Обучение автономных транспортных систем в виртуальных мирах

Реальный мир иной раз может представлять из себя сложный ландшафт, который инженерам, работающим над сбором качественных данных для обучения систем автономных транспортных средств (AV), необходимо будет полностью запечатлеть.

Тестирование и обучение в реальных условиях очевидно важны для разработки AV-систем. Однако этот процесс, с помощью которого получают достаточное количество качественных данных для всех необходимых сценариев, может потребовать много времени и средств для организаций, надеющихся быстро внедрять инновации. И многие инженеры по автоматизированному вождению часто спрашивают, как они могут анализировать и синтезировать уже однажды созданные сценарии. Это когда разговор обычно переходит к роли моделирования и симуляции.

Есть три разных подхода к моделированию: первые принципы, поведенческий и управляемый данными. При подходе, управляемом данными, существуют большие объёмы данных, в которых можно использовать искусственный интеллект (AI) и моделирование AI.

AV-системы, состоящие из комбинации этих моделей, используются для тестирования, чтобы оценить, как программное обеспечение транспортного средства реагирует на десятки пешеходов, другие транспортные средства и сценарии движения на сотнях миль дорог, на особенности ландшафта и практически на любые вообразимые погодные условия.

Вот тут и приходит на помощь моделирование, поскольку оно может помочь инженерам получить качественные данные для ввода в AV-системы, обучая их работе во всех условиях и при любых сценариях. Смоделированный «виртуальный мир» охватывает несколько областей среды, таких как сцены, сценарии, транспортные средства и динамика.

Разрабатывая виртуальный мир, точно отражающий реальный мир, инженеры могут запускать антивирусное программное обеспечение в течение нескольких часов симуляции, прежде чем тестировать AV-системы в дороге.

Виртуальные миры требуют от инженеров междисциплинарных навыков как для разработки алгоритмов с использованием нескольких инструментов, так и для развёртывания этих алгоритмов в виде программных приложений.

Несмотря на множество дисциплин и соображений, которые инженеры должны учитывать при разработке AV-систем, ключевым элементом успеха в практической разработке AV-приложений становится выявление проблем на раннем этапе и знание того, на каких аспектах рабочего процесса следует сосредоточить время и ресурсы для достижения наилучших результатов. Вот здесь инженеры AV смогут построить надёжный виртуальный мир.

Как и предполагалось, инженерное моделирование должно начинаться с реальной сцены для имитации перед запуском сценариев для создания данных. Сначала сцена может быть простой. Например, стандартная кольцевая развязка. Но её необходимо масштабировать, например, до Триумфальной арки с 12 входами в Париже.

Сцена является лишь отправной точкой и требует, чтобы инженеры включили в симуляцию другие элементы, такие как транспортные средства, пешеходы, декорации и даже погоду, прежде чем тестировать, как система восприятия на основе AI, которая, в свою очередь, управляет системой планирования движения и управления в AV, реагирует на сценарий.

Также возникает вопрос о том, что именно тестируется, что может определить точность компонента или подсистемы по отношению к реальному миру. Если речь идёт о динамике транспортного средства, очень важно, чтобы сценарий включал в себя модели легковых автомобилей, грузовиков, прицепов и других многоосных транспортных средств, а их колёса, рулевое управление и подвеска максимально точно отражали бы их реальные аналоги.

Если сценарий тестирует радарные датчики, менее важно, чтобы каждый объект был фотореалистичным (как было бы в случае тестирования камеры и лидара), но важно, чтобы количество объектов, окружающих моделируемое транспортное средство, соответствовало реальной среде.

Разработка виртуальных миров должна быть масштабируемым процессом, который даёт инженерам возможность гибко применять свой опыт в предметной области, а также упрощает их переход к новым предметным областям.

Такое сложное моделирование требует междисциплинарных навыков, с отдельными алгоритмами, необходимыми для таких функций, как автоматическое экстренное торможение, адаптивный круиз-контроль и автоматическая парковка, и каждая система должна взаимодействовать с другими системами, включая восприятие, планирование и управление.

К счастью, для создания виртуальных миров, включающих транспортные средства и другие объекты, инженеры имеют доступ к инструментам для проектирования смоделированных сред и к инструментам моделирования для тестирования смоделированных транспортных средств в виртуальном мире.

Например, Ford применил идентификацию событий и генерацию сценариев к записанным данным при разработке функции Active Park Assist, а General Motors использовала записанные данные о транспортных средствах для создания сценариев для тестирования своих систем центрирования полосы движения.

Точная симуляция и тестирование служат ключом к тому, чтобы убедиться, что AV-система работает правильно, а её отдельные компоненты хорошо взаимодействуют друг с другом перед развёртыванием в реальном мире. На каждом этапе инженеры должны убедиться, что каждая функция и связанный с ней алгоритм оптимизированы и работают должным образом, а также в том, что они работают должным образом в каждом сценарии и варианте использования.

Только после того, как каждый алгоритм будет досконально проверен в виртуальном мире, его можно будет реализовать как встроенное программное обеспечение, способное управлять AV-системами на дороге.

Подписывайтесь на журнал «Вестник ГЛОНАСС» и навигационный Telegram-канал

По материалам WardsAuto