Udvikling af køresimuleringer, der ser mere naturtro ud

Dagens køresimulatorer har et stort problem:De ser ikke realistiske nok ud, især baggrundsobjekter, såsom træer og vejafmærkninger. Men forskere har udviklet en ny måde at skabe fotorealistiske billeder til simulatorer, hvilket baner vejen for bedre test af førerløse biler.

Konventionel computergrafik bruger detaljerede modeller, masker og teksturer til at gengive 2D-billeder fra 3D-scener, en arbejdskrævende proces, der producerer billeder, der ofte ikke er realistiske, især i baggrunden. Men ved at bruge en maskinlæringsramme kaldet et Generative Adversarial Network (GAN), var forskere i stand til at træne deres program til tilfældigt at generere livagtige miljøer ved at forbedre programmets visuelle troskab – niveauet af repræsentation, computergrafik deler med virkeligheden.

Dette er især vigtigt, når man tester, hvordan mennesker reagerer, når de er i førerløse køretøjer eller alternativt på vejen med dem.

"Når køresimuleringer ligner computerspil, tager de fleste mennesker dem ikke seriøst," sagde Ekim Yurtsever, hovedforfatter af undersøgelsen og forskningsassistent i elektro- og computerteknik ved Ohio State University. "Det er derfor, vi ønsker at få vores simuleringer til at ligne den virkelige verden så meget som muligt."

Undersøgelsen blev offentliggjort i tidsskriftet IEEE Transactions on Intelligent Transportation Systems .

Forskerne startede med CARLA, en open source køresimulator, som deres base. De brugte derefter en GAN-baseret billedsynthesizer til at gengive baggrundselementerne som bygninger, vegetation og endda himlen og kombinere dem med mere traditionelt gengivne objekter.

Yurtsever sagde, at køresimuleringer fortsat vil have brug for konventionelle, arbejdskrævende grafikgengivelsesteknikker for at vise de primære objekter af interesse, såsom biler i nærheden. Men ved hjælp af kunstig intelligens kan GAN trænes til at generere realistiske baggrunde og forgrunde ved hjælp af data fra den virkelige verden.

En af disse udfordringer, forskerne stod over for, var at lære deres program at genkende mønstre i deres miljøer, en færdighed, der er nødvendig for at opdage og skabe objekter som køretøjer, træer og skygger, og at skelne disse objekter fra hinanden.

"Det smukke ved det er, at disse mønstre og teksturer i vores model ikke er designet af ingeniører," sagde Yurtsever. "Vi har en skabelon for funktionsgenkendelse, men det neurale netværk lærer det af sig selv."

Deres resultater viste, at blanding af forgrundsobjekter anderledes end baggrundssceneri forbedrede fotorealismen af ​​hele billedet.

Men i stedet for at ændre en hel simulering på én gang, skulle processen udføres billede-for-billede. Men da vi ikke lever i en frame-by-frame-verden, vil projektets næste skridt være at forbedre programmets tidsmæssige konsistens, hvor hver frame er i overensstemmelse med dem før og efter, så brugerne oplever en problemfri og visuelt medrivende oplevelse , sagde Yurtsever.

Udviklingen af ​​fotorealistiske teknologier kan også hjælpe videnskabsmænd med at studere forviklingerne af førerens distraktion og hjælpe med at forbedre eksperimenter med rigtige chauffører, sagde Yurtsever. Og med adgang til større datasæt af vejsidescener kan mere fordybende køresimuleringer ændre, hvordan mennesker og AI begynder at dele vejen.

"Our research is an extremely important step in conceptualizing and testing new ideas," Yurtsever said. "We can never actually replace real world testing, but if we can make simulations a little bit better, we can get better insight on how we can improve autonomous driving systems and how we interact with them." + Udforsk yderligere

Technique enables real-time rendering of scenes in 3D