首页 体育 教育 财经 社会 娱乐 军事 国内 科技 互联网 房产 国际 女人 汽车 游戏

AR让自动驾驶更清楚的了解道路威胁

2020-01-07

2017年6月,咱们在坐落安阿伯的密歇根大学北校区,树立了全球首个自动驾驭轿车全尺度试验台——Mcity施行了增强实践环境。它占地32英亩,其8车道公里的路途被组织在具有高速公路、多车道主干道或穿插路口特点的路段。

自动测验车配备了车载设备,可以监测如方位、速度、加速度和航向等车辆状况,每隔十分之一秒宣布一次。运用专门的短程通讯来完结无线传输。此外,散布在测验设备周围的路旁边设备接纳这些信息并将其转发给一个交通模仿模型,该模型可以经过将测验设备简化为包含交通讯号动作的等效网络几何来模仿该测验设备。一旦核算机模型接纳到测验车信息,就会创立测验车的虚拟副本。然后,它依据实在测验车的运动来更新虚拟车的运动。

将实在测验车辆的数据输入核算机模仿中只构成了一半的回路。咱们经过向测验车发送核算机模仿的各种车辆的信息来完结另一半。这便是增强实践环境的实质。每一辆模仿车辆会发生频率为10赫兹的车辆状况信息,咱们将这些信息转发给路旁边的设备,这些设备反过来又会实时散出这些信息。当实在的测验车接纳到这些数据时,它的车辆操控体系会运用这些数据来“检查”一切的虚拟车辆。对轿车而言,这些模仿的实体与实在的东西没有什么区别。

经过路旁边的设备传递信息——也便是说,用“V2I”的衔接代替直接的“V2V”衔接——实在车辆和虚拟车辆可以彼此感应并进行相应交互。相同,实在国际和模仿国际之间的交通讯号状况也是同步的。这样,实在的和虚拟的交通工具都可以“看到”给定的光,并判别它是绿色仍是赤色。

在实在国际和模仿国际之间传递的状况信息也当然包含车辆方位。这答应将实践的车辆映射到模仿的路途网络中去,并将模仿的车辆映射到实践的路途上。实践车辆的方位由GPS坐标和模仿车辆的部分坐标定位。

可是这种准确的转化并不是悉数需求。GPS和地图纤细的差错,会阻挠GPS的方位出现在模仿路途上。GPS获取的方位是从实践的测验车转过来,然后转化到本地的坐标体系上。为此,咱们运用独自的映射算法来纠正这些过错。此外,当测验车中止时,咱们必须在模仿环境中确认它的方位,这样它的GPS坐标的动摇就不会导致它在模仿中违背。

AR让自动驾驭更清楚的了解路途要挟

无线电收发器[白色物体,顶部]从轿车中获取数据,并回来核算机生成的虚拟数据。一个虚拟对象是一列火车。轿车刹车以防止闯红灯的虚拟车。许多交通形式可以在一个小空间中发生

无线通讯将作为这一切的传输纽带。为了保证其可靠性,咱们在Mcity安装了四个路旁边收音机,足以掩盖整个测验设备。DSRC无线规范,运转在5.9千兆赫波段,为咱们供给了较高的数据传输速率和十分低的推迟,在高速行驶和紧迫泊车时,这些设备对安全至关重要。DSRC在日本和欧洲广泛运用;尽管凯迪拉克现在正在为其部分车型配备DSRC设备,但它在美国还没有取得太多重视。

但是,咱们还不确认DSRC是否会成为轿车之间沟通的方法。一些人以为,蜂窝通讯,尤其是在即将到来的5G完结中,或许会供给更大规模的低推迟。不管哪种规范胜出,咱们体系中运用的通讯协议都可以很容易地习惯它。

咱们期望用于构建体系的软件结构能继续扛一段时间,至少能用几年。咱们运用PTV Vissim构建了咱们的模仿,这是一个在德国开发的用于“微观地”模仿交通流量的商业软件包,即模仿每辆车的行为。

可以预期是,其他公司开始运用咱们的体系来测验他们自己的自动驾驭车辆。现在,咱们的一辆林肯MKZ混合动力作为测验车,它配备了DSRC,因而可以彻底衔接。咱们添加到轿车上的线控体系答应软件操控方向盘、油门、刹车和变速器。这辆车还带着多部雷达、激光雷达、照相机和一个实时运动定位的GPS接纳器,经过参阅来自地上无线电台的信号来进步分辨率。

AR让自动驾驭更清楚的了解路途要挟

Mcity测验车带着激光雷达,既可用于圆形视界,也可用于前方聚集。雷达弥补了这种感觉,而GPS以一种高度准确的无线电校对——使配备愈加完善。

现在,咱们现已完结了两个测验场景。在第一个场景中,体系生成一个虚拟火车,并将其投射到测验车所感知到的增强实践中,此刻火车正在挨近Mcity的一个铁路道口模型。关键是看测验车是否能及时泊车,然后等候火车经过。咱们还加入了其他虚拟交通工具,例如测验车之后的轿车。这些一列列的轿车——实践的和虚拟的——可以被正式组织为车队,或者是暂时组织:也许是排队进入匝道的轿车。

第二个更杂乱的测验场景触及咱们前面说到的状况——运转红灯。依据美国轿车协会的数据,在美国,闯红灯的轿车形成的逝世人数占十字路口逝世人数的四分之一以上。这个场景有两个意图:调查测验车对交通讯号的反响,以及它对闯红灯违章行为的反响。

咱们的测验车可以分辨出信号是红仍是绿,并据此决定是停仍是走。它还应该可以注意到模仿的红灯车的迫临,猜测它的轨道,并核算当测验车穿过轨道时,它或许在的方位。测验车应该可以做好一切这些工作来防止磕碰。

因为运转模仿的核算机可以彻底操控红光流道的动作,因而它可以在接连的试验迭代中生成各式各样的测验参数。这正是核算机能比任何人类驾驭员做得更准确的原因。当然,整个试验可以在彻底安全的状况下进行。

其实还有许多这样的边际状况模仿可以做。例如,咱们可以运用增强实践环境来评价测验车辆处理杂乱驾驭状况的才能,比方从一个泊车标志向左拐到一条首要公路上。车辆需求寻觅交游两个方向的交通空地,一同留心或许会在标志处横过的行人。轿车可以先在中心泊车,也可以直接驶入想要的车道。这触及到若干个阶段的决议计划进程,一切阶段都考虑到其他车辆的举动。

另一个比如是在没有交通讯号协助的状况下,在环形穿插路口进行进出或让车的状况。在这里,测验车需求猜测其他车辆的下一步,决议计划一个可接受的距离,用来并道,并调查其他的车辆。咱们还可以与自行车、行人和其他路途运用者一同构建增强实践场景。此类代替人物的可猜测性越低,自动驾驭轿车所需的智能就越多。

最终,咱们期望构建一个包含边际用例的大型测验场景库,然后运用增强实践测验环境重复运转测验。咱们现在正在树立这样的数据库,其间包含从实践事故陈述中收集的数据,以及装载传感器的车辆调查到的人们在不知道自己是试验参与者的状况下是怎么驾驭的。经过将不同的边际条件叠加一同,咱们期望创造出对自动驾驭轿车上运转的软件特别具有挑战性的人工边际状况。

有了这样的配备,咱们应该可以看到一辆特定的自动驾驭轿车有多安全,而不用非得在有太阳的前提下才够胆量去开了。

热门文章

随机推荐

推荐文章