As simulações são críticas para acelerar o desenvolvimento de métodos de design em muitos setores. No campo de sistemas automotivos de direção autônoma, as simulações são tradicionalmente usadas para testar algoritmos de planejamento e controle de movimento. Re-simulações são usadas para desenvolver sistemas de reconhecimento nos quais dados de sensores de tráfego são registrados e reproduzidos usando uma variedade de pilhas de software de verificação de desempenho. No entanto, essas simulações foram limitadas principalmente a cenários encontrados em carros reais.
Existe outro tipo de simulação que está se tornando cada vez mais importante - a geração de dados artificiais de alta qualidade que transmitem informações precisas sobre situações reais de tráfego. O problema de usar exclusivamente dados rodoviários é que grandes quantidades de dados devem ser coletados e mapeados para se aproximar dos limites dos módulos de reconhecimento em várias áreas operacionais. Além disso, os algoritmos de reconhecimento deixam de corresponder aos dados disponíveis e falham ao trabalhar fora do ambiente de trabalho e em outras condições. Por sua vez, os dados sintéticos podem ser criados de forma rápida e barata, e suas descrições são geradas automaticamente usando o conhecimento básico do ambiente simulado.
Problemas de geração de dados sintéticos para módulos perceptuais
Embora a tarefa de modelagem de dados sintéticos para sensores pareça simples e óbvia, na verdade é muito difícil. Além de criar ambientes sintéticos realistas para diferentes regiões (por exemplo, São Francisco ou Tóquio), a modelagem de cada tipo de sensor requer conhecimento detalhado das propriedades físicas básicas e características dos vários sensores usados na indústria. Além disso, embora as simulações possam ser significativamente mais lentas para outras aplicações do que em tempo real, a maioria dos algoritmos de direção sem motorista exige desempenho quase em tempo real. Portanto, diferentes níveis de desempenho e precisão da simulação são necessários em diferentes casos de uso.
Embora esforços significativos sejam feitos para modelar cada um dos sensores, os especialistas esperam que em um futuro próximo haverá uma lacuna perceptível entre os dados reais e sintéticos. Algoritmos de percepção podem ser treinados em dados reais de sensores e testados em dados sintéticos (transição de dados reais para sintéticos) e vice-versa (transição de dados sintéticos para reais), e algoritmos de diferentes tipos funcionarão de maneiras diferentes. Este problema não se limita aos dados de simulação. Algoritmos de percepção com um conjunto específico de sensores treinados nas estradas da Califórnia têm probabilidade de ter um desempenho pior com um conjunto diferente de sensores. Além disso, este algoritmo pode não funcionar bem quando testado em estradas em outras regiões.
Figura: Etapa 1 - testar sistemas perceptivos em dados sintéticos
Criação de ambientes sintéticos 3D
Muitas abordagens para a criação de ambientes foram desenvolvidas como resultado de décadas de trabalho na indústria do entretenimento. No entanto, existem diferenças significativas entre as indústrias de autônomo e de entretenimento. Embora haja altas demandas de fotorrealismo em ambas as áreas, há requisitos adicionais para ambientes de veículos autônomos: eles devem ser criados de forma barata e rápida (enquanto na indústria do entretenimento pode levar meses), devem ser extremamente realistas (como para o olho humano e para sensores) e variável, e também deve suportar muitos casos de teste.
Normalmente, os ambientes 3D são criados à mão - o artista 3D cria ativos e os coloca no mundo criado. Essa abordagem produz resultados fotorrealísticos e é ótima para demonstrações. No entanto, devido à sua natureza manual, ele não é escalonado para criar regiões virtuais de todo o mundo e não permite tantos ambientes virtuais quanto os necessários para testar veículos autônomos. Assim, nos deparamos com as limitações dos ambientes virtuais.
Uma abordagem alternativa é usar técnicas de varredura do mundo real para garantir que o ambiente construído corresponda ao seu padrão. A desvantagem desse método é que os dados do mundo real costumam ter muitos erros e imprecisões. Como a iluminação é cozida e é impossível determinar seu material a partir da superfície, as câmeras e lidars fornecem apenas dados aproximados. Além disso, o ambiente pode conter lacunas, descrições incorretas e objetos móveis que devem ser removidos. Além disso, este método apresenta requisitos significativos de recursos para armazenamento de dados e computação, e só pode simular as áreas que são encontradas na vida real.
Uma abordagem relativamente nova é a criação de mundos virtuais com base na geração procedural. Desta forma, grandes áreas e cidades podem ser criadas rapidamente com base em uma variedade de dados de entrada, resultando na criação do mundo usando métodos matemáticos (Fig. 2). Ele também permite que você especifique muitos ambientes diferentes para evitar overfitting. Parâmetros como hora do dia ou clima podem ser alterados, desde que as anotações sejam precisas. Em geral, novos mapas podem ser criados em uma fração do tempo que leva para criar ambientes virtuais manualmente. A complexidade dessa abordagem consiste em garantir a criação de alta qualidade de objetos do mundo real sem edições manuais.
Figura: 2: edifícios gerados por procedimentos de alta resolução
Simulação de sensor precisa
Ao gerar dados sintéticos, os ambientes sobre os quais falamos acima são usados como dados de entrada para sensores. Esses sensores devem ser capazes de simular estimativas de profundidade lidar, características de formação de feixes de radar digital e fontes de ruído em câmeras. Ao mesmo tempo, esses sensores devem ser poderosos o suficiente para realizar testes de software e hardware ou trabalhar com aplicativos de aprendizado de máquina que requerem grandes quantidades de dados.
Embora a suposição de que um sensor possa lidar com centenas ou milhares de diferentes condições e topologias, em última análise, todos devem obedecer aos mesmos princípios fundamentais de transferência de energia e teoria da informação. Uma estrutura de simulação de sensor bem pensada pode fornecer flexibilidade à estrutura usada em diferentes ambientes. Esta filosofia fundamental é baseada no desejo de transferir as ferramentas para projetar sistemas eletro-ópticos e sistemas de processamento de sinal do mundo do design de sensores para o mundo da simulação e tecnologia de detecção.
Mesmo que um sistema seja bem pensado do ponto de vista teórico, ele é tão valioso quanto pode capturar as propriedades de sua contraparte do mundo real. O grau de correlação entre a realidade e o modelo é altamente dependente dos casos de uso. Em cenários simples, uma tabela dinâmica simples de dados pode ser suficiente, enquanto em outros casos uma avaliação estatística quantitativa de várias propriedades e características pode ser necessária - isso geralmente envolve uma combinação de experimentos de laboratório e de campo para determinar as propriedades específicas do sensor. Assim, a simulação do desempenho do sensor (e a precisão dessa simulação) pode ser vista como uma ciência na qual um benchmark é obtido e, então, progressivamente degradado.
Figura: 3: simulação de um lidar giratório com 128 lasers
Eficiência e repetibilidade de dados sintéticos
Existem dois aspectos que limitam a usabilidade dos dados sintéticos - eficiência e repetibilidade. Por uma variedade de razões, o maior desafio na simulação de sensores para sistemas de direção autônoma é a precisão que pode ser alcançada dentro dos requisitos de processamento em tempo real. A precisão e o desempenho também estão intimamente relacionados à escalabilidade das gerações de sensores sintéticos. Para criar uma solução escalonável, é cada vez mais importante usar recursos em paralelo.
Essa coordenação de recursos naturalmente nos traz à questão da repetibilidade. Para que a paralelização seja benéfica, um equilíbrio deve ser encontrado entre a modelagem paralela e não paralela. O determinismo é um componente chave que permite aos engenheiros testar as alterações em seus algoritmos isoladamente, ao mesmo tempo em que aproveita uma variedade de recursos de modelagem.
Simulação de sensor: adaptação a casos especiais
Uma vez que os métodos de desenvolvimento de ambientes e sensores tenham sido estabelecidos, a próxima questão surgirá - os dados sintéticos obtidos são suficientes para todos os casos de uso? Os cenários de uso podem variar dependendo do grau de disponibilidade do software, desde a validação do posicionamento do sensor usando dados sintéticos até o teste dos sistemas de produção final antes de implantá-los.
Cada caso de uso possui requisitos diferentes para os níveis de precisão do modelo. Esses níveis de precisão governam os processos de verificação e validação. A verificação descreve o processo de determinação da conformidade do modelo resultante e da especificação original (conseguimos criar o que planejamos originalmente?). A verificação também está relacionada à definição de determinismo (os resultados do modelo são reproduzidos sempre nas mesmas condições?) Na validação, o oposto é verdadeiro: para determinar se o modelo atende às necessidades do aplicativo de destino, os requisitos do usuário final são levados em consideração. Em alguns casos, até mesmo o uso de uma aproximação aproximada do modelo físico subjacente ao sensor é aceitável. No entanto, os casos de uso de teste de produção requerem modelos de sensores sintéticos que foram testados em condições de laboratório,e na vida real - isso é necessário para garantir a conformidade precisa com os níveis aceitáveis de incerteza.
A tarefa de avaliar modelos de sensores também é mais complexa do que simplesmente verificar o nível do sinal de saída. Embora isso seja verdade para muitas tecnologias sensoriais em sistemas de direção autônoma, o usuário final também está interessado em fazer os modelos de percepção funcionarem de forma eficaz com dados sintéticos e reais. Esses modelos podem ser baseados em visão computacional ou construídos usando uma variedade de técnicas de aprendizado de máquina e deep learning. Nesses casos de uso, as fontes de incerteza são desconhecidas (caso o modelo do sensor não seja totalmente confiável).
Abordagem de Intuição Aplicada
A Applied Intuition desenvolveu uma ferramenta de simulação do sistema de percepção do zero para resolver os problemas descritos acima. Esta ferramenta inclui ferramentas para a criação de ambientes em grande escala, desenvolvimento de sensores com vários níveis de precisão e permitindo testes com base em casos de uso. A geração do ambiente procedimental é feita por meio de um pipeline exclusivo que é flexível em termos de áreas geográficas, aplicativos de direção autônoma e fontes de dados.
- O primeiro sistema de controle serial da Rússia para um motor bicombustível com separação funcional de controladores
- Em um carro moderno, existem mais linhas de código do que ...
- Cursos Online Grátis em Automotivo, Aeroespacial, Robótica e Engenharia (50+)
- McKinsey: repensando o software eletrônico e a arquitetura automotiva
Sobre ITELMA