您好,欢迎光临2019中国自动驾驶验证测试技术创新论坛!

「虚拟现实」:加速自动驾驶开发与测试的利器

发布日期:2018-02-21

SAE Level 4 + 自动驾驶汽车的商业化之前需要经过开发以及测试验证两大过程,如果完全采用道路试验的方式,不仅旷日持久、成本高昂,而且还会危及他人的人身安全。

  如果在模拟真实的物理世界的「虚拟现实」训练或测试自动驾驶系统,不仅效率高(可以并行地没日没夜地进行),而且效果好(所有测试场景高度可控且可重复),同时也给了初创公司一个与车企和科技巨头公平竞争的机会,因为前者是承担不起道路试验这种耗时长、成本高的开发/测试方法的。

  当然,「虚拟现实」毕竟不是物理现实,所有的场景和车况都太理想化,「虚拟现实」中得出的自动驾驶系统能否有效地应对真实的物理世界,是必须要考虑的,否则就会变成无效开发和无效测试。

  本文来自 WIRED 前**科技记者Cade Metz 10 月 29 日发表在纽约时报上的文章《What Virtual Reality Can Teach a Driverless Car?》,主要讨论自动驾驶系统的虚拟开发方法,供参考。

  随着操控自动驾驶汽车的计算机能够理解交通法规,一些工程师认为,如果它们能够从发生在虚拟现实(virtual reality)中而不是真实道路上的错误中学习,这可能会更好。

  丰田、Uber 和 Waymo 等公司已经详细讨论了它们如何在山景城、凤凰城和其它城市的街道上测试自动驾驶汽车,但不太为大众所知的是,它们也在这些城市的计算机模拟版本中测试车辆。虚拟车辆配备了与真实车辆相同的软件,可在数字世界中持续进行数千小时的驾驶测试。

  可以将此认为是一种识别汽车自动驾驶软件系统缺陷的方法,但这种方法不会危及他人的人身安全。如果车辆在模拟行驶的过程中出错,工程师可以相应地调整软件,制定新的行为规则。

  研究人员也在开发新的方法,使自动驾驶汽车能从这些仿真中学习新的驾驶行为,用比人类工程师以清晰的软件代码制定驾驶规则更快的速度收集驾驶技能。丰田研究院(Toyota Research Institute,TRI)的**执行官吉尔·普拉特(Gill Pratt)表示,「仿真是一件极好的事情。」TRI 是从事针对自动驾驶汽车或其它机器人的虚拟训练(virtual training)技术的人工智能实验室之一。

  

  图 1 在虚拟世界中,Waymo 的自动驾驶汽车可以在相同的驾驶条件下,数千次练习如何通过同一个十字路口

  

  图 2 Waymo 已经创建了一个详细且逼真的虚拟版本的加州东谷(East Valley in California)

  这些方法是通过所谓的机器学习来加速自动驾驶汽车开发的一部分。当 Google 十年前设计第一台自动驾驶汽车时,工程师逐行构建了大部分软件,仔细地编写了每一个微小的行为。但近年来,由于计算能力的改善,自动驾驶汽车制造商正在越来越多地使用可以自主地学习任务(learn tasks)的复杂算法,例如识别道路上的行人或预测未来事件。

  Uber 竞争对手 Lyft 的自动驾驶项目负责人卢克·文森特(Luc Vincent)表示:「这就是为什么我们认为我们可以在较短时间内快速取得进展的原因,这些条件在 10 年前 Google 开始做自动驾驶汽车的时候并不存在。」

  但这项研究仍然存在疑问。 最值得注意的是,由于这些算法通过分析比任何人所能处理的要多得多的信息来学习,有时很难对它们的行为进行审查,并理解它们为什么做出某些特别的决策。但在未来的岁月里,机器学习对于自动驾驶汽车的持续发展仍将至关重要。

  今天的自动驾驶汽车并不像它们看起来得那么自动化。经过 10 年的研究、开发和测试,Google 的汽车准备在亚利桑那州的街道上提供面向公众的免费乘坐服务。据 The Information 报道,Google 母公司 Alphabet 旗下自动驾驶子公司 Waymo 正准备在该州**凤凰城附近开启一个自动驾驶出租车服务项目。不同之处在于,方向盘后面不会有后备司机,但这些车辆仍会在严格的(远程)控制之下。

  目前,在没有后备司机在车上时,任何自动驾驶汽车都可能被限制在街道宽敞、降水量少、行人相对较少的小范围区域之内运行。如果这些条件有部分不满足,自动驾驶汽车将会以较低速度行驶,且在没有红色尾灯或交通路牌的帮助时,经常在车辆左拐或并入车流之前等待很长时间。

  在技术领先的公司心中,基于在以下几方面的进步,它们相信这些车辆最终可以处理更多的较为困难的驾驶场景,包括:持续的开发与测试、能够提供对周边环境更详细视野的新型传感器以及机器学习

  Waymo 和它的许多竞争对手都已经接受了深度神经网络(Deep Neural Networks,DNN),这一复杂算法可以通过分析数据来学习任务。例如,通过分析行人的照片,神经网络可以学习识别行人。这些算法也有助于识别交通路牌和车道标记,预测路上接下来会发生什么,并规划行车路线。

  但麻烦之处在于,这需要大量记录真实世界中的物体和场景数据,这些数据通过相机、雷达和其它传感器来收集。而且,人们必须对这些数据进行标注,人工识别出里面的行人、路牌等等。收集到并标注好描述所有可想到场景的数据是不可能的, 例如,交通事故的数据很难得到,而这正是仿真可以发挥作用的地方。

  前段时间,Waymo 推出了一款名为「Carcraft」的道路模拟器。最近,该公司表示,该模拟器提供了一种在现实世界中不可能实现的、在一定数量规模上测试自动驾驶汽车的手段。相比于真实的道路测试,Waymo 的车辆可以在虚拟道路上测试更长时间。据推测,与其它公司一样,Waymo 也在探索让算法从这种模拟器中学习到新行为的方法。

  

  图 3 在今年早些时候,Waymo 试车员使用改装成自驾驾驶汽车的雷克萨斯 SUV,在进行真正的没有安全驾驶员的路测之前,对凤凰城的一个区域进行了测绘

  吉尔·普拉特表示,丰田已经在使用模拟道路的图片来训练神经网络,而且这种方法已经取得了可喜的成果。换句话说,虚拟的仿真世界与真实的物理世界足够相似,以致于能够可靠地训练操控汽车的(软件)系统。

  模拟器的优点还包括研究人员可以完全地控制它,他们不需要花费时间和财力来标注图像,而且冒着标错的风险。普拉特解释道:「你拥有事实真相:你知道每辆车在哪里,每个行人在哪里,每个骑自行车的人在哪里,你知道天气状况。」

  还有其他研究人员在探索一种更复杂的方法,称为强化学习(Reinforcement Learning)。这是世界上许多**人工智能实验室的主要研究领域,包括 DeepMind(位于伦敦,属于 Google 的实验室),伯克利人工智能研究实验室(Berkeley AI Research Lab)和 OpenAI(位于旧金山,由 Tesla CEO Elon Musk 创立),这些实验室正在构建能够使机器在虚拟世界中通过密集的试错(Trial & Error)来学习任务的算法。

  DeepMind 使用这种方法构建了一个下围棋比任何人下得都好的机器。本质上,这台机器和自己下了成千上万盘围棋游戏,期间仔细记录了哪些走法被证明是成功的,哪些是失败的。而现在,DeepMind 和其它实验室正在使用类似的技术来构建可以玩星际争霸(StarCraft)这样复杂视频游戏的机器。

  这可能看起来有些草率,但如果机器能够在这些虚拟世界中通畅地行驶,那么它们也可以应对真实的物理世界。例如,Uber 的研究人员已经通过玩流行的侠盗猎车(Grand Theft Auto)游戏来训练自动驾驶系统,其目的是将这些操作方法最终应用到现实世界中的自动驾驶汽车上。通过游戏训练之后,下一步是在模拟实际地点的虚拟世界中对自动驾驶系统进行训练

  普拉特认为,消除虚拟世界和现实世界之间的差别并非易事。此外,公司还必须确保,算法在自主学习的过程中不会学到意想不到的或有害的行为。这是人工智能研究人员的一大担忧。

  由于这个原因和其它原因,像丰田和 Waymo 这样的公司并不是完全围绕机器学习来构建自动驾驶汽车,他们也用更传统的方式对软件进行手工编写代码,以确保某些行为。例如,Waymo 的自动驾驶汽车不会学习在红灯时停车,它们停车有一套严格快速的规则。

  但是,整个产业正在使用更多的机器学习,而不是更少。Waymo 工程副总裁德米特里·多尔戈夫(Dmitri Dolgov)表示,「机器学习提供了一种更好的方式来训练汽车完成车道标记识别的任务,而且当一辆汽车需要更深入地理解这个世界的时候,机器学习变得更加重要。机器人学(Robotics)和机器学习是相辅相成的。」

  作者:厚势分析师拉里佩

  转载请注明来自厚势和厚势公号:iHoushi

  -END-


  • 电话咨询
  • 021-2230 6692
  • 15021948198
None