Une méthode de simulation pour entraîner des véhicules autonomes à naviguer dans des scènes urbaines complexes

B-GAP : une méthode de simulation pour entraîner des véhicules autonomes à naviguer dans des scènes urbaines complexes

Les images ci-dessus montrent la trajectoire d’un véhicule effectuant un changement de voie brutal. Nos recherches sur la conduite autonome comportementale et la simulation peuvent prédire ces comportements rares et intéressants. Crédit : Mavrogiannis, Chandra & Manocha.

Ces dernières années, de nombreuses entreprises, instituts de recherche et institutions universitaires du monde entier ont tenté de développer des véhicules autonomes sûrs et fiables. Cependant, pour un déploiement à grande échelle, ces véhicules doivent pouvoir se déplacer sur une grande variété de routes et d’environnements sans entrer en collision avec d’autres véhicules, piétons, vélos, animaux ou obstacles à proximité.

Des chercheurs de l’Université du Maryland ont récemment mis au point une nouvelle technique qui pourrait améliorer l’efficacité des simulateurs actuellement utilisés pour entraîner des modèles de navigation de véhicules autonomes. Cette technique présentée dans un article paru dans Lettres IEEE sur la robotique et l’automatisations’appuie sur ses recherches antérieures axées sur la navigation des véhicules autonomes.

“Bien qu’il y ait actuellement beaucoup d’intérêt pour la navigation autonome pour les voitures autonomes, les méthodes d’IA actuelles utilisées pour la navigation ne tiennent pas compte du comportement des conducteurs humains ou d’autres véhicules autonomes sur la route”, a supervisé cette recherche. projet, a déclaré TechXplore. “Les objectifs de notre travail sont de développer des technologies robustes capables de reconnaître et de classer le comportement des autres usagers de la route (par exemple, les véhicules, les bus, les camions, les vélos, les piétons) et d’utiliser ce comportement pour contrôler les voies des véhicules autonomes.”

En règle générale, le comportement au volant peut être grossièrement divisé en deux catégories principales, à savoir le comportement conservateur ou agressif. Comme son nom l’indique, les conducteurs conservateurs sont plus prudents et vigilants, tandis que les conducteurs agressifs peuvent être anxieux et agressifs.

Reconnaître avec précision ces différents modes de conduite peut être très utile pour les véhicules autonomes, en particulier à des moments critiques (par exemple lors du changement de voie ou de l’entrée et de la sortie de l’autoroute), car ils peuvent adapter leurs trajectoires et leurs mesures de sécurité en conséquence. Dans le passé, de nombreuses équipes ont donc utilisé des plateformes de simulation pour permettre aux véhicules autonomes et aux systèmes avancés d’aide à la conduite (ADAS) de classifier avec précision ce comportement de conduite.

“Les systèmes de navigation pour la conduite autonome sont généralement entraînés dans des simulations avant d’effectuer des tests sur le terrain”, a déclaré Rohan Chandra, un autre chercheur impliqué dans l’étude, à TechXplore. “Dans notre dernière publication, nous présentons un nouveau simulateur basé sur le comportement qui peut émuler une variété de comportements différents observés dans des scénarios de trafic réels. Cela signifie que le système de navigation sous-jacent peut être formé pour faire face à un comportement de conduite complexe dans des scénarios de trafic réels.”

La technique de simulation présentée par les chercheurs s’appuie sur un modèle capable de classer le comportement de conduite des autres agents sur la route. Baptisé CMetric, ce modèle analyse les trajectoires d’autres agents puis les calcule à l’aide d’outils de vision par ordinateur à la pointe de la technologie.






Une vidéo expliquant les idées et les implications plus larges de la recherche sur la conduite autonome comportementale menée par l’équipe de l’Université du Maryland. Crédit : Mavrogiannis, Chandra & Manocha.

“Avec CMetric, notre simulateur comportemental peut générer des agents avec des comportements différents, ce qui entraîne des scénarios de trafic mixtes”, a déclaré Angelos Mavrogiannis, un autre chercheur qui a mené l’étude, à TechXplore. « La simulation de comportements de conduite hétérogènes est un aspect unique de notre travail. Nous utilisons une politique d’apprentissage par renforcement profond basée sur DQN (Deep Q-Network) que nous avons intégrée à notre simulateur.

Le modèle de prédiction du comportement de conduite introduit par Mavrogiannis, Chandra et Manocha peut être intégré dans une variété d’algorithmes de navigation de véhicule de pointe. Cela signifie que d’autres équipes dans le monde pourraient l’utiliser pour améliorer la formation de leurs propres modèles et améliorer les performances globales.

Jusqu’à présent, la plupart des modèles de conduite autonome existants ont eu du mal à naviguer dans des environnements urbains complexes. Il s’agit notamment des rues à fort trafic ou avec de nombreux feux de circulation, des piétons et des vélos. La technique de simulation développée par cette équipe de recherche pourrait à terme permettre d’améliorer les performances de ces modèles dans ces scénarios urbains complexes.

“Les systèmes de conduite autonome actuels sont principalement applicables aux situations sur route”, a expliqué Chandra. “Notre méthode, d’autre part, offre une nouvelle solution pour simuler et évaluer les technologies de conduite autonome dans des scènes urbaines complexes ou difficiles. Ceci est d’autant plus important pour faire face aux conditions de circulation difficiles rencontrées dans les villes asiatiques où la densité du trafic est plus élevée et où de nombreux conducteurs ne respectent pas les voies de circulation. Notre simulateur est la première étape dans la génération de ces modèles de trafic.”

Alors qu’elle a été principalement conçue comme un outil d’apprentissage d’algorithmes, la technique de simulation développée par les chercheurs peut également être utilisée pour générer des ensembles de données d’apprentissage qui prennent également en compte les comportements de conduite et les trajectoires des véhicules dans des environnements urbains complexes. Dans le cadre de leurs recherches, Mavrogiannis, Chandra et Manocha ont utilisé ces méthodes de classification comportementale pour créer et analyser METEOR, un vaste ensemble de données contenant des vidéos denses et non structurées de conditions de trafic intenses. Ces vidéos ont été collectées en Inde puis annotées manuellement par les chercheurs pour mettre en évidence des comportements de conduite rares ou intéressants, tels que : B. Interactions atypiques sur la route et infractions au code de la route.

À l’avenir, l’ensemble de données publié par les chercheurs pourrait être utilisé par d’autres équipes du monde entier pour améliorer la navigation des véhicules autonomes et des ADAS dans des environnements urbains encombrés et complexes. Les chercheurs prévoient également de rendre la technique de simulation qu’ils ont développée open source afin que d’autres équipes et entreprises puissent l’utiliser pour former leurs propres modèles et algorithmes.

“Nous développons maintenant de meilleures méthodes pour classer le comportement des agents de la circulation à l’aide de caméras standard (par exemple dans les smartphones) et les utiliser pour améliorer la navigation des systèmes de conduite autonome”, a ajouté Chandra. “Ces méthodes pourraient également aider un conducteur humain dans le cadre d’ADAS.”


Un nouveau simulateur plus réaliste améliorera la sécurité des véhicules autonomes avant les essais routiers


Plus d’information:
Angelos Mavrogiannis et al, B-GAP : simulation et navigation riches en comportement pour la conduite autonome, Lettres IEEE sur la robotique et l’automatisation (2022). DOI : 10.1109/LRA.2022.3152594

Rohan Chandra et al, CMetric : une mesure du comportement de conduite utilisant des fonctions de centralité, Conférence internationale IEEE/RSJ 2020 sur les robots et systèmes intelligents (IROS) (2021). DOI : 10.1109 / IROS45743.2020.9341720

Rohan Chandra et al, Utilisation de l’apprentissage automatique théorique des graphes pour prédire le comportement du conducteur humain, Transactions IEEE sur les systèmes de transport intelligents (2021). DOI : 10.1109/TITS.2021.3130218

Rohan Chandra et al, GraphRQI : Classification du comportement du conducteur à l’aide de spectres de graphes, Conférence internationale IEEE 2020 sur la robotique et l’automatisation (ICRA) (2020). DOI : 10.1109/ICRA40945.2020.9196751

METEOR : ensemble de données de conduite hétérogène : gamma.umd.edu/meteor/

Fourni par Science X Network

© 2022 Réseau Science X

citation: B-GAP: A Simulation Methodology for Training Autonomous Vehicles to Navigate Complex Urban Scenes (25 mars 2022) Extrait le 25 mars 2022 de https://techxplore.com/news/2022-03-b-gap- simulation-method- vehicules-autonomes.html

Ce document est protégé par le droit d’auteur. Sauf pour le commerce équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est uniquement à des fins d’information.

oigari