B-GAP: метод моделирования для обучения автономных транспортных средств навигации по сложным городским сценам

В последние годы многие компании, исследовательские организации и академические институты по всему миру пытаются разработать безопасные и надежные автономные транспортные средства. Однако для крупномасштабного развертывания эти транспортные средства должны иметь возможность передвигаться по самым разным дорогам и средам, не сталкиваясь с другими транспортными средствами, пешеходами, велосипедами, животными или близлежащими препятствиями.

Исследователи из Мэрилендского университета недавно разработали новую методику, которая может повысить эффективность симуляторов, используемых в настоящее время для обучения моделей навигации беспилотных транспортных средств. Этот метод, представленный в статье, опубликованной в IEEE Robotics and Automation Letters, основан на их предыдущем исследовании, посвященном автономной навигации транспортных средств.

На изображениях выше показана траектория транспортного средства, выполняющего внезапную смену полосы движения. Наше исследование автономного вождения и симуляции, основанного на поведении, может предсказать эти редкие и интересные модели поведения. Предоставлено: Маврогианнис, Чандра и Маноча.

«Хотя в настоящее время существует большой интерес к автономной навигации для беспилотных автомобилей, современные методы искусственного интеллекта, используемые для навигации, не учитывают поведение людей-водителей или других автономных транспортных средств на дороге», — сказал профессор Динеш Маноча, который руководил исследовательским проектом,. «Цели нашей работы — разработать надежные технологии, которые могут обнаруживать и классифицировать поведение других дорожных участников (например, транспортных средств, автобусов, грузовиков, велосипедов, пешеходов) и использовать это поведение для управления траекториями движения автономных транспортных средств».

Как правило, поведение за рулем можно разделить на две основные категории, а именно консервативное и агрессивное поведение. Судя по определениям, консервативные водители более осторожны и внимательны, а агрессивные водители могут быть неуравновешенными и воинственными.

Точное обнаружение этих различных моделей вождения может быть очень полезным для автономных транспортных средств, особенно в критические моменты (например, при смене полосы движения или въезде/выезде с шоссе), поскольку это позволяет им соответствующим образом адаптировать свои траектории и меры безопасности. Таким образом, в прошлом многие команды использовали платформы моделирования, чтобы позволить беспилотным транспортным средствам, а также усовершенствованные системы помощи водителю (ADAS) для точной классификации такого поведения при вождении.

«Автономные навигационные системы обычно обучаются моделированию перед проведением полевых испытаний», — сказал TechXplore Рохан Чандра, другой исследователь, участвовавший в исследовании. «В нашей недавней статье мы представляем новый симулятор, основанный на поведении, который может эмулировать большое количество различных вариантов поведения, наблюдаемых в реальных сценариях дорожного движения. Это означает, что базовая навигационная система может быть обучена обрабатывать сложное поведение вождения в реальных условиях. сценарии дорожного движения».

Метод моделирования, представленный исследователями, основан на модели, которая может классифицировать поведение других участников дорожного движения. Эта модель, называемая CMetric, анализирует траектории других агентов, а затем вычисляет их, используя самые современные инструменты компьютерного зрения.

«С помощью CMetric наш управляемый поведением симулятор может генерировать агентов с различным поведением, что приводит к сценариям смешанного трафика», — сказал TechXplore еще один исследователь, проводивший исследование, Ангелос Маврогианнис. «Моделирование разнородного поведения при вождении — уникальный аспект нашей работы. Мы используем политику глубокого обучения с подкреплением, основанную на DQN (Deep Q-Network), которую мы интегрировали с нашим симулятором».

Модель прогнозирования поведения при вождении, представленная Маврогианнисом, Чандрой и Маночей, может быть интегрирована с широким спектром современных алгоритмов для навигации транспортных средств. Это означает, что другие команды по всему миру могут использовать его для улучшения обучения своих моделей и повышения общей производительности.

До сих пор большинство существующих моделей автономного вождения с трудом справлялись со сложными городскими условиями. Сюда входят дороги с интенсивным движением или с большим количеством светофоров, пешеходов и велосипедистов. Метод моделирования, разработанный этой группой исследователей, может в конечном итоге помочь улучшить производительность этих моделей в этих сложных городских сценариях.

Хотя он был в первую очередь разработан как инструмент для обучения алгоритмов, метод моделирования, разработанный исследователями, также может использоваться для создания наборов данных для обучения, которые также учитывают поведение вождения и траектории транспортных средств в сложных городских условиях. В рамках своего исследования Маврогианнис, Чандра и Маноча использовали эти методы классификации поведения для создания и анализа METEOR, крупномасштабного набора данных , содержащего плотные и неструктурированные видеоролики с интенсивными дорожными условиями. Эти видеоролики были собраны в Индии, а затем исследователями были вручную аннотированы, чтобы выделить редкие или интересные способы вождения, такие как нетипичные действия на дороге и нарушения правил дорожного движения .

В будущем набор данных, опубликованный исследователями, может быть использован другими командами по всему миру для улучшения навигации автономных транспортных средств и ADAS в многолюдных и сложных городских условиях. Теперь исследователи также планируют сделать метод моделирования, который они разработали , открытым исходным кодом , чтобы другие команды и компании могли использовать его для обучения своих собственных моделей и алгоритмов.

 

Дополнительная информация: Ангелос Маврогианнис и др., B-GAP: моделирование поведения и навигация для автономного вождения, IEEE Robotics and Automation Letters (2022). DOI: 10.1109/LRA.2022.3152594

Рохан Чандра и др., CMetric: показатель поведения при вождении с использованием функций центральности, Международная конференция IEEE/RSJ по интеллектуальным роботам и системам (IROS), 2020 г. (2021 г.). DOI: 10.1109/IROS45743.2020.9341720

Рохан Чандра и др., Использование теоретико-графического машинного обучения для прогнозирования поведения человека-водителя, Транзакции IEEE в интеллектуальных транспортных системах (2021). DOI: 10.1109/TITS.2021.3130218

Рохан Чандра и др., GraphRQI: классификация поведения водителей с использованием спектров графов, Международная конференция IEEE по робототехнике и автоматизации (ICRA) 2020 г. (2020 г.). DOI: 10.1109/ICRA40945.2020.9196751

 

Будьте в курсе в удобном формате, присоединяйтесь: TG-канал и ВК

Бесплатная служба распространения новостей для научных организаций и стартапов

hello@technovery.com