基于LEAVS平台功能优化设计

来源:用户上传      作者:

　　摘要：面对传统汽车算法、碰撞测试受限于物理环境及运营资金，无法满足相关领域的训练和验证等问题，本文基于虚拟现实的无人驾驶训练测试仿真平台LEAVS进行优化。LEAVS是一个包含传感器、数据采集以及算法验证模块的自动驾驶平台，基于其优化后的LEAVS二代，核心模块以自动驾驶中包含的人机交互作为切入点，收集真实场景物理数据，构建与真实环境一致测试场景，架设新型传感器反馈体系，完成数据收集与整理框架平台，测试、分析并验证自动驾驶算法，实现一个集自动驾驶汽车测试、问题诊断、险情复现、算法调整于一体的仿真系统。并且支持测试并验证自动驾驶的感知、决策和控制三大主要技术。关键词：自动驾驶；仿真平台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 背景人机交互在桥接网络物理系统层面发挥着重要作用。无人驾驶车辆是这种交互的完美示例，它提供了从环境感知到网络空间智能决策的反馈回路，并实现了无故障决策。在现实世界中进行大量此类测试的代价高昂，通常使用仿真环境进行模拟测试。当前的大部分的仿真环境都支持人工输入数据，但并非所有仿真环境都可以对人类决策进行推理和理解，并推动与不断变化的环境的交互。要进行真正的“自主”驾驶车辆测试，仿真平台应具备自主学习能力。虽然在仿真平台上很容易获得大量数据，但很难处理这些数据，并将这些数据转化为车辆可理解的有效命令，如自动道路引导，环境感知，交通碰撞检测和恢复。当前诸多工具集的另一个重要问题是他们缺乏可伸缩性和适应性。商业工具是针对需求开发的，因此很难加入新的传感器算法或检测工具。开源平台对最新的学习算法支持度不佳。因此需要一種工具来弥合两者之间的差距，并改善自动驾驶的算法实现。LEAVS 通过在目标车辆的不同位置放置新的传感器（例如场景图传感器，深度传感器等）来提供智能感测服务。利用这些新传感器，对许多运行时收集的数据进行数据分析。传感器模块优化LEAVS二代提供了用户自定义传感器的功能，以提供对自动驾驶中新技术和工具的支持。平台原生车辆信息传感器和环境信息传感器。车辆信息传感器可收集车辆 的驾驶信息，包括但不限于位置，速度，档位，转向，转速，制动等。环境信息传感器收集车辆周围的环境信息。环境信息传感器有五种类型，场景图传感器，深度图传感器，灰度传感器，红外传感器和物体分割传感器。数据收集平台优化当研究软件收集所需数据后，可以对其进行分析。LEAVS平台在优化后可以收集如车速、方向、碰撞等数据，利用车辆信息传感器采集的数据，可以分析齿轮与速度的关系，油门对车速的影响以及参数制动对制动时间的影响等。此外，结合数据可视化系统将加速度、速度和转向角的数据直接呈现，LiDAR 所探测的数据直接通过 WebGL 可视化，物体识别算法将物体识别后，再导出数据，最终读取物体数据并展示出来。算法验证模块优化算法平台的设计主要是为研究人员提供验证算法的一个平台，而非提供算法 本身。在算法平台上，研究人员可以提出、验证、改进自己想法，其中涵盖的算 法包括但不限于以下内容： 物体识别（Object Recognition）：作为人工智能研究人员试验自动驾驶汽车的 深度学习，计算机视觉和强化学习算法的平台，通过 LEAVS 的接口，无需与平台 之间的直接交互即可检索数据和控制车辆。卷积神经网络（CNN）作为图像处理 的主要学习模型，辅以 SSD 检测图像特征。通过图像卷积和汇集步骤以构建多层 神经网络，强化模型的泛化性，实现全方位、多角度的物体识别。自动驾驶（Autonomous Vehicle）：DQN 的端到端深度学习的自动驾驶算法是一 种建模策略。与传统方法不同，此策略不是基于特征工程。而是将原始输入映射 到直接输出，通过 LEAVS 中构建的真实场景模拟环境，收集大量数据来训练自动 驾驶汽车模型。相比于真车训练，在 LEAVS 中训练的自动驾驶具有了更高的容错 性，并节省了开支。通过此算法，汽车仅由一个取景传感器提供反馈结果来指引驶达指定地点。结论本文基于对LEAVS的优化，已实现在山地公路中的端对端（ E2E）自动驾驶深度学习模型，也实现了记录车辆行驶数据，包括但不限于转向角，加速度，速度，气压，灰度 图，热度图，正向行驶图，相对坐标，绝对经纬等信息。为构建一个智慧城市的原型架构，让无人机、汽车、和人类的交互可以在其中完美的实践预先构想的算法与模型，并且在相应的数据可视化算法操作后可以用 作更深层次的分析与运算。最终通过这个平台训练出足够智慧的自动驾驶算法、 无人机运行算法、地面物体识别算法、单光子通讯算法等。参考文献[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.
转载注明来源:https://www.xzbu.com/1/view-14850039.htm