據(jù)外媒報道，馬里蘭大學(University of Maryland)的研究人員最近開發(fā)出一種新技術，可以提高訓練自動駕駛車輛導航模型的仿真器的有效性。
馬里蘭大學研究人員開發(fā)新仿真方法 可訓練自動駕駛汽車在復雜城市場景中導航
項目負責人Dinesh Manocha教授表示：“雖然目前人們對自動駕駛汽車的自動導航很感興趣，但目前用于導航的人工智能方法并沒有考慮到人類駕駛員或其他自動駕駛汽車在道路上的行為。而我們研究的目標是開發(fā)強大的技術，可以檢測和分類其他道路使用者(例如車輛、公共汽車、卡車、自行車、行人)的行為，并使用這些行為來指導自動駕駛汽車的駕駛軌跡。”
通常，駕駛行為可大致分為兩大類：保守或激進行為，其中保守的駕駛員更加小心和專心，而激進的駕駛員可能不穩(wěn)定和好戰(zhàn)。
準確檢測這些不同的駕駛模式對于自動駕駛汽車非常有用，尤其是在關鍵時刻(例如，變道或進入/離開高速公路時)，因為它允許車輛相應調整其軌跡和安全措施。過去，許多團隊使用仿真平臺來啟用自動駕駛車輛以及高級駕駛員輔助系統(tǒng)(ADAS)，以準確分類這些駕駛行為。
參與該研究的另一位研究員Rohan Chandra表示：“自動駕駛導航系統(tǒng)通常在進行現(xiàn)場測試之前進行仿真訓練。在我們最近的論文中，我們提出了一種新穎的行為驅動仿真器，它可以模擬在現(xiàn)實世界交通場景中觀察到的各種不同行為。這意味著通過訓練底層導航系統(tǒng)，車輛可以處理現(xiàn)實交通場景中的復雜駕駛行為。”
研究人員引入的仿真技術基于一個模型CMetric打造，該模型可以對道路上其他道路使用者的駕駛行為進行分類，并分析軌跡，然后使用最先進的計算機視覺工具進行計算。
另一位研究員Angelos Mavrogiannis表示：“通過使用CMetric，我們的行為引導仿真器可以生成具有不同行為的道路使用者，從而引起混合交通場景。異構駕駛行為的模擬是我們工作的一個獨特方面。我們使用基于DQN(Deep Q-Network)的深度強化學習策略，并將其與我們的仿真器集成。”
Mavrogiannis、Chandra和Manocha引入的駕駛行為預測模型可以與各種最先進的車輛導航算法集成。這意味著全球其他團隊可以使用它來改進自己模型的訓練并提高整體性能。
截至目前，大多數(shù)現(xiàn)有的自動駕駛汽車都難以應對復雜的城市環(huán)境，包括交通繁忙或交通信號燈、行人和自行車數(shù)量眾多的道路。而馬里蘭大學研究人員開發(fā)的仿真技術最終可以幫助提高自動駕駛車輛在復雜城市場景中的性能。
Chandra表示：“目前的自動駕駛系統(tǒng)主要適用于高速公路交通情況。但我們的方法為在復雜城市或具有挑戰(zhàn)性的場景中模擬和評估自動駕駛技術提供了一種新穎的解決方案。”
雖然該方法最初旨在作為工具訓練算法，但研究人員開發(fā)的模擬技術也可用于生成訓練數(shù)據(jù)集，這些數(shù)據(jù)集還考慮到復雜城市環(huán)境中的駕駛行為和車輛軌跡。 作為研究的一部分，Mavrogiannis、Chandra和Manocha使用這些行為分類方法來創(chuàng)建和分析METEOR，一個包含密集和非結構化交通狀況視頻的大規(guī)模數(shù)據(jù)集。這些視頻在印度收集，然后由研究人員手動注釋以突出罕見或有趣的駕駛行為，例如非典型的道路交互和交通違規(guī)行為。
未來，全球其他團隊都可以使用該數(shù)據(jù)集，以改善擁擠和復雜城市環(huán)境中自動駕駛汽車和ADAS導航。目前，研究人員還計劃將該仿真技術開源，以便其他團隊和公司可以使用它來訓練自己的模型和算法。
