基于LEAVS平臺功能優(yōu)化設(shè)計

胡若軒 孫偉 吳澤毓

摘要：面對傳統(tǒng)汽車算法、碰撞測試受限于物理環(huán)境及運營資金，無法滿足相關(guān)領(lǐng)域的訓(xùn)練和驗證等問題，本文基于虛擬現(xiàn)實的無人駕駛訓(xùn)練測試仿真平臺LEAVS進行優(yōu)化。LEAVS是一個包含傳感器、數(shù)據(jù)采集以及算法驗證模塊的自動駕駛平臺，基于其優(yōu)化后的LEAVS二代，核心模塊以自動駕駛中包含的人機交互作為切入點，收集真實場景物理數(shù)據(jù)，構(gòu)建與真實環(huán)境一致測試場景，架設(shè)新型傳感器反饋體系，完成數(shù)據(jù)收集與整理框架平臺，測試、分析并驗證自動駕駛算法，實現(xiàn)一個集自動駕駛汽車測試、問題診斷、險情復(fù)現(xiàn)、算法調(diào)整于一體的仿真系統(tǒng)。并且支持測試并驗證自動駕駛的感知、決策和控制三大主要技術(shù)。關(guān)鍵詞：自動駕駛；仿真平臺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 背景人機交互在橋接網(wǎng)絡(luò)物理系統(tǒng)層面發(fā)揮著重要作用。無人駕駛車輛是這種交互的完美示例，它提供了從環(huán)境感知到網(wǎng)絡(luò)空間智能決策的反饋回路，并實現(xiàn)了無故障決策。在現(xiàn)實世界中進行大量此類測試的代價高昂，通常使用仿真環(huán)境進行模擬測試。當(dāng)前的大部分的仿真環(huán)境都支持人工輸入數(shù)據(jù)，但并非所有仿真環(huán)境都可以對人類決策進行推理和理解，并推動與不斷變化的環(huán)境的交互。要進行真正的“自主”駕駛車輛測試，仿真平臺應(yīng)具備自主學(xué)習(xí)能力。雖然在仿真平臺上很容易獲得大量數(shù)據(jù)，但很難處理這些數(shù)據(jù)，并將這些數(shù)據(jù)轉(zhuǎn)化為車輛可理解的有效命令，如自動道路引導(dǎo)，環(huán)境感知，交通碰撞檢測和恢復(fù)。當(dāng)前諸多工具集的另一個重要問題是他們?nèi)狈缮炜s性和適應(yīng)性。商業(yè)工具是針對需求開發(fā)的，因此很難加入新的傳感器算法或檢測工具。開源平臺對最新的學(xué)習(xí)算法支持度不佳。因此需要一種工具來彌合兩者之間的差距，并改善自動駕駛的算法實現(xiàn)。LEAVS 通過在目標(biāo)車輛的不同位置放置新的傳感器（例如場景圖傳感器，深度傳感器等）來提供智能感測服務(wù)。利用這些新傳感器，對許多運行時收集的數(shù)據(jù)進行數(shù)據(jù)分析。傳感器模塊優(yōu)化LEAVS二代提供了用戶自定義傳感器的功能，以提供對自動駕駛中新技術(shù)和工具的支持。平臺原生車輛信息傳感器和環(huán)境信息傳感器。車輛信息傳感器可收集車輛 的駕駛信息，包括但不限于位置，速度，檔位，轉(zhuǎn)向，轉(zhuǎn)速，制動等。環(huán)境信息傳感器收集車輛周圍的環(huán)境信息。環(huán)境信息傳感器有五種類型，場景圖傳感器，深度圖傳感器，灰度傳感器，紅外傳感器和物體分割傳感器。數(shù)據(jù)收集平臺優(yōu)化當(dāng)研究軟件收集所需數(shù)據(jù)后，可以對其進行分析。LEAVS平臺在優(yōu)化后可以收集如車速、方向、碰撞等數(shù)據(jù)，利用車輛信息傳感器采集的數(shù)據(jù)，可以分析齒輪與速度的關(guān)系，油門對車速的影響以及參數(shù)制動對制動時間的影響等。此外，結(jié)合數(shù)據(jù)可視化系統(tǒng)將加速度、速度和轉(zhuǎn)向角的數(shù)據(jù)直接呈現(xiàn)，LiDAR 所探測的數(shù)據(jù)直接通過 WebGL 可視化，物體識別算法將物體識別后，再導(dǎo)出數(shù)據(jù)，最終讀取物體數(shù)據(jù)并展示出來。算法驗證模塊優(yōu)化算法平臺的設(shè)計主要是為研究人員提供驗證算法的一個平臺，而非提供算法 本身。在算法平臺上，研究人員可以提出、驗證、改進自己想法，其中涵蓋的算 法包括但不限于以下內(nèi)容： 物體識別（Object Recognition）：作為人工智能研究人員試驗自動駕駛汽車的 深度學(xué)習(xí)，計算機視覺和強化學(xué)習(xí)算法的平臺，通過 LEAVS 的接口，無需與平臺 之間的直接交互即可檢索數(shù)據(jù)和控制車輛。卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為圖像處理 的主要學(xué)習(xí)模型，輔以 SSD 檢測圖像特征。通過圖像卷積和匯集步驟以構(gòu)建多層 神經(jīng)網(wǎng)絡(luò)，強化模型的泛化性，實現(xiàn)全方位、多角度的物體識別。自動駕駛（Autonomous Vehicle）：DQN 的端到端深度學(xué)習(xí)的自動駕駛算法是一 種建模策略。與傳統(tǒng)方法不同，此策略不是基于特征工程。而是將原始輸入映射 到直接輸出，通過 LEAVS 中構(gòu)建的真實場景模擬環(huán)境，收集大量數(shù)據(jù)來訓(xùn)練自動 駕駛汽車模型。相比于真車訓(xùn)練，在 LEAVS 中訓(xùn)練的自動駕駛具有了更高的容錯 性，并節(jié)省了開支。通過此算法，汽車僅由一個取景傳感器提供反饋結(jié)果來指引駛達指定地點。結(jié)論本文基于對LEAVS的優(yōu)化，已實現(xiàn)在山地公路中的端對端（ E2E）自動駕駛深度學(xué)習(xí)模型，也實現(xiàn)了記錄車輛行駛數(shù)據(jù)，包括但不限于轉(zhuǎn)向角，加速度，速度，氣壓，灰度 圖，熱度圖，正向行駛圖，相對坐標(biāo)，絕對經(jīng)緯等信息。為構(gòu)建一個智慧城市的原型架構(gòu)，讓無人機、汽車、和人類的交互可以在其中完美的實踐預(yù)先構(gòu)想的算法與模型，并且在相應(yīng)的數(shù)據(jù)可視化算法操作后可以用 作更深層次的分析與運算。最終通過這個平臺訓(xùn)練出足夠智慧的自動駕駛算法、 無人機運行算法、地面物體識別算法、單光子通訊算法等。參考文獻[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.