登陆

AI-core:用于自动驾驶体系高质量测验和验证的人工智能

admin 2019-12-04 218人围观 ,发现0个评论

Vishnukumar, Harsha Jakkanahalli, Bjrn Butting, Christian Mller, and Eric Sax. "Machine learning and deep neural network—Artificial intelligence core for lab and real-world test and validation for ADAS and autonomous vehicles: AI for efficient and quality test and validation." In 2017 Intelligent Systems Conference (IntelliSys), pp. 714-721. IEEE, 2017.

研讨布景:

在人类驾驭或一般车辆中,驾驭员彻底有职责在驾驭进程中采纳正确的纠正办法。但在某些情况下,车辆驾驭员没有才能采纳操控纠正办法,从这个视点来看,这被认为是缺少可控性,因而体系有必要规划到更高的轿车安全完整性水平。主动驾驭体系有必要称为首要的反常处理程序人物,并能够处理毛病、过错障和做出超出指AI-core:用于自动驾驶体系高质量测验和验证的人工智能定的操作条件。主动驾驭轿车是轿车工业的未来,最重要的是要对轿车进行测验和验证,以保证其功用性和契合安全规范。

在轿车工业中,安全要害操控体系开发进程中的不同阶段一般运用V模型进行衔接。V模型运用自顶向下的办法进行规划,运用自底向上的办法进行测验和验证。车辆测验包含处理器/操控器在环测验,软硬件在环测验,集成级测验以及整车测验。然而在实践的测验中,并不严厉遵从这个序列中的一切阶段,乃至或许阅历几个迭代循环。当时面对的应战之一是如安在v模型的不同测验和验证阶段促进有用的交互。测验和验证的另一个应战是为有用和高效的测验和验证进程开发测验用例和测验场景。

处理的问题:

1)咱们无法知道还要做多少作业才能使主动驾驭轿车具有牢靠的安全性呢,咱们不知道怎么承认车辆是否满足安全,没有一个规范来界说主动驾驭体系的安全性。

2)传统的车辆测验包含处理器/操控器在环测验,软硬件在环测验,集成级测验以及整车测验。咱们仍在运用老旧的测验技能测验新时代的主动驾驭轿车。

3)应该完成为高效的测验和验证进程开发测验用例和测验场景,尽或许多的有用的测验用例和场景,在最终不会为任何过错或体系毛病留下空间。

4)如安在V模型的不同测验和验证阶段促进有用的交互。

试验办法:

1. 测验场景分类

上图即V模型,在这个进程中规划许多模块,每个模块都有数据的输入输出以及数据处理剖析进程,整个流程数据量极大。进行实践测验时,体系中会有每个传感器的数据,交融数据, 总线数据和实时核算数据(如此巨大的数据也能够称为大数据),这些大数据包含很多的测验场景,包含人的反响以及相应的周边环境。来自实在国际测验的数据被获取并输入到机器学习体系中,机器学习体系经过预练习以了解各种功用、场景和周围环境。区别不同测验场景的一种办法是运用VUT与周围环境的反响,体系不只会对测验用例或场景进行排序,还会对数据进行通用规范格局的转化,并将一切需求的数据保存到数据库中。然后,数据库中的数据被适当地输入到V模型中不同的试验室测验阶段。反响能够是直接的,也能够是经过操控块进行的。在直接反响中,所记载的/记载的数据在测验阶段进行排序和重放,如环路中的软件和环路仿真中的硬件,一个很好的比如是,在相机体系的环路测验中,在软件和硬件中记载和回复。在受控反响中,传感器数据和场景能够经过操控块参数改动来改动,而现有的数据和场景能够重复运用,构成很多的测验衍生场景。然后,机器学习体系在仿真环境中操控周围的参数,帝国的崛起为被测车辆/功用创立特定的测验场景。车辆/功用的驱动输入也由AI-core供给。反响被记载下来,自我车辆/功用在仿真环境下进行虚拟测验,有用地主动生成有用的新测验用例和场景。为了对场景进行分类,机器学习/深度学习体系应该辨认周围环境,包含周围动态目标的动作,如其他车辆、行人、动物、路途情况、天气情况等。派生场景转化为规范的通用格局(如OpenSCENARIO)并存储在数据库体系中。经过排序后的场景被反响到V模型的不同阶段,完成了从扑朔迷离的大数据中别离出各个阶段所需详细场景的功用。从练习会集别离出的场景可用于V模型的不同阶段。必要的、要害的和有必要的测验场景被记载下来,并经过主动化车辆和主动化的周围环境在实在的环境中重复履行,经过试验室和实在的测验和验证来完成闭环模型。

2. 测验场景主动生成

开端AI-core的练习依赖于测验场景,测验用例和场景边界条件,AI-core将进行虚拟仿真测验环境运用可用的测验场景,并进一步生成新的测验用例和场景来进行高效和准确的测验。机器学习体系在仿真环境中对周围的参数进行操控,如:其他车辆、照明、行人、交通密度、路途类型、基础设施、骑自行车的人,建筑工地在路上,事端,倒下的树,环境参数如阳光、雨、雾、风和漆黑在夜间驾驭条件等。此外,机器学习体系不只会改动上述周围环境参数也改动和子参数细节,如:周围车辆的色彩,周围车辆的可见性,反射,暗影,行人的高度,自行车的长度,其他车辆的速度,首要是每个周围的物体将怎么构成自我车辆或功用的详细测验场景。主动驾驭体系的输出被分类并记载在数据库中,有需求的时分专家能够对其进行检查。然后,体系将测验场景分类为成功的、要害的、不知道的和失利的测验用例,这些测验用例能够由V模型循环迭代中的人员进行检查,以便在必要时发现和纠正违背规范的当地。要害的测验用例随后被带到下一层测验,这是在实在环境中,在测验场上有实在的车辆。机器学习体系现已有用地生成和挑选了测验用例,这些测验用例是咱们人类需求花费很多的时刻和精力的(重要的是要记住,机器学习体系是依照这样一种办法进行编程和开发的,即它总是在边界条件内创立测验用例,以使主动AI-core:用于自动驾驶体系高质量测验和验证的人工智能驾驭体系在测验中失利)。

试验成果:

上图是一个派生的V模型,代表了有用地将试验室测验和验证与实际国际中的测验和验证联系起来的阶段办法。

上图是AI-core (Machine learning system)的笼统层次表明,操控派生测验场景,在仿真环境中进行测验,验证测验中自我载体或自我功用的某些方面。

总结:

本文提出了一种办法,经过运用所提出的阶段办法,将各个开发阶段的单个体系的测验和验证与整个体系的测验和验证联系起来。数据从实在国际测验中获取或记载下来,然后输入到经过练习的机器学习/深度神经网络体系中,以规范的通用格局派生和分类测验场景。操控体系的根本反响回路经过一个经典的工厂模型来构成闭环,一切额定的输入数据都来自于数据库体系中排序好和规范化的数据,这些数据在V模型的一切阶段都能够拜访。有必要运用规范(如OpenSCENARIO)来规范化和泛化这种办法。这种办法引入了虚拟测验和验证功用。

经过练习后的AI-core,新生成的测验数据,测验用例和测验场景,数据库和反响办法,将显着削减人工过错和推迟,提高了整个进程的功率。这种高效、自学习和通用的办法是测验这些新时代未来的主动驾驭轿车和带有高档辅佐驾驭体系体系的轿车所必需的。在办法的第二阶段,将使测验和验证逐渐成为一个自主的进程,最终使进程智能化、高效化和主动化,最终使路途安全更快完成。

考虑与未来展望:

未来的研讨方向是将这种办法扩展到在实在国际中具有彻底自主操控环境的下一代高档辅佐驾驭体系体系和主动驾驭轿车的彻底自主测验和验证。机器学习体系乃至能够扩展到操控多辆车和机器人,一起操控本身车辆生成并在最终有成功的可重复的测验场景,这对咱们来说意味着咱们能够用实在的车辆进行测验,有用地到达边界条件(这儿的边界条件指的是临界条件,在这种条件下,车辆依然能够操控,磕碰能够防止),但在测验期间不会发作任何一个不想要的磕碰。因为机器学习体系的习惯性很强,因而不管轿车制造商、开发办法或触及的功用怎么,体系都能很容易地习惯并开端测验。

称谢

本文由AI-core:用于自动驾驶体系高质量测验和验证的人工智能南京大学软件学院2019级硕士邓靖琦翻译转述。

感谢国家自然科学基金项目(重点项目)智能软件体系的数据驱动测验办法与技能(61932012)赞助

  • 极彩在线登录密码-中德人士共话经贸出资协作:携手协作才干互利共赢
  •   会议表明,要把狠抓执行、抓好执行作为一切作业的底子,各部分各单位要结合

  • 西安经开区吹响彻底治愈欠薪“集结号”

    2020-01-24
    请关注微信公众号
    微信二维码
    不容错过
    Powered By Z-BlogPHP