Simulasi sangat penting untuk mempercepat pengembangan metode desain di banyak industri. Di bidang sistem swakemudi otomotif, simulasi secara tradisional digunakan untuk menguji algoritma perencanaan dan kontrol gerak. Simulasi berulang digunakan untuk mengembangkan sistem pengenalan di mana data dari sensor lalu lintas direkam dan diputar ulang menggunakan berbagai tumpukan perangkat lunak verifikasi kinerja. Namun, simulasi ini sebagian besar terbatas pada skenario yang ditemukan di mobil sungguhan.
Ada jenis simulasi lain yang menjadi semakin penting - pembuatan data buatan berkualitas tinggi yang secara akurat menyampaikan informasi tentang situasi lalu lintas yang sebenarnya. Masalah dengan penggunaan data jalan secara eksklusif adalah bahwa sejumlah besar data harus dikumpulkan dan dipetakan untuk mendekati batas modul pengenalan di berbagai wilayah operasional. Selain itu, algoritma pengenalan tidak lagi sesuai dengan data yang tersedia dan gagal saat beroperasi di luar lingkungan kerja dan dalam kondisi lain. Pada gilirannya, data sintetis dapat dibuat dengan cepat dan murah, dan deskripsinya dibuat secara otomatis menggunakan pengetahuan dasar tentang lingkungan simulasi.
Masalah pembuatan data sintetis untuk modul persepsi
Meskipun tugas pemodelan data sintetis untuk sensor tampak sederhana dan jelas, sebenarnya ini sangat sulit. Selain menciptakan lingkungan sintetis yang realistis untuk wilayah yang berbeda (misalnya, San Francisco atau Tokyo), pemodelan setiap jenis sensor memerlukan pengetahuan mendetail tentang sifat fisik dasar dan karakteristik berbagai sensor yang digunakan dalam industri. Selain itu, meskipun simulasi dapat menjadi lebih lambat secara signifikan untuk aplikasi lain daripada dalam waktu nyata, sebagian besar algoritme mengemudi tanpa pengemudi memerlukan kinerja yang hampir seketika. Dengan demikian, diperlukan tingkat kinerja simulasi dan akurasi yang berbeda dalam kasus penggunaan yang berbeda.
Meskipun upaya signifikan telah dilakukan untuk memodelkan masing-masing sensor, para ahli berharap bahwa dalam waktu dekat akan ada kesenjangan yang mencolok antara data nyata dan sintetis. Algoritme perseptual dapat dilatih pada data nyata dari sensor dan diuji pada data sintetik (transisi dari data nyata ke sintetik) dan sebaliknya (transisi dari data sintetik ke riil), dan algoritme jenis berbeda akan bekerja dengan cara yang berbeda. Masalah ini tidak terbatas pada data simulasi. Algoritme perseptual dengan kumpulan sensor khusus yang dilatih di jalan California cenderung berperforma lebih buruk dengan kumpulan sensor yang berbeda. Selain itu, algoritme ini mungkin tidak berfungsi dengan baik saat diuji di jalan raya di wilayah lain.
Angka: Langkah 1 - menguji sistem persepsi pada data sintetis
Penciptaan lingkungan sintetis 3D
Banyak pendekatan untuk menciptakan lingkungan telah dikembangkan sebagai hasil kerja puluhan tahun di industri hiburan. Namun, terdapat perbedaan signifikan antara industri self-driving dan entertainment. Meskipun ada tuntutan tinggi pada fotorealisme di kedua area, ada persyaratan tambahan untuk lingkungan kendaraan otonom: mereka harus dibuat dengan murah dan cepat (sementara di industri hiburan dapat memakan waktu berbulan-bulan), harus sangat realistis (seperti untuk mata manusia dan untuk sensor) dan variabel, dan juga harus mendukung beberapa kasus uji.
Biasanya lingkungan 3D dibuat dengan tangan - seniman 3D membuat aset dan menempatkannya di dunia ciptaan. Pendekatan ini menghasilkan hasil fotorealistik dan bagus untuk demonstrasi. Namun, karena sifatnya yang manual, ia tidak menyesuaikan skala untuk membuat wilayah virtual dari seluruh dunia dan tidak mengizinkan lingkungan virtual sebanyak yang diperlukan untuk menguji kendaraan tak berawak. Dengan demikian, kita dihadapkan pada keterbatasan lingkungan virtual.
Pendekatan alternatif adalah dengan menggunakan teknik pemindaian dunia nyata untuk memastikan bahwa lingkungan binaan sesuai dengan polanya. Kekurangan dari metode ini adalah data di dunia nyata sering mengalami banyak kesalahan dan ketidakakuratan. Karena pencahayaan dipanggang dan bahan tidak dapat ditentukan dari permukaan, kamera dan lidar hanya memberikan data perkiraan. Selain itu, lingkungan mungkin berisi celah, deskripsi yang salah, dan objek bergerak yang harus dihapus. Selain itu, metode ini mengedepankan kebutuhan sumber daya yang signifikan untuk penyimpanan dan komputasi data, dan hanya dapat mensimulasikan area yang ditemukan di kehidupan nyata.
Pendekatan yang relatif baru adalah penciptaan dunia virtual berdasarkan generasi prosedural. Dengan cara ini, daerah dan kota yang luas dapat dengan cepat dibuat berdasarkan berbagai input data, yang menghasilkan penciptaan dunia menggunakan metode matematika (Gbr. 2). Ini juga memungkinkan Anda menentukan banyak lingkungan berbeda untuk mencegah overfitting. Parameter seperti waktu atau cuaca dapat diubah selama anotasi tersebut akurat. Secara umum, peta baru dapat dibuat dalam waktu singkat yang diperlukan untuk membuat lingkungan virtual secara manual. Kompleksitas dari pendekatan ini terletak pada memastikan pembuatan objek dunia nyata berkualitas tinggi tanpa pengeditan manual.
Angka: 2: resolusi tinggi yang dihasilkan bangunan secara prosedural
Simulasi sensor yang akurat
Saat membuat data sintetis, lingkungan yang kita bicarakan di atas digunakan sebagai data masukan untuk sensor. Sensor ini harus mampu mensimulasikan perkiraan kedalaman lidar, karakteristik pembentukan sinar radar digital, dan sumber kebisingan di kamera. Di saat yang sama, sensor ini harus cukup kuat untuk melakukan pengujian perangkat lunak dan perangkat keras atau bekerja dengan aplikasi pembelajaran mesin yang membutuhkan data dalam jumlah besar.
Meskipun asumsi bahwa sebuah sensor dapat menangani ratusan atau ribuan kondisi dan topologi yang berbeda, pada akhirnya semuanya harus mematuhi prinsip fundamental yang sama dari transfer energi dan teori informasi. Struktur simulasi sensor yang dipikirkan dengan matang dapat memberikan fleksibilitas pada struktur yang digunakan di lingkungan yang berbeda. Filosofi fundamental ini dilandasi oleh keinginan untuk mentransfer alat untuk merancang sistem elektro-optik dan sistem pemrosesan sinyal dari dunia desain sensor ke dunia simulasi dan teknologi penginderaan.
Bahkan jika suatu sistem dipikirkan dengan baik dari sudut pandang teoritis, itu hanya berharga karena dapat menangkap properti mitranya dari dunia nyata. Tingkat korelasi antara realitas dan model sangat bergantung pada kasus penggunaan. Dalam skenario sederhana, tabel pivot sederhana dari data mungkin cukup, sementara dalam kasus lain penilaian statistik kuantitatif dari berbagai properti dan karakteristik mungkin diperlukan - ini biasanya melibatkan kombinasi eksperimen laboratorium dan lapangan untuk menentukan properti spesifik dari sensor. Dengan demikian, kinerja sensor simulasi (dan keakuratan simulasi itu) dapat dipandang sebagai ilmu di mana tolok ukur diambil dan kemudian secara bertahap diturunkan.
Angka: 3: simulasi lidar berputar dengan 128 laser
Efisiensi dan pengulangan data sintetis
Ada dua aspek yang membatasi kegunaan data sintetis - efisiensi dan pengulangan. Untuk berbagai alasan, tantangan terbesar dalam simulasi sensor untuk sistem self-driving adalah akurasi yang dapat dicapai dalam persyaratan pemrosesan waktu nyata. Akurasi dan performa juga terkait erat dengan skalabilitas generasi sensor sintetis. Untuk membuat solusi yang skalabel, penggunaan resource secara paralel menjadi semakin penting.
Koordinasi sumber daya ini secara alami membawa kita pada masalah pengulangan. Agar paralelisasi bermanfaat, keseimbangan harus dicapai antara pemodelan paralel dan non-paralel. Determinisme adalah komponen kunci yang memungkinkan teknisi menguji perubahan pada algoritme mereka secara terpisah sambil memanfaatkan berbagai kemampuan pemodelan.
Simulasi sensor: adaptasi pada kasus khusus
Setelah metode untuk mengembangkan lingkungan dan sensor telah dibuat, pertanyaan berikutnya akan muncul - apakah data sintetis yang diperoleh cukup untuk semua kasus penggunaan? Kasus penggunaan dapat bervariasi bergantung pada tingkat ketersediaan perangkat lunak, dari memvalidasi penempatan sensor menggunakan data sintetis hingga menguji sistem produksi akhir sebelum menerapkannya.
Setiap kasus penggunaan memiliki persyaratan yang berbeda untuk tingkat akurasi model. Tingkat presisi ini mengatur proses verifikasi dan validasi. Verifikasi menjelaskan proses penentuan kesesuaian model yang dihasilkan dan spesifikasi asli (apakah kami berhasil membuat apa yang kami rencanakan?). Verifikasi juga terkait dengan definisi determinisme (apakah hasil model direproduksi setiap kali dalam kondisi yang sama?) Dalam validasi, yang terjadi adalah sebaliknya: untuk menentukan apakah model memenuhi kebutuhan aplikasi target, persyaratan pengguna akhir diperhitungkan. Dalam beberapa kasus, bahkan menggunakan perkiraan kasar ke model fisik yang mendasari sensor dapat diterima. Namun, kasus penggunaan uji produksi memerlukan model sensor sintetis yang telah diuji dalam kondisi laboratorium,dan dalam kehidupan nyata - ini diperlukan untuk memastikan kepatuhan yang akurat dengan tingkat ketidakpastian yang dapat diterima.
Tugas mengevaluasi model sensor juga lebih kompleks daripada sekadar memeriksa level sinyal keluaran. Meskipun ini berlaku untuk banyak teknologi sensorik dalam sistem self-driving, pengguna akhir juga tertarik untuk membuat model persepsi berfungsi secara efisien pada data sintetis dan nyata. Model ini dapat didasarkan pada visi komputer atau dibuat menggunakan berbagai teknik pembelajaran mesin dan pembelajaran mendalam. Dalam kasus penggunaan ini, sumber ketidakpastian tidak diketahui (jika model sensor tidak dipercaya sepenuhnya).
Pendekatan Intuisi Terapan
Intuisi Terapan telah mengembangkan alat Simulasi Sistem Persepsi dari bawah ke atas untuk memecahkan masalah yang dijelaskan di atas. Alat ini mencakup alat untuk membuat lingkungan berskala besar, mengembangkan sensor dengan berbagai tingkat akurasi, dan memungkinkan pengujian berdasarkan kasus penggunaan. Pembangkitan lingkungan prosedural dilakukan melalui pipeline unik yang fleksibel dalam hal area geografis, aplikasi penggerak otonom, dan sumber data.
- Sistem kontrol serial pertama Rusia untuk mesin bahan bakar ganda dengan pemisahan fungsi pengontrol
- Di mobil modern, ada lebih banyak baris kode daripada ...
- Kursus Online Gratis di Otomotif, Dirgantara, Robotika dan Teknik (50+)
- McKinsey: memikirkan kembali arsitektur perangkat lunak dan elektronik di otomotif
Tentang ITELMA