基于LEAVS平臺功能優化設計

來源:用戶上傳      作者:

　　摘要：面對傳統汽車算法、碰撞測試受限于物理環境及運營資金，無法滿足相關領域的訓練和驗證等問題，本文基于虛擬現實的無人駕駛訓練測試仿真平臺LEAVS進行優化。LEAVS是一個包含傳感器、數據采集以及算法驗證模塊的自動駕駛平臺，基于其優化后的LEAVS二代，核心模塊以自動駕駛中包含的人機交互作為切入點，收集真實場景物理數據，構建與真實環境一致測試場景，架設新型傳感器反饋體系，完成數據收集與整理框架平臺，測試、分析并驗證自動駕駛算法，實現一個集自動駕駛汽車測試、問題診斷、險情復現、算法調整于一體的仿真系統。并且支持測試并驗證自動駕駛的感知、決策和控制三大主要技術。關鍵詞：自動駕駛；仿真平臺Abstract：Faced with the traditional car algorithm，collision test is limited by the physical environment and working capital，can not meet the training and verification issues in related fields，this paper is based on virtual reality unmanned training test simulation platform LEAVS for optimization.LEAVS is an autopilot platform that includes sensors，data acquisition and algorithm verification modules.Based on its optimized LEAVS II generation，the core module uses human-computer interaction included in autonomous driving as an entry point to collect real-world physical data，build and reality.The environment is consistent with the test scenario，a new sensor feedback system is set up，the data collection and finishing framework platform is completed，the automatic driving algorithm is tested，analyzed and verified，and a simulation system integrating autopilot vehicle testing，problem diagnosis，dangerous recurrence and algorithm adjustment is realized..It also supports testing and validating the three main technologies of autopilot perception，decision making and control.Keywords：Autopilot，simulation platform 背景人機交互在橋接網絡物理系統層面發揮著重要作用。無人駕駛車輛是這種交互的完美示例，它提供了從環境感知到網絡空間智能決策的反饋回路，并實現了無故障決策。在現實世界中進行大量此類測試的代價高昂，通常使用仿真環境進行模擬測試。當前的大部分的仿真環境都支持人工輸入數據，但并非所有仿真環境都可以對人類決策進行推理和理解，并推動與不斷變化的環境的交互。要進行真正的“自主”駕駛車輛測試，仿真平臺應具備自主學習能力。雖然在仿真平臺上很容易獲得大量數據，但很難處理這些數據，并將這些數據轉化為車輛可理解的有效命令，如自動道路引導，環境感知，交通碰撞檢測和恢復。當前諸多工具集的另一個重要問題是他們缺乏可伸縮性和適應性。商業工具是針對需求開發的，因此很難加入新的傳感器算法或檢測工具。開源平臺對最新的學習算法支持度不佳。因此需要一種工具來彌合兩者之間的差距，并改善自動駕駛的算法實現。LEAVS 通過在目標車輛的不同位置放置新的傳感器（例如場景圖傳感器，深度傳感器等）來提供智能感測服務。利用這些新傳感器，對許多運行時收集的數據進行數據分析。傳感器模塊優化LEAVS二代提供了用戶自定義傳感器的功能，以提供對自動駕駛中新技術和工具的支持。平臺原生車輛信息傳感器和環境信息傳感器。車輛信息傳感器可收集車輛 的駕駛信息，包括但不限于位置，速度，檔位，轉向，轉速，制動等。環境信息傳感器收集車輛周圍的環境信息。環境信息傳感器有五種類型，場景圖傳感器，深度圖傳感器，灰度傳感器，紅外傳感器和物體分割傳感器。數據收集平臺優化當研究軟件收集所需數據后，可以對其進行分析。LEAVS平臺在優化后可以收集如車速、方向、碰撞等數據，利用車輛信息傳感器采集的數據，可以分析齒輪與速度的關系，油門對車速的影響以及參數制動對制動時間的影響等。此外，結合數據可視化系統將加速度、速度和轉向角的數據直接呈現，LiDAR 所探測的數據直接通過 WebGL 可視化，物體識別算法將物體識別后，再導出數據，最終讀取物體數據并展示出來。算法驗證模塊優化算法平臺的設計主要是為研究人員提供驗證算法的一個平臺，而非提供算法 本身。在算法平臺上，研究人員可以提出、驗證、改進自己想法，其中涵蓋的算 法包括但不限于以下內容： 物體識別（Object Recognition）：作為人工智能研究人員試驗自動駕駛汽車的 深度學習，計算機視覺和強化學習算法的平臺，通過 LEAVS 的接口，無需與平臺 之間的直接交互即可檢索數據和控制車輛。卷積神經網絡（CNN）作為圖像處理 的主要學習模型，輔以 SSD 檢測圖像特征。通過圖像卷積和匯集步驟以構建多層 神經網絡，強化模型的泛化性，實現全方位、多角度的物體識別。自動駕駛（Autonomous Vehicle）：DQN 的端到端深度學習的自動駕駛算法是一 種建模策略。與傳統方法不同，此策略不是基于特征工程。而是將原始輸入映射 到直接輸出，通過 LEAVS 中構建的真實場景模擬環境，收集大量數據來訓練自動 駕駛汽車模型。相比于真車訓練，在 LEAVS 中訓練的自動駕駛具有了更高的容錯 性，并節省了開支。通過此算法，汽車僅由一個取景傳感器提供反饋結果來指引駛達指定地點。結論本文基于對LEAVS的優化，已實現在山地公路中的端對端（ E2E）自動駕駛深度學習模型，也實現了記錄車輛行駛數據，包括但不限于轉向角，加速度，速度，氣壓，灰度 圖，熱度圖，正向行駛圖，相對坐標，絕對經緯等信息。為構建一個智慧城市的原型架構，讓無人機、汽車、和人類的交互可以在其中完美的實踐預先構想的算法與模型，并且在相應的數據可視化算法操作后可以用 作更深層次的分析與運算。最終通過這個平臺訓練出足夠智慧的自動駕駛算法、 無人機運行算法、地面物體識別算法、單光子通訊算法等。參考文獻[1]Wu W.，Wei Y.，Gao C.，Xu Z.（2019） Leavs： A Learning-Enabled Autonomous Vehicle Simula-tion Platform.In： Sun F.，Liu H.，Hu D.（eds） Cognitive Systems and Signal Processing.ICCSIP 2018.Communications in Computer and Information Science，vol 1006.Springer，Singapore[2]Shah S，Dey D，Lovett C，et al.AirSim： High-Fidelity Visual and Physical Simulation for Au-tonomous Vehicles[J].2017.
轉載注明來源:http://www.hailuomaifang.com/1/view-14850039.htm