驾驶它到太阳和回来。