广告
美国密西根大学Henry Liu团队提出全新自动驾驶汽车智能测试方法
2021-02-05 17:15:33· 来源：智车科技
本文来源：University of Michigan Transportation Research Institute (UMTRI）/ 导读 /2015年，埃隆马斯克猜测完全自动驾驶将会在2018年前实现；2014年，日产
本文来源：University of Michigan Transportation Research Institute (UMTRI）
/ 导读 /
2015年，埃隆·马斯克猜测完全自动驾驶将会在2018年前实现；2014年，日产汽车认为到2020年将会有多款无人驾驶汽车投放市场。然而，时至今日，完全自动驾驶汽车的商用之路似乎仍然遥远。是什么导致了自动驾驶汽车商用之路的不断延期？
提升测试效率
近日，美国密西根大学Henry Liu教授团队在国际知名杂志《自然》杂志的子刊《自然·通讯》（Nature Communications）发表题为“Intelligent driving intelligence test for autonomous vehicles with naturalistic and adversarial environment”的文章，文中指出当前自动驾驶汽车测试与评估方法的效率低下是阻碍自动驾驶汽车研发进展的重要原因，针对这个问题，文中提出了全新的测试环境生成方法，以替代当前普遍采用的片段化和离散化的场景测试方法，显著加速了自动驾驶汽车的测试效率。
安全性是自动驾驶汽车大规模投放市场的前提。然而，不同于传统车辆，自动驾驶汽车采用多种智能技术替代人类驾驶员，再考虑到车辆行驶环境的复杂性与安全事故的稀疏性，使得自动驾驶汽车的安全性能测试十分困难。当前，自动驾驶汽车的测试与评估主要通过仿真测试、测试场测试和开放道路测试进行。然而，由于安全事故的稀疏性，自动驾驶汽车需要累积几亿甚至几千亿公里级别的测试里程才能够有效验证其安全性能。即使完全通过仿真测试，想要积累如此规模的测试里程也是十分低效的。时至今日，国际著名自动驾驶汽车公司Waymo总共仅仿真了大约150亿测试里程。
为了解决这个难题，基于场景的测试方法被当前的工业界和学术界普遍采用。然而，场景一般是离散的、片段的，更适用于自动驾驶的功能性测试，比如交叉口左转等典型功能，但无法测试自动驾驶汽车投放开放道路之后的性能表现。当自动驾驶汽车行驶在高速公路、城市道路等交通环境时，需要经历连续的、不间断的复杂驾驶环境，这极大增加了场景的维度，产生了“维度灾难”，当前的场景测试方法均无法解决这个难题。
为了解决上述难题，Henry Liu教授团队提出了全新的驾驶环境生成方法。依托于美国密西根大学交通研究所的大规模自然驾驶数据，该方法首先构建了自然驾驶环境（Naturalistic Driving Environment），以复现真实道路环境中人类驾驶行为的分布特征，保证测试结果能够有效代表自动驾驶汽车在真实驾驶环境中的性能表现，即驾驶环境的“无偏性”。进一步的，借助于人工智能技术，训练背景车辆能够在特定时刻执行特定的动作，生成了自然而有挑战的驾驶环境（Naturalistic and Adversarial Driving Environment），在保持驾驶环境“无偏性”的同时，大幅度提升了测试环境的“挑战性”，有效降低了自动驾驶汽车所需要的测试里程，显著加速了测试效率。
落地应用
基于Henry Liu课题组之前开发的自动驾驶测试增强现实技术，该论文提出的方法将会在美国自动驾驶测试中心American Center for Mobility（ACM）落地应用。
ACM建立于2016年，占地500余英亩，包含长达2.5英亩的环状高速道路、700英尺长的弯曲隧道、双层天桥、十字路口、圆形交叉路口等丰富的驾驶环境，为多家自动驾驶公司提供测试服务。
ACM总裁兼首席执行官Reuben Sarkar指出，“基于增强现实和智能测试环境生成技术，在ACM行驶一公里将等价于在开放道路上行驶数百或数千公里，这将极大降低自动驾驶汽车测试的总成本，使得测试更加安全、可控和可重复。ACM认为这项技术将成为自动驾驶汽车研发的重要推动力。”
/ 导读 /
2015年，埃隆·马斯克猜测完全自动驾驶将会在2018年前实现；2014年，日产汽车认为到2020年将会有多款无人驾驶汽车投放市场。然而，时至今日，完全自动驾驶汽车的商用之路似乎仍然遥远。是什么导致了自动驾驶汽车商用之路的不断延期？
提升测试效率
近日，美国密西根大学Henry Liu教授团队在国际知名杂志《自然》杂志的子刊《自然·通讯》（Nature Communications）发表题为“Intelligent driving intelligence test for autonomous vehicles with naturalistic and adversarial environment”的文章，文中指出当前自动驾驶汽车测试与评估方法的效率低下是阻碍自动驾驶汽车研发进展的重要原因，针对这个问题，文中提出了全新的测试环境生成方法，以替代当前普遍采用的片段化和离散化的场景测试方法，显著加速了自动驾驶汽车的测试效率。
安全性是自动驾驶汽车大规模投放市场的前提。然而，不同于传统车辆，自动驾驶汽车采用多种智能技术替代人类驾驶员，再考虑到车辆行驶环境的复杂性与安全事故的稀疏性，使得自动驾驶汽车的安全性能测试十分困难。当前，自动驾驶汽车的测试与评估主要通过仿真测试、测试场测试和开放道路测试进行。然而，由于安全事故的稀疏性，自动驾驶汽车需要累积几亿甚至几千亿公里级别的测试里程才能够有效验证其安全性能。即使完全通过仿真测试，想要积累如此规模的测试里程也是十分低效的。时至今日，国际著名自动驾驶汽车公司Waymo总共仅仿真了大约150亿测试里程。
为了解决这个难题，基于场景的测试方法被当前的工业界和学术界普遍采用。然而，场景一般是离散的、片段的，更适用于自动驾驶的功能性测试，比如交叉口左转等典型功能，但无法测试自动驾驶汽车投放开放道路之后的性能表现。当自动驾驶汽车行驶在高速公路、城市道路等交通环境时，需要经历连续的、不间断的复杂驾驶环境，这极大增加了场景的维度，产生了“维度灾难”，当前的场景测试方法均无法解决这个难题。
为了解决上述难题，Henry Liu教授团队提出了全新的驾驶环境生成方法。依托于美国密西根大学交通研究所的大规模自然驾驶数据，该方法首先构建了自然驾驶环境（Naturalistic Driving Environment），以复现真实道路环境中人类驾驶行为的分布特征，保证测试结果能够有效代表自动驾驶汽车在真实驾驶环境中的性能表现，即驾驶环境的“无偏性”。进一步的，借助于人工智能技术，训练背景车辆能够在特定时刻执行特定的动作，生成了自然而有挑战的驾驶环境（Naturalistic and Adversarial Driving Environment），在保持驾驶环境“无偏性”的同时，大幅度提升了测试环境的“挑战性”，有效降低了自动驾驶汽车所需要的测试里程，显著加速了测试效率。
落地应用
基于Henry Liu课题组之前开发的自动驾驶测试增强现实技术，该论文提出的方法将会在美国自动驾驶测试中心American Center for Mobility（ACM）落地应用。
ACM建立于2016年，占地500余英亩，包含长达2.5英亩的环状高速道路、700英尺长的弯曲隧道、双层天桥、十字路口、圆形交叉路口等丰富的驾驶环境，为多家自动驾驶公司提供测试服务。
ACM总裁兼首席执行官Reuben Sarkar指出，“基于增强现实和智能测试环境生成技术，在ACM行驶一公里将等价于在开放道路上行驶数百或数千公里，这将极大降低自动驾驶汽车测试的总成本，使得测试更加安全、可控和可重复。ACM认为这项技术将成为自动驾驶汽车研发的重要推动力。”
广告
编辑推荐
最新资讯
-
联合国自动驾驶法规R157对L3级自动驾驶ALKS
2024-04-19 09:54
-
联合国自动驾驶法规R157对L3级自动驾驶ALKS
2024-04-19 09:45
-
联合国自动驾驶法规R157对L3级自动驾驶ALKS
2024-04-19 09:28
-
新能源汽车测试之方案篇——代码动态测试工
2024-04-19 09:22
-
测试仪器租赁：一种更好的设备采购方式，不
2024-04-19 09:18
广告
广告
