Otonom Sürüş için Test ve Doğrulama Teknolojileri EnvanteriTeknoloji
Daha önce, yabancı kurumlar araştırma yoluyla, otonom sürüşün insan sürücülerden daha güvenilir olduğu kanıtlanacaksa, en az 11 milyar milin gerçek veya simüle edilmiş bir ortamda sürülmesi gerektiğini önermişlerdi.
Ancak bu yöntemi tamamlamak zor, çünkü 11 milyar mil gitmek için gereken insan gücü, malzeme ve finansal kaynaklar çok büyük ve bu testi tamamlamak için yeterince uzun sürüyor.En çok yol test kilometresine sahip olan Waymo'nun bile tamamlaması 9 yıl sürdü. Gerçek yol testinde 10 milyon mil ve simüle edilmiş ortamda 5 milyar millik bir test.
Üstelik bu kadar çok şirket sürücüsüz otomobil üretip piyasaya sürmek istiyor.Şirketlerin kendi kendini test etmesine ek olarak, hükümetin bunları doğrulamak için bir dizi standart test yöntemine de ihtiyacı var.Bu standart test yöntemi de bu şekilde yapılırsa, otomatik sürüşün gelişi Görünürde hiçbir yerde yok. Peki nasıl test edeceksiniz? Bu makale birkaç test yöntemi sunar.
Otonom Sürüş Testi Teknolojisinin Geliştirilmesi
Ağustos 1997'den Ocak 2004'e kadar, Amerika Birleşik Devletleri California Üniversitesi, Berkeley PATH Binek otomobiller, otobüsler, ticari kamyonlar ve özel araçlarda 11 kez gerçekleştirildi. Otomatik otoyol sürüşünün gösteri testi . Gösteri testi, araç oluşturma sürüşü, filo bölme ve şerit değiştirme gibi bir dizi işlevsel testi gerçekleştirmek için manyetik sivri uç cihazı, atölye iletişimi, radar, GPS navigasyonu ve diğer teknolojileri kullanır ve yan şeritte filo kontrol sisteminin konumunu değerlendirmek için güvenli trafik ve gerçek trafik hedeflerini birleştirir. Uzunlamasına araçtan olan mesafenin dengesi.
Japonya AIST Lider SmartCruise 21 Demo 2000 Esas olarak araç işbirliği stratejisini uygulayan araçtan araca iletişimin gerçek zamanlı performansını, hızını ve paket kaybı oranını test eder ve değerlendirir.
2009 tarafından AB sponsorluğunda ve İngiltere'de Ricardo liderliğinde SARTRE gösteri denemesi Yukarıdaki iki testin test yöntemlerini entegre ederek şerit tutma, filo takibi ve araçtan araca iletişim gibi bir dizi teknolojiyi ayrı ayrı değerlendirdi ve değerlendirme sonuçlarına ve geliştirme ihtiyaçlarına göre bir sonraki araştırma planını formüle etti.
Mayıs 2011 by Hollanda Uygulamalı Bilimler Enstitüsü (TNO) ve Hollanda Yüksek Teknoloji Otomotiv Sistemleri İnovasyon Programı (HTAS) tarafından düzenlenen ilk GCDC yarışması, Hollanda'da Eindhoven ve Helmond arasındaki A270 yol test sahasında yapıldı. Yarışmada, akıllı sürüş araçlarının boylamsal kontrolü ve işbirliğinin performansını değerlendirmek için takımın uzunluğu, trafik ışıklarının sayısı ve takımın dengesi gibi göstergeler kullanılıyor. Yarışmanın amacı, otonom sürüşe dayalı kablosuz iletişim birlikte çalışabilirliğinin gerçekleştirilmesini hızlandırmak, işbirliğine dayalı sürüşü iyileştirmek ve trafik akışını iyileştirmek ve trafik sıkışıklığını azaltmak için gerçek zamanlı uygulamalara odaklanmaktır. Sınırlı yol kaynakları altında trafik akışını makul ve azami ölçüde artırın.
Stereo kameralar, 3D lidar, yüksek hassasiyetli dinamik konumlandırma ve yüksek performanslı hesaplama gibi yeni ekipmanların uygulanmasıyla, insansız araç test ve değerlendirme yöntemleri giderek daha olgun hale geldi.
Google sürücüsüz araçlar Mountain View, California'da tamamlanan yol testinde, tipik senaryoları, sistem performans sınırlarını ve kısıtlamaları kapsayan birleşik bir test ve değerlendirme yöntemi belirlendi.
Audi, Mercedes-Benz, Volkswagen, Delphi, Bosch Geleneksel otomobil şirketleri ve tedarikçileri sürücüsüz yol testi izinleri almış olsalar da, kontrol edilebilirlik, etkinlik ve kabul edilebilirlik için hala ADAS test ve değerlendirme yöntemlerini kullanıyorlar.
Tesla elektrikli araba Şirket, Google tarafından benimsenen "tek adımlı" strateji gibi olmasa da, kullanıcı verileri dönüşü ve deneyim etkilerini kullanarak otonom sürüşün olgunluğunu ve kabul edilebilirliğini istikrarlı bir şekilde iyileştirmek için OTA yükseltmelerini kullanıyor.
Çin'in akıllı sürüş testi ve değerlendirme yöntemi Çin'in karayolu tesislerinin karmaşıklığını ve özelliklerini, karayolu taşıt türlerini, yayaları, sinyal önlemlerini ve otomobil sosyalleştirme geliştirme aşamalarını dikkate almak, sonuçları insansız araçların zeka düzeyine göre bölmek ve geliştirmek için mevcut olgun ADAS test ve değerlendirme yöntemlerine güvenmek gerekir. Çevresel biliş, yol planlama, davranışla karar verme ve kontrol için kapsamlı fonksiyonel test ve değerlendirme yöntemleri.
Michigan Üniversitesi, Mcity'nin otonom sürüş hızlı test metodolojisi
Michigan Üniversitesi Makine Mühendisliği Okulu, değerlendirme sürecini hızlandırmak için bir yol geliştirdi. Bu yöntemler dizisi, olası tehlikeli durumlara ve bu durumda otonom araçlara yönelik karşı önlemlere odaklanır ve ardından otonom sürüşün güvenilirliğini değerlendirir. Geleneksel yöntemle karşılaştırıldığında, sermaye harcamalarını hızlandırabilir ve azaltabilir.
Kendi kendine giden arabaları test ederken dikkate alınması gereken konular şunlardır:
1. Bireysel sürücüsüz araba farklıdır, yani tehlikeler veya kazalarla uğraşırken farklı önlemler alınacaktır;
2. Mümkün olduğunca tüm senaryolarda farklı yolları, sürüş ortamlarını ve hava durumunu göz önünde bulundurmak gerekir;
3. Otonom araçların ilk günlerinde, otonom sürüş ve insan sürücülerin karışık bir durumu olacaktır, bu nedenle otonom araçlar ve insan tahrikli araçlar arasındaki etkileşim de dikkate alınmalıdır.
Michigan Üniversitesi tarafından önerilen değerlendirme sürecini hızlandırmanın ana fikri, gerçek sürüş ortamını farklı sahnelere ayrıştırmaktır.Bu ayrıştırılmış sahnelerin simülasyonu ve testi tekrarlaması kolaydır.Her belirli sahnede, yöntemlerine göre testi hızlandırın. Hızlandırılmış test yöntemini incelemek için araştırmacı, sürüş verilerinin altı aşamalı bir analizini gerçekleştirdi:
1. Gerçek sürüş sırasında büyük miktarda veri toplayın.
2. Verileri filtreleyin ve otonom araçlar ile insan güdümlü araçlar arasındaki değerli etkileşimi içeren verileri saklayın.
3. İnsanın sürüş davranışını, otonom araçlar için büyük bir tehdit oluşturan ve bir olasılık dağılımı olan rastgele bir değişken olarak modelleyin.
4. Günlük sürüşte kaza olmaması verilerini azaltın ve ardından bunları tehlikeli kaza verileriyle değiştirin.
5. Monte Carlo algoritması, hızlanma senaryolarında insan sürücüler ve otonom araçlar arasında yüksek frekanslı ve yüksek yoğunluklu etkileşimler oluşturmak için kullanılır.
6. Test sonuçlarını, gerçek durumlarda, otonom aracın performansını tersine çevirmek için istatistiksel analizi kullanın.
Altı aşamalı analiz yönteminden sonra, test sürecini hızlandırmak için temel olarak dört yöntem sağlanır:
1. Yolda güvenlikle ilgili önemli bir olayın sıklığına bağlı olarak, güvenli sürüş durumu hariç tutulur.
2. Bu artan olayların gerçek ortamdaki sürüş koşullarını hala doğru şekilde yansıtabilmesini sağlamak için önemli olayların sayısını istatistiksel olarak artırmak için önem örneklemesini kullanın.
3. Önemli olayların verilerini doğru bir şekilde çıkarmak için bir formül oluşturun, verileri test edin ve bunu gerekli test sayısını daha da azaltmak için kullanın.
4. Optimize edilmiş rastgele olaylarda, en karmaşık senaryolarda kilit olaylarda insan sürücüler ve otonom araçlar arasındaki etkileşim verilerini analiz edin.
Şu anda, testler iki senaryo için yapılmaktadır: takip ve sollama.
Bu iki durumda, test edilen araç arkadaki araçtır ve öndeki araç varsayılan olarak bir insan tarafından sürülürken öndeki aracın farklı davranışlarıyla başa çıkması gerekir. Bu iki sahne, olağan kaza mahallerinden seçilmiştir: Sollama sahnesinde, insan tahrikli bir araç, otonom aracın önünü keser ve otonom aracın arkasında insan tahrikli bir araç bulunur.
Farklı senaryolarda kaza olasılığı, kazanın yol açtığı yaralanma ve trafik çatışmalarının oranı dikkate alınacak, değerlendirilirken otomatik sürüşte bir veya daha fazla yolcunun olduğu ve orta derecede veya daha fazla yolcunun yaralanacağı varsayılacaktır.
Değerlendirme sonucunun doğruluğu davranış tarafından belirlenir ve değerlendirme sonucu doğrulama için gerçek simülasyon durumu ile karşılaştırılır. Yukarıdaki dört yöntem genel bir test sürecinde birleştirilirse, bu değerlendirme prosedürleri seti test süresini 3-10 milyon kat azaltabilir.
Otonom bir araç, en zorlu ve zorlu sürüş koşullarında bu şekilde 1.000 mil giderse, gerçek bir ortamda 300.000 ila 10 milyon mil sürmeye eşdeğer olabilir.
Gelecekte, daha fazla test senaryosu eklenecek : Sola dönüş, kavşak ve karşıdan gelen trafik dahil. Ek olarak, yalnızca araçlarla çarpışabilmeli ve yayalar ve bisikletlileri içermelidir.
Araştırmacılar ayrıca, yağmur, kar ve sis gibi sensörlerin getirdiği zorluklar gibi otonom araçların olası arızalarını analiz etmek için daha fazla anahtar senaryoya ihtiyaç duyuyor; yanıp sönen ışıklar ve diğer sürücülerin jestleri; hayır Trafik kurallarına uygun davranışlar, kırmızı ışıkta koşan araçlar veya düzensiz yoldan geçen yayalar; ağır vasıtaların, binek araçlar ve ağır vasıtalara göre daha yavaş olmaları nedeniyle sürüş davranışları.
Derin sinir ağı (DNN) tarafından yönlendirilen sürüş sistemi test teknolojisi
Derin sinir ağlarının (DNN) yakın zamandaki gelişimi, DNN güdümlü otonom arabaların gelişimini teşvik etti.Bu arabalar, kamera ve lidar gibi sensörleri kullanıyor ve insan müdahalesi olmadan kendi kendilerine gidebiliyorlar.
Bununla birlikte, DNN'nin etkileyici sonuçlarına rağmen, tıpkı geleneksel yazılımlar gibi, Çoğunlukla, potansiyel olarak ölümcül kazalara yol açabilecek hatalı veya beklenmedik aşırı durum davranışları gösterir.
Ölümle sonuçlanan biri de dahil olmak üzere, sürücüsüz arabalarla ilgili bazı kazalar oldu. DNN ile çalışan otomobiller için mevcut test teknolojilerinin çoğu, farklı sürüş koşullarında manuel olarak toplanan test verilerine büyük ölçüde güveniyor Test koşulları arttıkça, bu toplama yönteminin maliyeti çok yüksek olacaktır.
Virginia Üniversitesi ve Columbia Üniversitesi'nden birkaç araştırmacı, derin sinir ağları olan otonom araçları otomatik olarak test edebilen ve otonom sürüş sistemlerinin daha kapsamlı bir testini ve değerlendirmesini yapabilen DeepTest adlı bir yöntem önerdi.
DeepTest, ölümcül bir çarpışmaya neden olabilecek DNN ile çalışan bir arabanın yanlış davranışını otomatik olarak tespit etmek için kullanılabilen sistematik bir test aracıdır.
Her şeyden önce, araç otomatik olarak test senaryoları oluşturacak şekilde tasarlanmıştır.Bu nesil, yağmur, sis ve ışık koşulları gibi sürüş ortamındaki gerçek değişikliklerden yararlanır.
İkincisi, aktif nöronların sayısını en üst düzeye çıkaran test girdileri üreterek, DeepTest sistematik olarak DNN mantığının farklı kısımlarını araştırır.
DeepTest, Udacity Kendi Kendini Süren Araba Mücadelesinde en iyi performans gösteren üç DNN'de, birçoğu ölümcül çarpışmalara yol açabilecek farklı gerçekçi sürüş koşullarında (bulanıklık, yağmur, sis vb.) Binlerce yanlış davranış buldu.
Otonom sürüş oluşumu test teknolojisi
Federal Karayolu İdaresi (FHWA) bünyesindeki Turner-Fairbank Karayolu Araştırma Merkezi (TFHRC), ABD Ulaştırma Bakanlığı'na bağlı Volpe Ulusal Ulaşım Sistemleri Merkezi ve ABD Ordusu Aberdeen Test Merkezi (USArmyAberdeen Test Merkezi) Maryland'de bulunan ABD Ordusu Aberdeen Proving Ground (Aberdeen Proving Ground), " İşbirliğine dayalı uyarlanabilir hız sabitleme kontrolüne dayalı olarak araç oluşumlarını test edin ve değerlendirin Kavram doğrulamasının prototipi " (Kooperatif Uyarlanabilir Hız Kontrolüne Dayalı Araç Takım Kanıtının Konseptine Dayalı Test ve Değerlendirmesi).
Otomatik boylamsal kontrol işlevine sahip beş Cadillac arabası, araştırmacıların konseptin oluşum kanıtı prototipi olarak adlandırdığı şeyi oluşturdu. Beş Cadillac arabasından oluşan bir oluşum oluşturmak için, yukarıda belirtilen kurumların araştırmacıları, test aracına özel bir araç bilgisayarı taktılar ve bilgisayarı araçtan araca (V2V) iletişim ekipmanına bağladılar.
Yerleşik bilgisayar araçtan araca (V2V) iletişim ekipmanına bağlıdır
İletişim ekipmanı kullanır Özel Kısa Menzilli İletişim (DSRC) , Araçların birbirleri arasında veri almasını ve iletmesini sağlar.
V2V teknolojisini kullanan araçlar, ideal bir sürüş mesafesini korumak için hızlanma veya yavaşlama ihtiyacı olup olmadığı gibi bilgileri birbirleriyle hızlı bir şekilde iletişim kurabilir ve paylaşabilir. . Araçlar arasında bağlantılar kurarak, araçları tek tek yönetmek yerine toplu araç trafiğini yönetebiliriz. Bu araştırmanın benzersizliği, esas olarak otonom sürüş sistemlerinin işbirliğine odaklanmasıdır.Araçlar altyapı ve birbirleriyle iletişim kurabiliyorsa, bu işlev karayolu trafiğini daha verimli bir şekilde koordine etmek için kullanılabilir ve böylece çok fazla yakıt tasarrufu sağlayabilir. Ve trafik zamanı.
Aşağıdaki araç öndeki aracı yakından takip eder ve oluşumdaki diğer araçlardan bilgi alır Bu, birbirleriyle iletişim kurma şeklidir - bilgisayar, sürüş sırasında göreceli bir konumu korumak için aracın mevcut ve beklenen yörüngesini hesaplayabilir. Araç bilgisayarı yalnızca frenleme ve hızlanmayı kontrol etmemeli, aynı zamanda öndeki araçtan radar verilerini de almalıdır.Bu veriler, uyarlanabilir hız sabitleme sisteminin uyarlanabilir hız sabitleme işlevini gerçekleştirmesine yardımcı olmak için kullanılacaktır.
Test aracı, öndeki aracın konumunu ve hızını kavrayabilir ve bu bilgiye göre freni ve gazı kontrol edebilir, böylece takip eden aracın konumunu kontrol edebilir. Doğru İşbirliğine dayalı uyarlanabilir hız sabitleme teknolojisi (CACC) ile algoritma kalibrasyonu, sonraki araştırmaların önemli görevlerinden biri olacaktır.
Araştırmacılar, test sırasında veri toplar, araçlar arasındaki mesafeyi izler ve takip eden aracın zaman içinde hızlanmasının veya yavaşlamasının zor olduğu çok küçük bir mesafe belirleyerek, öndeki araçla uygun bir mesafenin korunmasını sağlar. Araştırma, kodun çok sayıda test, yansıtma ve güncellemelerinin döngüsel sürecindedir ve yine kodun test edilmesi, yansıtılması ve güncellenmesidir.
Ekip sadece teknik fizibilite açısından araştırma yapmakla kalmıyor, aynı zamanda otomobil üreticileri ile işbirliği yapıyor ve araştırma ve geliştirme sonuçlarını paylaşıyor.Otobanlarda şerit değiştirmelerini ve şeritleri birleştirmelerini sağlamak için otomobil endüstrisi ile otonom sürüş filolarının prototipini oluşturmayı umuyorlar. .
ADAS test teknolojisi
Ağustos 2017'de Tianjin Otomobil Test Merkezi, ADAS test sahasında AEB halka açık testi gerçekleştirdi.Çok sayıda yerli araç ve parça şirketi, üniversite ve bilimsel araştırma kurumundan 300'den fazla teknik uzman siteyi ziyaret etti. Test süreci, teknik brifingler, AEB saha testleri ve gerçek araç teknik tartışmaları gibi çoklu bağlantıları içerir.
