自治车辆可以遵循美国道路的一般规则,识别交通信号和车道标记,注意到人行横道和街道的其他常规功能。但他们只在仔细扫描和预先映射的良好道路上工作。
然而,许多铺砌的道路有褪色的油漆,迹象掩盖了树木和不寻常的交叉口。此外,140万英里的美国公路- 该国公共道路的三分之一 - 未铺砌,没有路线信号,如车道标记或停止此处。这不包括数英里的私人道路,未铺砌的车道或越野小径。
当规则不明确或不存在时,如何进行规则之后的自动课程是什么?当他们发现他们的车辆时,它的乘客是什么,不能让他们要去哪里?
会计晦涩难懂
开发先进技术的大多数挑战都涉及处理不常见或罕见的情况或需要超出系统正常功能的性能的事件。那绝对是自动驾驶汽车也是如此。一些道路上的例子可能是通过施工区域,遇到马和四轮马车,或看到涂鸦,看起来像一个停止标志。越野的可能性包括各种各样的自然世界,如树木倒在路上,洪水和大水坑,甚至动物阻塞的道路。
在密西西比州州立大学高级车辆系统中心我们已经接受了训练算法的挑战,以应对那些几乎从未发生、难以预测和复杂创造的情况。我们试图把最难的可能的场景:自主汽车驾驶在汽车没有先验知识,没有可靠的基础设施如道路油漆和交通标志,在一个未知的环境中,它只是像北极熊一样可能会看到仙人掌。
我们的工作结合了虚拟技术和现实世界。我们创建了我们用来训练的栩栩如生的户外场景的高级模拟人工智能算法用摄像头给它拍照,把它看到的东西分类,标出树木、天空、开阔的道路和潜在的障碍。然后,我们将这些算法转移到一辆特制的全轮驱动测试车辆上,并将其送到我们专门的越野测试赛道上,在那里我们可以看到我们的算法是如何工作的,并收集更多的数据,以提供给我们的模拟。
从虚拟
我们有开发了模拟器这可以为车辆创造各种逼真的户外场景来导航。该系统产生了一系列不同气候的景观,如森林和沙漠,并且可以展示植物,灌木和树木随着时间的推移而增长。它还可以模拟天气变化,阳光和月光,以及9,000颗恒星的准确位置。
该系统还可以模拟自动驾驶车辆中常用的传感器的读数,比如激光器和相机。这些虚拟传感器收集数据神经网络作为有价值的培训数据。

模拟沙漠,草地和森林
生成的环境
密西西比州州立大学自治
汽车模拟器。来源:克里斯·古丁,密歇根州立大学
建立测试轨道
模拟只是他们对现实世界的描绘。密西西比州州立大学购买了50英亩的土地,我们正在开发越野自治车辆的测试轨道。该物业良好地用于越野检测,为我们的密西西比地区具有异常陡峭的成绩 - 高达60%的倾斜 - 以及一种非常多样化的植物。
我们选择了这片土地的某些自然特征,我们预期的自动驾驶车辆将特别具有挑战性,并在我们的模拟器中完全复制它们。这使我们能够直接比较模拟和现实寿命尝试的结果来导航实际的土地。最终,我们将创建类似的真实和虚拟配对的其他类型的景观,以提高我们的车辆的能力。

就像在现实生活中看到的那样,
左,并在模拟中。来源:克里斯·古丁/密歇根州立大学
收集更多的数据
我们也有建造测试车辆,称为Halo项目,具有电动机和传感器和电脑,可以导航各种越野环境。Halo Project Car具有额外的传感器,可以收集有关其实际环境的详细数据,这可以帮助我们构建虚拟环境以运行新测试。

Halo Project Car可以收集数据
关于在崎岖的路上驾驶和导航
地形。来源:贝丝·纽曼·韦恩/密歇根州立大学
例如,它的两个激光雷达传感器就是安装在相交的角度在汽车的前面,让他们的光束扫过接近的地面。他们可以一起提供关于表面粗糙或平滑的信息,以及捕获从草和其他植物和地面上的物品的读数。

激光雷达光束相交,扫描
车辆前面的地面。来源:克里斯·古丁/密歇根州立大学
我们已经从我们的研究中看到了一些令人兴奋的早期结果。例如,我们已经展示了在模拟环境中训练的机器学习算法在现实世界中也很有用的初步结果。就像大多数自动驾驶汽车的研究一样,目前仍有一个漫长的路要走但是,我们的希望是,我们为极端案例开发的技术也将有助于使自动车辆在今天的道路上更具功能。
Matthew Doude是MSU的高级车辆系统中心的副主任。Christopher Goodin是一位高级车辆系统中心的助理研究教授。Daniel Carruth是一名助理研究教授和人类因素和先进车辆系统的先进车系统助理主任。本文首次发布谈话。