日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

路測還是仿真？——關(guān)于自動駕駛開發(fā)的十億英里問題

2020-02-15 21:25:19·  來源：MSC軟件  
　
圖1.自動駕駛是一個日新月異的行業(yè)而后 2018 年初發(fā)生了一場悲劇。由于許多人被每天燒掉數(shù)百萬美元的大肆宣傳所蒙蔽，這讓他們始料未及。一輛優(yōu)步用于進行自動駕
 
圖1.自動駕駛是一個日新月異的行業(yè)
 
而后 2018 年初發(fā)生了一場悲劇。由于許多人被每天燒掉數(shù)百萬美元的大肆宣傳所蒙蔽，這讓他們始料未及。一輛優(yōu)步用于進行自動駕車測試的車輛（將其稱為“自動駕駛車輛”并不準確，這是因為目前還沒有這種車輛，我們在街道上看到的只不過是“測試平臺”而已）在亞利桑那州撞到了一名正在過馬路的女子，致其死亡。
 
來自公眾的反應(yīng)迅速而強烈，不僅僅是優(yōu)步，所有的自動駕駛項目都受到了質(zhì)疑（在接下來的兩周內(nèi)，NVIDIA 損失了 10% 的市值）。華盛頓郵報發(fā)表了一篇題為“致命的優(yōu)步車禍引發(fā)關(guān)于無人駕駛車輛監(jiān)管的爭論”的文章 [1]，而衛(wèi)報的文章標題則為“優(yōu)步車禍見證自動駕駛技術(shù)的災(zāi)難性失敗”[2]。
 
我們應(yīng)該從這場事故中汲取什么教訓(xùn)呢？一位 linkedIn 用戶的說法最有代表性：“在道路上對不合要求的測試版軟件進行測試完全讓人無法接受。這不是一個有好幾條命的在線游戲”。
 
要想實現(xiàn)自動駕駛車輛的功能性和安全性，需要進行數(shù)百萬次測試才能涵蓋所有的駕駛場景，如果不在虛擬世界中廣泛采用（達到工程史上前所未有程度的）仿真，根本無法接近這一目標。僅僅（或基本上）試圖通過路測就想實現(xiàn) 5 級自動駕駛，有如妄想煮沸大海一樣徒勞無功。
圖2.對行駛在中國北京公路上的自動駕駛車輛進行仿真，采用 VIRES VTD進行仿真。
圖3.端到端自動駕駛仿真工作流程
 
作為工程師，我們來做一些基本的數(shù)學(xué)計算。根據(jù)美國交通事故報告[3]，從統(tǒng)計數(shù)據(jù)來看，每行駛1.4億公里就會致使一人在路上遇難。因此，要想從統(tǒng)計上證明（95%置信度）自動駕駛車輛能做到與人類駕駛員一樣優(yōu)秀，就必須經(jīng)過4.15億公里的測試而不會造成任何死亡[4]。
 
許多自動駕駛技術(shù)的狂熱支持者聲稱“自動駕駛車輛能讓路上死亡人數(shù)減少到原先的二十分之一”[5]。但這只是一個極為大膽的見解，無論它聽起來多么誘人，都需要經(jīng)過證明才能被公眾認可。畢竟我們是科學(xué)工作者，我們相信數(shù)據(jù)。
 
用來證明自動駕駛車輛的表現(xiàn)與人類駕駛員“一樣優(yōu)秀”所需的數(shù)據(jù)為 4.15 億公里。誰敢說自己的系統(tǒng)能好上 20 倍？為了從統(tǒng)計學(xué)上證明這一點，請向我們展示經(jīng)過 80 億公里測試后的結(jié)果！
 
順便說一句，每當有人修改單個傳感器的位置時，就必須重新啟動計數(shù)器！每當改變一些車輛特性（例如軸距、質(zhì)量…）時，也必須重新啟動計數(shù)器。每當更新一個軟件時…計數(shù)器也必須重新啟動！
 
還會有人相信路測就相當于完全自動駕駛嗎？誰還會認為累計 100 萬公里的路測是一個值得慶祝的目標？
 
我們以 Waymo 為例（給少數(shù)不了解它的人解釋一下，它是谷歌的“自動駕駛子公司”，被視為該領(lǐng)域的領(lǐng)軍者）。假設(shè) 10 年后這些車輛已經(jīng)積累了 1600 萬公里的道路數(shù)據(jù)（這確實是個了不起的成就，盡管其中的大部分都是在加州和亞利桑那州晴朗的日子里積累的）；按照這個速度，這家全球最有錢的公司需要 200 多年的時間才能證明這些車輛“與人類駕駛員一樣優(yōu)秀”。這就是除路測以外 Waymo 還要全天候運行 25,000 輛虛擬車輛、每天仿真行駛 1300 萬公里的原因[6]。“實際上，計算機仿真的價值更高，它們能讓制造商以遠遠超出路測的的條件和壓力對其軟件進行測試，而這些在測試跑道上是難以實現(xiàn)的。”谷歌自動駕駛汽車項目安全總監(jiān) Ron Medford 如是說。
 
每個人都了解路測的必要性，但同時我們還應(yīng)當注意到它存在明顯的不足。如果過早地進行路測，不僅速度慢而且存在潛在的危險性。此外，路測還不具備可重復(fù)性或可控性，而這些對自動駕駛系統(tǒng)的開發(fā)是必不可少的。
 
為解決這些問題，工程師會傾向于利用可重復(fù)性要高得多的試驗場。此外，還可以在實際車輛上對真實的傳感器進行評估。然而，試驗場的一個劣勢在于工程師可進行測試的場景數(shù)量有限。每個試驗場通常會包含一系列場景，一般來說，在試驗場內(nèi)修建/搭建新場景不僅速度緩慢而且成本高昂。
 
現(xiàn)在我們考察一下仿真或虛擬測試。在我看來，對于自動駕駛系統(tǒng)的開發(fā)，有一些關(guān)鍵原因使得仿真比路測或試驗場更為適用，尤其是在項目的初期。
 
首先，虛擬測試在成本方面更具可伸縮性。一輛裝備齊全的自動駕駛車輛可能耗資高達 50 萬美元，因此一個擁有 200 輛汽車的車隊意味著對硬件本身（車輛、傳感器、數(shù)據(jù)存儲、布線…）的投入就需要 1 億美元。
 
相比之下，對虛擬測試進行擴充，只需擁有相應(yīng)的軟件許可和 CPU/GPU 就可以進行仿真，這通常要便宜 100 倍。更不用說管理如此龐大的車隊（駕駛員、保險、車間、維修…）所需的運營成本。作為這一可擴展性示例，寶馬公司近期宣布推出了自己的新款高性能集群，它配備了超過 100,000 個內(nèi)核、200 多個 GPU，專門用于開發(fā)自動駕駛車輛 [7]。
 
其次，虛擬測試可以隨時獲得地面實況。在虛擬環(huán)境中，您必然知道前方是行人還是汽車，無需雇用服務(wù)公司對測試中采集到的道路數(shù)據(jù)進行注釋/標注。對于需要驗證自動駕駛系統(tǒng)的 10 億英里道路數(shù)據(jù)，全部用人工完成注釋根本不可行。
第三，借助仿真，工程師能夠在設(shè)計階段初期對控制器軟件的功能進行測試?？赏ㄟ^模型在環(huán)仿真分別測試軟件的各種功能，而無需等待整個控制系統(tǒng)完成。由于可根據(jù)需要任意回放虛擬場景，因此能夠更加方便地分析、調(diào)試或迭代核心算法，且成本更低，無需考慮實際產(chǎn)品軟件的細微差別。
 
最后且重要的是，通過虛擬測試創(chuàng)建各種情況的排列組合會更加方便。工程師可使用不同的參數(shù)集輕松地重復(fù)相同的測試，例如更多的行人、更高的速度、更差的傳感器能見度、更低的道路摩擦等。用多個參數(shù)對幾個基本場景進行排列組合，可創(chuàng)建出數(shù)千個場景。這是確保駕駛算法穩(wěn)健性和可靠性的關(guān)鍵。
 
在某種意義上，自動駕駛車輛（AV）仿真不同于傳統(tǒng)的車輛仿真，除車輛本身以外，車輛運行的“環(huán)境”在評估其應(yīng)對所有駕駛狀況的方式時也是不可或缺的。自動駕駛的“環(huán)境”相當豐富（有時甚至是擁擠），包括所有其他車輛、行人、動物，當然也包括道路、人行道、建筑物乃至氣候條件。讓我們仔細研究一下這些組成部分。
 
首先，工程師需要一個能代表與真實車輛具有相同動力學(xué)特性的車輛模型。在訓(xùn)練人工智能控制器駕駛真實車輛時，車輛模型不僅要具備正確的質(zhì)量和發(fā)動機功率，還要具備其他的正確反應(yīng)，例如制動效率或者轉(zhuǎn)彎期間的負載轉(zhuǎn)移?；镜膽壹茉O(shè)計（減震器、防側(cè)傾桿…）和輪胎—道路的相互作用都會顯著影響所有這些性能。
 
除車輛模型以外，還需要仔細構(gòu)建 3D 環(huán)境。3D 環(huán)境包括公路網(wǎng)，它定義了車輛可占據(jù)的空間，以及車輛占據(jù)每條車道的時間和方式。除了道路本身，緊挨道路的周圍環(huán)境同樣重要。樹木和灌木叢會遮擋觀察交通標志的視線，人行道上的行人可能會突然決定橫穿馬路，街道一側(cè)的建筑物也可能會在道路上投下陰影或降低 GPS 的精度。必須對所有這些要素進行細致逼真的建模，從而正確地設(shè)置動作發(fā)生的場景。
 
當然，自動駕駛車輛會與其他車輛共用道路，其他車輛可以是自行車、摩托車、汽車、公共汽車、帶拖車的卡車、平衡車、騎馬的警察或者其他任何事物。在這種情況下，應(yīng)包括允許在路上行駛的一切。這些參與者中的任何一個都可能以自己的方式與其他行駛車輛相互影響。例如，在交通阻塞期間摩托車會插入車道內(nèi)，大型卡車由于加速緩慢而很容易造成堵車，騎車人也可能因為要左轉(zhuǎn)彎而決定從人行道移動到道路中間。重要的是，要體現(xiàn)出所有這些交通參與者自身所特有的機動方式。
 
同樣也需要對行人及其行為進行建模，尤其是他們與對向行駛車輛之間的相互影響方式。工程師需要還原行人的姿態(tài)，例如，當他們橫穿馬路在電話上發(fā)短信而分心時，他們是否會觀察交通狀況。動物的行為可能更加難以預(yù)料，比如在車輛前方無規(guī)律地跳躍，堵塞在道路中間，或者在車輛駛來時盯著看。
 
環(huán)境仿真需要考慮的最后一個重要因素是天氣和照明，由于它會影響傳感器感知場景的方式，因此至關(guān)重要。外面下雨時，由于駕駛員的視野和道路摩擦力已經(jīng)發(fā)生改變，因此車輛需要減速。在日落或日出時，由于太陽高度較低，因此人類駕駛員需要佩戴太陽鏡，否則無法真正看清道路。同樣地，這些情況也會影響到攝像頭、雷達或激光雷達等傳感器。霧會降低攝像頭的能見度（并吸收雷達能量），而雨滴會使激光束發(fā)生散射，因此激光雷達對其更加敏感。
圖4.對打手機橫穿道路的行人進行仿真，采用VIRES VTD進行仿真。
圖5. 對夜間行駛的車輛進行仿真，采用 VIRES VTD進行仿真。
 
實際上，感知到的傳感器數(shù)據(jù)是自動駕駛車輛仿真所能提供的最寶貴的信息。有了這些準確可用的數(shù)據(jù)，工程師就可以專注于自動駕駛開發(fā)的后續(xù)階段。
 
第一步是所謂的“傳感器融合”階段，將來自不同傳感器的數(shù)據(jù)組合在一起，以便計算出準確的位置和方位信息。通過攝像頭識別目標，當激光點云與目標關(guān)聯(lián)后，就可以由激光雷達測出與目標之間的距離。雷達甚至能給出目標的速度。
 
一旦工程師已經(jīng)清楚地了解了己方車輛周圍的環(huán)境，就可以進入下一個階段，該階段通常稱為“路徑規(guī)劃”。掌握了交通場景中的行人和其他車輛的情況后，工程師需要預(yù)測其他的交通參與者有可能在接下來不足一秒到幾秒的時間里會做些什么。實質(zhì)上，車輛需要在此時決定采取哪些行為才能最為安全地應(yīng)對這種情況。
 
即便借助于傳感器融合，有時 AV（自動駕駛車輛）仍然不能 100% 地理解這種情況。如果車輛在陽光明媚的公路上行駛，那么所有的傳感器都會給出正確的信息，而且能清晰地看到車輛前方很遠的距離。但可以想見，如果霧天高峰時段自動駕駛車輛在紐約擁擠的街道上行駛，你并不總是能分清楚前方有兩個行人還是三個行人。車輛在決定要走哪條路徑時，不僅要考慮目的地，還要考慮最安全的抵達路線。
 
找到最安全的路徑后，就要決定如何操控車輛，這意味著如何控制油門、制動器和方向盤來沿著該路徑行駛，或者如何調(diào)整懸架系統(tǒng)中的減振器來確保乘坐平穩(wěn)性。這就是所謂的“操控階段”，也是精通地面車輛控制理論的專業(yè)工程師大顯身手之處。
 
在虛擬仿真工作流程中，所有這些信息都會作為閉環(huán)反饋提供給車輛動力學(xué)模型。車輛模型會根據(jù)含有扭矩/作用力的輸入值來預(yù)測其調(diào)整之后的位移、速度及方位，從而與周圍環(huán)境進行互動（包括對向行駛車輛或者可能突然橫穿馬路的行人），同時仿真環(huán)路繼續(xù)工作。
 
VIRES 虛擬試駕（VTD）為工程師提供了進行自動駕駛仿真所需的所有要素，同時，VTD 不僅兼容 MSC 軟件的內(nèi)部技術(shù)，而且兼容許多第三方軟件。
 
舉例來說，VTD 不僅提供了兩種不同的用來表征車輛動力學(xué)的嵌入式技術(shù)（具有不同的仿真速度和結(jié)果準確度），還能與 Adams Car（車輛動力學(xué)仿真的事實標準）或其他任何車輛動力學(xué)軟件共同使用。VTD 的交通模型也毫不遜色：VTD 具備業(yè)內(nèi)最全面的交通仿真能力（可根據(jù)多個參數(shù)來設(shè)置每輛車的駕駛風(fēng)格，必要時可同時仿真數(shù)千輛車）；但也可以將其他交通模型整合到 VTD 中，例如 SUMO [8] 或 PTV Vissim [9]。
 
自動駕駛是未來十年最為激動人心又令人望而卻步的任務(wù)之一。僅僅依靠路測永遠無法接近用來確保自動駕駛車輛安全所需的十億英里的驗證目標。為開發(fā)出能夠真正挽救成千上萬條性命的自動駕駛系統(tǒng)，對現(xiàn)實世界進行全面仿真是開啟成功之門的關(guān)鍵所在。
 
參考文獻
1.華盛頓郵報，https://www.washingtonpost.com/local/ trafficandcommuting/deadly-driverless-uber-crash-spurs-debateon-role-of-regulation/2018/03/23/2574b49a-2ed6-11e8-8688-e053ba58f1e4_story.html?utm_term=.d8bf81d9de6d
2.衛(wèi)報，https://www.theguardian.com/technology/2018/ mar/22/self-driving-car-uber-death-woman-failure-fatal-crash-arizona
3.美國國家公路交通安全管理局，https://crashstats.nhtsa.dot.gov/Api/Public/ ViewPublication/812603
4.美國蘭德公司，https://www.rand.org/content/dam/rand/pubs/ research_reports/RR1400/RR1478/RAND_RR1478.pdf
5.假定 95% 的交通事故死亡因人為過錯所致
6.https://waymo.com/safety/
7.https://www.press.bmwgroup.com/global/article/detail/ T0293764EN/the-new-bmw-group-high-performance-d3-platformdata- driven-development-for-autonomous-driving?language=en
8.SUMO 是一個開源交通模型，由德國宇航中心原創(chuàng)。更多信息請訪問 https://sumo.dlr.de/index.html
9.已在 VTD 2019.1 中加入此功能。http://vision-traffic. ptvgroup.com/en-us/products/ptv-vissim/
分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25