bt365手机平台-下载首页

  • 在bt365手机app发明了训练无人驾驶汽车仿真系统创建逼真的世界无限可能的转向,帮助导航汽车学习的最坏情况下的场景主机巡航下来实际街道前。

    在bt365手机app发明了训练无人驾驶汽车仿真系统创建逼真的世界无限可能的转向,帮助导航汽车学习的最坏情况下的场景主机巡航下来实际街道前。

    全屏

无人驾驶汽车在火车系统仿真他们上路前

在bt365手机app发明了训练无人驾驶汽车仿真系统创建逼真的世界无限可能的转向,帮助导航汽车学习的最坏情况下的场景主机巡航下来实际街道前。

使用逼真的模拟引擎,驱动车辆要学会在现实世界中,并从近乎崩溃情况中恢复。


记者联系

艾比abaz要么ius
电子邮件: abbya@mit.edu
电话:617-253-2709
bt365手机app新闻办公室

在bt365手机app发明了训练无人驾驶汽车仿真系统创建逼真的世界无限可能的转向,帮助导航汽车学习的最坏情况下的场景主机巡航下来实际街道前。  

“控制器”的控制系统,或自主车靠自驾车轨迹人类司机的实际很大程度上是世界的数据集。从这些数据,他们学会如何以模拟各种情况下安全的转向控制。真实世界的数据,但危险“边缘的情况下,”如崩溃或被迫关闭近的道路或到其他车道,是 - 幸好 - 罕见。

一些计算机程序,被称为“模拟引擎”,目标是通过绘制详细的虚拟道路帮助训练恢复控制器模仿这些情况。从控制所学习,但从未显示仿真转移到现实的全面车辆。

bt365手机app的研究对付所谓的自治(及其逼真的仿真,虚拟图像合成和转化问题远景)。它仅使用一个小的数据集,由人在道路上驾驶捕捉,合成了一些从车辆的轨迹,可以采取在现实世界中新的实际上是无限的观点。控制器奖励它的旅行没有崩溃的距离,所以它必须通过自身学习如何安全地到达目的地。在此过程中,车辆学会安全航行所遇到的任何情况,包括重新控制之间或转弯车道从接近崩溃中恢复之后。  

在测试中,经过培训的在视图里仿真控制器能够安全地安全地部署到一个全面的无人驾驶汽车和导航通过街道上前所未见。在越野车的定位模仿各种方位那近乎崩溃情况下,控制器能够成功恢复还车回一个安全驾驶的轨迹在几秒钟内。至 描述系统,被刊登在 IEEE机器人与自动化字母 并在5月ICRA即将举行的会议上发表。

“这很难在人体中,这些边缘的情况下不要在道路上经历收集数据,”第一作者亚历山大·阿米尼,博士生在计算机科学和人工智能实验室(CSAIL)说。 “在我们的模拟,但是,可以体验控制系统这些情况,学会从自己恢复他们,并保持强劲当在现实世界中部署到车辆上。”

这项工作是协同丰田研究所完成。阿米尼接合在纸张是伊戈尔gilitschenski,在CSAIL的博士后;雅各布·菲利普斯,moseyko朱莉娅和罗汉班纳吉,在CSAIL所有本科生和电气工程和计算机科学系; sertac卡拉曼,航空航天大学副教授;和Daniela罗斯,CSAIL的主任和尔娜维特比安德鲁和电气工程和计算机科学系教授。

数据驱动的仿真

从历史上看,建筑模拟引擎训练和测试无人驾驶汽车已经在很大程度上为手动任务。通常,公司和大学聘请艺人团队和工程师草图虚拟环境,准确的道路标记,车道,并在详细的树木甚至树叶。也有些发动机结合了轿车的相互作用的物理与环境,基于复杂的数学模型。

但因为有这么多不同的事情在复杂的现实环境中来考虑,这是不可能的一切纳入实际上模拟器。出于这个原因,有一个之间的不匹配通常学习什么控制器仿真以及它们如何在现实世界中运行。

相反,bt365手机app的研究所说的他们创造了“数据驱动”这模拟引擎综合类,从实际的数据,新的道路轨迹一致的外观,以及距离和运动场景中的所有对象。

从人类几路和进给驱动下入引擎,他们先收集的视频数据。对于每一帧,每个像素伸入型三维点云的发动机。然后,他们把一个虚拟的,他们那车内的世界。当车辆转向命令,发动机通过点云合成一条新的轨迹,基于转向弯道与车辆的方向和速度上。

然后,使用引擎渲染真实感的场景,新的轨迹。这样做,它卷积神经网络来使用 - 常用的图像处理任务 - 估计深度图,其中包含的信息与从控制器的观点物体的距离。然后,它结合了深度图的技术估计相机是那个在3D场景的方向。所有车辆的帮助从虚拟模拟器内的一切精确位置和相对距离。

这基于信息,它重新定位的像素以重新从车辆的新观点世界的原始3D表示。此外,它跟踪像素的运动捕捉车和人,和其他运动物体的运动,在场景中。 “这相当于给车辆提供可能的轨迹的无限数量,说:” RUS。 “因为当我们收集的物理数据,我们从具体的轨迹得到的数据,该车将随之而来。但我们可以通过修改覆盖的可能途径和驾驶环境的所有轨迹。这是真的很强大。“

加固从头开始学习

传统上,训练的研究人员要么通过遵循开车或试图模仿人类驾驶员定义人类的规则去过自主车。但研究人员使他们的控制器完全从头学习的“端对端”框架下,这意味着它作为输入仅原始传感器数据 - 这样的可视作为道路的意见 - 和,从该数据,在输出预测转向命令。

“我们基本上是说,“这里是一个环境。你可以做任何你想要的。只是不要撞到车辆和住宿的小巷内,'“阿米尼说。

ESTA要求“强化学习”(RL),试错的机器学习技术,提供每当汽车制造误差反馈信号。在“模拟引擎的研究人员,控制器通过什么都不知道关于如何驾驶,什么车道标记的,甚至是其他车辆的样子,所以它开始执行随机转向角开始。它只有当它崩溃的反馈信号。在这一点上,它就会被传一个新的位置,并有模拟执行一套更好的转向角,以避免再次崩溃。在10至15个小时的训练,它使用的反馈信号。这些稀疏前往学习越来越大的距离,没有崩溃。

在成功地模拟驾驶万公里后,作者运用学会了在现实世界中该控制器到他们的全面自主汽车。研究人员说,这是第一次训练中成功模拟使用终端到终端的强化学习控制器已经-被部署到一个全面的自主轿车。 “那是令我们吃惊。不仅从未有过真正的汽车在控制器上,但它从来没有见过过去的道路和具有人类如何驱动器上没有先验知识,“阿米尼说。

如被关闭一半的道路或到另一个车道 - - 和转向回在若干秒内纠正车道迫使控制器运行通过各种行驶条件下的启用它从迷失方向的位置重新获得控制。 “与其他国家的最先进的控制器可悲的是所有失败的是,从来没有看到任何因为像这样的训练数据,”阿米尼说。

接下来,研究人员希望能够模拟各种路面条件从单一的驾驶轨迹:如白天和黑夜,晴天和阴雨天气。他们也希望以模拟更复杂的交互与道路上的其他车辆。 “如果等车开始移动,并在车辆的前跳?” RUS说。 “这些都是我们要开始测试复杂的,现实世界的互动。”


主题: 研究, 计算机科学与技术, 算法, 计算机科学和人工智能实验室(CSAIL), Electrical Engineering & Computer Science (eecs), 工程学院

回到顶部