VISTA 助力自动驾驶汽车更快“在路上”

来源:国际汽车设计及制造

发布时间:2020年5月13日上午 09:05:01

目前很多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,但因为数据并非是 真实世界的,训练出来的系统总会与实际存在一定差异。近日,麻省理工大学和丰田研究所共同开发 了一种新的仿真模拟系统——VISTA,它是如何解决自动驾驶汽车的控制系统过度依赖于人类驾驶员 驾驶轨迹的真实数据的局限性,又是如何解决仿真中存在的数据源并非来自于真实世界的弊端?本文 或许能给读者答案!
 
 
麻省理工和丰田研究所开发VISTA
 
90%测试通过模拟仿真平台完成
 
自动驾驶数据来源于真实世界的行车数据和虚拟世界的模拟器训练,二者缺一不可。对于自动驾驶汽车在安全上路前需要进行多少里程的测试,特斯拉CEO马斯克表示至少要60亿英里(大约合96.5亿公里)。美国著名智库兰德公司估计,想要让一辆L5级别的自动驾驶车辆正式上路,达到量产条件,需要经过110亿英里(大约合177亿公里)的测试,相当于在地球和太阳间往返50多趟。这意味着即便是一支拥有100辆测试车的自动驾驶车队,以25英里(大约合40公里)每小时的平均时速全天24小时不间断地测试,也需要花费大约500年的时间。如此大的数据量全靠道路测试,工程师的工作强度可想而知。即便是行业公认最领先的无人驾驶技术公司之一——Waymo,截止到2020年初也只完成了2,000万英里(大约合3219万公里)的自动驾驶路测,离110亿英里的目标还很远。由此可见,推动自动驾驶车辆上路仅仅依靠实际道路测试并不现实,此时自动驾驶模拟仿真的重要性就凸显出来了。
 
开发自动驾驶相关功能所需的算法和传感器配置,即使进行了1,000万英里(大约合1609万公里)的道路测试仍无法生成足够多有价值的数据。而模拟仿真一天的行驶里程就可以达到1,000万英里,不需要在实际道路上测试、不费油、不用交过桥费,更重要的是不用承担风险。由于进行实际道路测试所耗费的资源量太大,而且在效率和效果上也无法完全满足要求,因此仿真测试对于无人驾驶技术公司重要性不言而喻,已成为他们的标配。
 
虽说仿真测试并不能真的替代实际测试,但是好处显而易见,可以通过软件模拟来发现和复现问题,而不需要真实的环境和硬件,极大地节省成本和时间。随着现在深度学习的兴起,仿真在自动驾驶领域有了新的用武之地。自动驾驶平台通过仿真采集数据,可以大大增加训练时间,远远超出路测,加快模型迭代速度。先利用集群训练模型,然后再到实际的路测中去检验,采用数据驱动的方式来进行自动驾驶研究,让企业在迈向自动驾驶车辆量产的道路上能够少走一点弯路,加速自动驾驶商用落地时代的到来。
 
当前,全球各大车企正在研究用仿真测试里程来取代绝大部分实际路测里程,其中90%通过模拟仿真平台完成,9%通过测试场完成,1%通过实际道路测试完成。专业人士预计,线上的模拟仿真测试已经成为加速自动驾驶技术研发和测试落地的重要手段。到2023年仿真测试软件国际市场总规模约在百亿美元左右,适用于自动驾驶系统的仿真技术将会被大规模地应用于汽车产品的研发流程当中。
 
虚拟图像自动合成与自主转换
 
据美国“清洁技术新闻和评论网站”报道,自动驾驶汽车的控制系统目前在很大程度上依赖于来自人类驾驶员驾驶轨迹的真实数据集,麻省理工(MIT)计算机科学与人工智能实验室(CSAIL)和丰田研究所(TRI)最近共同开发的一种新的仿真模拟器解决了这个问题。它使用人类在道路上行驶时捕获的少量数据集,从车辆在现实世界中可能遇到的轨迹中合成了几乎无限的新视点。这个仿真系统名叫VISTA,通过虚拟图像自动合成与自主转换,用来训练具有无限转向可能性的自动驾驶汽车。VISTA是一款自动驾驶汽车开发平台,可借助现实世界的数据集来合成车辆能够用上的行驶轨迹,旨在帮助自动驾驶汽车学习驾驭各种最坏情况的场景,然后在真实的街道上自由行驶。描述VISTA的论文已经发表在《IEEE机器人与自动化快报》杂志(IEEERoboticsandAutomationLetters)上,作者为CSAIL博士生亚历山大·阿米尼和CSAIL主任丹妮拉·罗斯。
 
根据这些数据,自动驾驶汽车可以学习模拟各种情况下的安全转向和控制。来自危险边缘案例(例如险些撞车或被迫离开道路)的真实数据很少,被称为“模拟引擎”的计算机程序通过渲染详细的虚拟世界来模仿真实情况,帮助训练自动驾驶系统从这些潜在情况中恢复。VISTA是数据驱动的,这意味着它可以根据与道路外观以及场景中所有对象的距离和运动一致的真实数据轨迹进行合成,防止在模拟中学到的知识与汽车在现实世界中的运行方式之间出现错配。而Waymo、Uber、Cruise和Aurora等自动驾驶汽车公司,目前采用的都是人工智能(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,训练出来的系统总会与实际存在一定差异。
 
研究团队在设计VISTA时,没有创建模仿人类驾驶员行为的自动驾驶计算机程序,而是使其算法学习在“端到端”的框架下从头开始,这意味着以原始传感器数据(例如对道路的视觉观察)的输入作为开始,并以预测转向命令作为输出。在这样的环境里,计算机程序引导汽车想做什么就可以做什么,只要不撞到其他车辆上,留在车道内就行。这就要求强化学习一种反复试验的机器学习技术,出差错时提供反馈信号。开始时,计算机程序不知道如何引导汽车驾驶,甚至连什么叫车道标记和其他车辆是什么样子也不清楚。它以执行随机的转向角度开始,只是在发生碰撞时才会获得反馈信号。那时计算机程序被传送到一个新的模拟位置,执行一组更好的转向角度以避免再次碰撞。经过10~15个小时的训练后,计算机程序才会使用这些稀疏的反馈信号,引导自动驾驶汽车学习在不会碰撞的情况下行驶越来越远的距离。
 
未来延展至所有路况
 
VISTA无需人工手动标记各类元素,如路标、车道线、物理建筑物等信息,而这样的特性可以大大加快自动驾驶汽车的测试与部署速度。在测试中,CSAIL模拟器安全地部署在一辆全尺寸的无人驾驶汽车上,并可以在以前看不见的街道上导航。当车辆处于模拟环境中并接近遭遇各种车祸之前,自动驾驶计算机程序能够在几秒钟内成功将汽车恢复到安全的行驶轨迹。在这种仿真模拟器当中,自动驾驶计算机程序会因不发车祸的安全行驶而获得奖励,从而更有“动力”自行学习如何安全地到达目的地,其中包括处理应对各种路况,如在车道之间转弯或车辆突然偏离轨道接近车祸中恢复后重新获得控制权。
 
为了训练VISTA,研究团队从多条道路的路测中采集视频数据。对于每帧画面,VISTA会在一种3D点云中预测每一个像素。他们随后将虚拟车辆放置在环境中并进行测试,以便在发出转向命令时,VISTA根据转向曲线以及车辆的方向和速度,通过点云合成一条新的轨迹。接着VISTA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,从而从车辆的新视角中再现这个世界的景象。
 
研究团队对比测试的结果显示,在6,214英里(大约合10,000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。这是首次将在模拟驾驶中使用端到端强化学习训练的程序成功部署在现实世界的驾驶实验中。即使将其放置在模仿各种接近碰撞情况的路况上,例如半路离开车道或进入另一个车道,也能重新获得控制权。“这令我们感到惊讶,这个程序不仅过去从未在真正的汽车上使用过,而且它以前甚至从未见过道路,对人类如何开车一无所知。”阿米尼指出,“其他最先进的控制器都无一例外在此失败,因为它们从来没有在训练中接触过这样的数据。”
 
研究团队下一步计划从单个驾驶轨迹模拟所有类型的道路状况,其中包括白天黑夜及晴天阴雨天。“如果其他汽车开始行驶并跳到汽车前方怎么办?我们将模拟一些有很多车辆参与的复杂交叉路口,测试真实世界的复杂交互。”罗斯预言道,“Waymo和Tesla等公司都在尝试训练计算机像人类一样驾驶,CSAIL的重要区别是自动驾驶计算机程序远没有前两者复杂,但是其把重点放在改变自动驾驶计算机程序的工作方式上,因此可以在Waymo或Tesla之前将交通运输世界推向未来的L4或L5级别的自动驾驶。”

 

(来源:cleantechnica.com )

 

 

 

Tell A Friend

评论

Image CAPTCHA