Baidu-forskere udvikler en ny auto-tuning-ramme for autonome køretøjer

Forskere hos det kinesiske multinationale teknologiselskab Baidu har for nylig udviklet en datadrevet autotuning-ramme for selvkørende køretøjer baseret på Apollo autonome køreplatform. Rammen, præsenteret i et papir, der er forududgivet på arXiv, består af en ny forstærkende læringsalgoritme og en offline træningsstrategi, samt en automatisk metode til indsamling og mærkning af data.

En bevægelsesplanlægger til autonom kørsel er et system designet til at generere en sikker og komfortabel bane for at nå en ønsket destination. At designe og tune disse systemer til at sikre, at de fungerer godt under forskellige kørselsforhold, er en vanskelig opgave, som flere virksomheder og forskere verden over i øjeblikket forsøger at tackle.

"Bevægelsesplanlægning for selvkørende biler har en masse udfordrende problemer, "Fan Haoyang, en af ​​de forskere, der har udført undersøgelsen, fortalte Tech Xplore. "En hovedudfordring er, at den skal håndtere tusindvis af forskellige scenarier. Typisk, vi definerer en belønning/omkostningsfunktionel tuning, der kan tilpasse disse forskelle i scenarier. Imidlertid, vi synes, det er en svær opgave."

Typisk, belønning-omkostning funktionel tuning kræver omfattende arbejde på vegne af forskere, samt ressourcer og tid brugt på både simuleringer og vejtests. Ud over, miljøet kan ændre sig dramatisk over tid, og efterhånden som køreforholdene bliver mere komplicerede, justering af bevægelsesplanlæggerens ydeevne bliver stadig sværere.

"For systematisk at løse dette problem, vi udviklede en datadrevet autotuning-ramme baseret på Apollo autonome kørselsramme, " Fan sagde. "Idéen med auto-tuning er at lære parametre fra menneskelige demonstrerede køredata. For eksempel, vi vil gerne forstå ud fra data, hvordan menneskelige chauffører balancerer hastighed og kørekomfort med forhindringsafstande. Men i mere komplicerede scenarier, for eksempel, en fyldt by, hvad kan vi lære af menneskelige chauffører?"

Den automatiske tuning-ramme, der er udviklet hos Baidu, inkluderer en ny forstærkende læringsalgoritme, som kan lære af data og forbedre deres ydeevne over tid. Sammenlignet med de fleste inverse forstærkningsindlæringsalgoritmer, det kan effektivt anvendes til forskellige kørselsscenarier.

Rammen inkluderer også en offline træningsstrategi, at tilbyde en sikker måde for forskere at justere parametre, før et autonomt køretøj testes på offentlig vej. Den indsamler også data fra ekspertchauffører og information om miljøet, automatisk mærkning af disse, så de kan analyseres ved hjælp af forstærkningsindlæringsalgoritmen.

"Jeg tror, ​​vi har udviklet en sikker pipeline til at lave et maskinlæringsskalerbart system ved at bruge menneskelige demonstrationsdata, " Fan sagde. "De menneskelige demodata med åben løkke indsamles og behøver ikke ekstra mærkning. Da træningsprocessen også er offline, vores metode er velegnet til autonom kørselsplanlægning, opretholdelse af offentlig trafiksikkerhed."

Forskerne evaluerede en bevægelsesplanlægger, der var indstillet ved hjælp af deres ramme både på simuleringer og test af offentlige veje. Sammenlignet med eksisterende tilgange, deres datadrevne metode var bedre i stand til at tilpasse sig forskellige kørselsscenarier, præsterer konsekvent godt under forskellige forhold.

"Vores forskning er baseret på Baidu Apollo Open Source Autonomous Driving platform, " Fan sagde. "Vi håber, at flere og flere mennesker fra den akademiske verden og industrien kan bidrage til det autonome kørende økosystem gennem Apollo. I fremtiden, vi planlægger at forbedre den nuværende ramme for Baidu Apollo til et skalerbart maskinlæringssystem, der systematisk kan forbedre scenariedækningen af ​​selvkørende biler."

© 2018 Tech Xplore