AADS:让仿真技术告别“五毛特效”

文章正文
发布时间:2024-10-03 13:00

 
 
AADS:让仿真技术告别“五毛特效”  
 

李伟

■本报记者 王之康 通讯员 吕文倩 刘天佑 任博文

所谓仿真系统,就是使用项目模型将特定于某一具体层次的不确定性转化为其对目标影响的一种系统。

近年来,自动驾驶越来越多地为人们熟知和重视,在北京之外,上海、深圳等城市也在积极为自动驾驶车辆开辟测试道路。就在最近,刚刚浮出水面的京雄高速设计方案显示,将设自动和半自动驾驶专用车道。

一方面,自动驾驶的热潮愈演愈烈;另一方面,其安全性仍然为人们所担忧——尽管不久前,美国检方认定优步(Uber)在一年前因自动驾驶测试而发生的交通致死事故中并不承担刑事责任,但减少和避免自动驾驶汽车发生交通事故一直都是该领域的刚性需求。

相较于花费十几年甚至更久时间让自动驾驶车辆接受一定数量的道路测试,通过仿真系统测试来评估、提高其安全性极具可操作性和现实意义。近日,李伟等7名来自南京航空航天大学、北京大学、浙江大学、香港大学等高校的在读博士生研发的增强自动驾驶仿真系统(AADS)就突破了现有仿真技术存在的许多障碍,将这一手段变得更加实用。目前,相关论文《基于数据驱动算法的增强自动驾驶仿真》(AADS: Augmented autonomous driving simulation using data-driven algorithms)已发表在《科学》杂志子刊《科学·机器人学》上。

一种有效方式

所谓仿真系统,就是使用项目模型将特定于某一具体层次的不确定性转化为其对目标影响的一种系统。目前,此类系统在执法、防御和医疗训练等领域较为常见。

回到自动驾驶领域,“仿真系统不仅可以测试和验证自动驾驶汽车在环境感知、导航和控制方面的性能,还能生成大量有标签的训练数据以训练深度神经网络等机器学习方法。”在接受《中国科学报》采访时,南京航空航天大学自动化学院博士生李伟表示。

当前,不少公司开发了仿真系统,比如英特尔的CARLA、微软的AirSim、英伟达的Drive Constellation等,它们主要是利用游戏引擎或高保真计算机图形(CG)模型来创建驾驶场景,即结合计算机图形、物理建模和机器人运动规划技术来构建一个合成环境,然后在该环境中对运动的车辆进行动画制作和渲染。

不过,这些仿真系统虽然取得了不错的合成渲染结果,却存在很大局限。一方面,由于对高保真环境模型的需求,创建逼真CG 模型的成本非常高;另一方面,汽车、行人等运动障碍的动画制作较为生硬,缺乏真实场景的灵活性,而且系统无法生成城市环境中的诸多不同场景,丰富性不够。

“简单来说,利用现有技术开发的仿真系统,最大的问题就是不够真实。”李伟解释道,“因为它是虚拟出来的,所以效果跟真实路测有很大的差距。”

《基于数据驱动算法的增强自动驾驶仿真》就致力于解决这些问题。

最大亮点是真实

“该研究成果介绍了一种增强现实的自动驾驶仿真系统,通过模拟交通流来增强现实世界图像,进而创建逼真的、媲美现实世界渲染的仿真场景,为自动驾驶车辆提供更为可靠且廉价的实验室模拟方法,可大规模用于训练和测试评估自动驾驶系统的路径规划和决策算法。”对李伟的这项研究,他的导师、南京航空航天大学自动化学院教授龚华军予以肯定。

李伟向《中国科学报》介绍说,逼真的道路场景来自于实采,即使用激光雷达(LiDAR)和相机扫描街景,然后根据获得的轨迹数据,为汽车、行人等生成交通流,并将其合成到背景中;同时,合成图像还可以基于不同视角和传感器模型(LiDAR或相机)进行再合成,最后应用于自动驾驶测试。

“自动驾驶汽车依赖于感知模块和导航模块,感知模块接收并解释现实世界的信息,导航模块根据感知的信息作出决定,比如转向哪里、是否刹车或加速等。”美国肯塔基大学教授、李伟在美国联合培养期间的导师杨睿刚说,不同于现有的仿真系统,AADS能更准确、更真实地模拟自动驾驶汽车在路上接收到的信息,在感知层面更接近于真实世界。

“打个比方,如果说一些厂商做的仿真系统看上去像动画,那么AADS就是真人COSPLAY。”李伟举例说道,“该研究成果之所以受学术界认可,就是因为其真实性,同时这也是它的最大亮点。”

他表示,仿真与实际场景之间必然存在一定的差异,而他所做的,就是尽量缩小这个差异。“如果在一个不够真实的环境中通过了模拟测试,实际应用时仍然可能遇到各种问题;如果在一个非常接近真实的环境中通过了模拟测试,实际应用效果就会好很多。”李伟说,越接近真实,测试就会越有效。

弥补与现实环境的差异

在杨睿刚看来,这项研究填是一种突破性的仿真技术,将更精确、更真实地测试自动驾驶系统,极大地加快自动驾驶技术的成熟与落地。

实际上,李伟及研究团队也曾面临现有仿真系统在呈现真实交通流、驾驶员与行人的互动等场景中存在诸多不足的问题。

“最大的难题,同样是如何将道路的真实情况进行仿真合成。”他说,现有的技术一般都是做室内场景图像合成,直接拓展到做室外场景图像合成并不能取得预期效果。

于是,他们就专门做了一种针对室外仿真系统图像合成的技术,仅用少量图像就可以实现视图插值和外推。“与之前的方法相比,它可以生成伪影像素更少的高质量图像。”

“我们这个系统其实就是在弥补与现实环境的差异,现在我们的研究应该是最接近真实的。”李伟说,“目前学术界和工业界尚未有特别针对自动驾驶的街景合成技术,而我们的研究则在这一点上完成了突破。”

据了解,该研究目前已经部分应用在自动驾驶系统的仿真、验证环节。

“当然,提升更多传感器的仿真效果(如LiDAR)、增加仿真场景的多样性、仿真更多现有自动驾驶系统容易失效的场景,能够进一步提升该系统的仿真能力。”杨睿刚说,同时,加入并行测试的功能,才能让该仿真技术适应企业级的大规模测试场景。

对此,李伟有更加具体的打算。

“我们不仅希望能够做一篇比较好的论文,更希望把研究成果应用到更多地方。但在此之前,还有很多研究工作要做。”他说,仿真系统本身是比较庞大的,包括图像仿真、激光雷达仿真以及车流移动仿真等,还需要一些更深的技术将整个系统加以完善。“比如,现在的合成基于采集的图像,但采集的图像是固定的,所以我们需要通过一些方法,实现白天合成晚上、晴天合成阴天,只有这样,驾驶系统才能仿真各种各样的场景,提高测试覆盖面,并减轻前期采集的工作量。”

《中国科学报》 (2019-04-18 第7版 信息技术)