英伟达为提高安全性 开发了自动驾驶可扩展安全性测试平台DriveFI

2019-11-18来源: 智车科技IV关键字:自动驾驶  英伟达  DriveFI

安全性,一直都是自动驾驶研发的关键问题。前几天,美国官方判定2019年3月全球首个自动驾驶汽车撞死行人事故中,Uber无罪又引起了广泛关注。无疑,自动驾驶安全性依旧是业内外人士关注的重点。近日,伊利诺伊大学香槟分校(CSL)的研究人员公布了如何使用AI和ML,通过软件和硬件的改进来提高自动驾驶技术的安全性,开发自动驾驶可扩展安全性测试平台DriveFI。 

解决自动驾驶安全性,这是一个基于跨学科、跨技术、跨领域的攻坚问题。此次CSL的可扩展的安全性测试平台也是汇集了多家公司,包括三星、NVIDIA,还有湾区的一些初创公司。

该研究小组开发的这个平台,使自动驾驶汽车能够在复杂多变的环境中更快、更经济的解决安全性的问题。

挑战

这项研究如此具有挑战性的原因之一是,自动驾驶汽车是基于AI和ML集机械、电子、计算机技术以及实时驾驶决策为一体的复杂系统。典型的自动驾驶汽车可以说是一部“带轮子的超级计算机”,拥有50多个处理器和加速器,可运行超过1亿行代码以支持计算机视觉和其他ML任务。

英伟达为提高安全性 开发了自动驾驶可扩展安全性测试平台DriveFI

当自动驾驶汽车以每小时70英里的速度行驶时,故障会给驾驶员带来重大的安全隐患。一方面,在这样的速度下,除非有针对性的对自动驾驶汽车进行学习培训,否则无法预测其行为轨迹。另一方面,从传统意义上讲,如果在计算机或者智能手机遇到软件故障时,最常见的处理方式是重启,但这种方式并不适合自动驾驶汽车,并不能让车随时停下,否则会造成更严重甚至致命的事故。

目前的现行法规,要求Uber和Waymo之类的公司在公共道路上对车辆进行测试,并且每年向加利福尼亚州DMV报告其车辆的安全性。

基于现状,研究团队希望可以探索自动驾驶常见的安全问题、汽车的表现以及其理想的安全指标是什么。所以他们研发了这个可扩展测试平台。

项目简介

CSL研究小组分析了2014-2017年提交的所有安全报告,涵盖了144辆自动驾驶汽车,累计行驶了1116605英里。他们发现,在行驶相同里程的情况下,人类驾驶汽车发生事故的可能性比自动驾驶汽车少4000倍。这意味着自动驾驶汽车未能以惊人的速度适当地处理情况并脱离技术设定,而常常依靠驾驶员来接管。

研究人员和多家公司在研究过程中发现,在自动驾驶汽车系统出现特定问题之前,很难训练该软件来克服这些问题。而该团队正在使用计算机仿真和人工智能来加快这一过程。

本文介绍的平台叫做DriveFI,它通过识别可能导致碰撞和事故的危险情况来解决上述挑战。DriveFI包括(a)一个FI引擎,可以修改一个自主驾驶系统的软件和硬件状态来模拟故障的发生,和(b) ML-based故障选择引擎,我们称之为贝叶斯故障注入,可以找到最可能的情况和故障导致违反安全条件。相比之下,传统的FI技术往往不关注安全违规,在实践中表现率较低,需要大量的测试时间。

DriveFI的框架能够通过对自动驾驶车辆在故障状态下的行为进行因果和反事实推理,发现安全关键情况和故障。它通过(a)以车辆运动学和AV架构的形式整合领域知识,(b)基于横向和纵向停车距离的安全建模,(c)使用真实的故障模型来模拟软错误和软件错误。(a)、(b)和(c)项被集成到一个贝叶斯网络(BN)中。BN提供了一种良好的形式化方法,用可解释的模型来模拟故障在自动驾驶系统组件之间的传播。BN支持快速概率推理,这使得DriveFI能够快速找到安全关键的故障。贝叶斯FI框架可以扩展到其他安全关键系统(如手术机器人)。该框架需要安全约束和系统软件体系结构的规范来建模系统子组件之间的因果关系。

该平台使用ADS技术来支持和代替人类驾驶员来完成控制车辆转向、加速和监视周围环境(如其他车辆/行人)的任务。ADS架构由5个基本层组成:

英伟达为提高安全性 开发了自动驾驶可扩展安全性测试平台DriveFI

传感器抽象层(上图中的1):传感器抽象层负责根据传感器类型对输入数据进行预处理、噪声滤波、增益控制、色调映射、去雾化和感兴趣区域的提取。ADS支持多种传感器,如全球定位系统(GPS)、惯性测量单元(IMU)、声纳、雷达、激光雷达和相机传感器。研究人员只使用了两个摄像头(安装在车辆的顶部和前部),还有一个激光雷达。

感知层(上图中的2):传感器抽象层将数据输入感知层,感知层使用计算机视觉技术(包括深度学习)检测静态对象(如车道、交通标志、障碍物)和出现在驾驶场景中动态对象(例如:乘用车、卡车、骑自行车的人、行人)。感知层还负责对象和车道的时间跟踪。跟踪是必要的,以确保一个对象不会因为分类错误或检测失败而突然从框架中消失。

定位层(上图中的3):定位层负责从各种来源收集数据,在地图中定位自动驾驶车辆。地图中的定位可以使用GPS传感器或使用摄像机/激光雷达输入来完成。本文中描述的研究工作仅使用摄像机/激光雷达和地图来实现定位,不使用GPS。

预测层(上图中的4):预测层负责利用模型中的信息(如位置、标题、速度、加速度)生成探测目标的轨迹。因此,它可以概率性地识别自动驾驶汽车路径中的障碍。

规划/控制层(上图中的5):规划控制层负责根据车辆的起点和终点生成导航计划,并向自动驾驶汽车发送控制信号(驱动、制动、转向)。路由模块根据请求生成高级导航信息,路由模块需要知道起点和终点,以计算通道的车道和道路。规划模块利用定位输出、预测输出和路由输出来规划安全无碰撞的轨迹。控制模块以规划的轨迹为输入,生成控制命令传递给CAN总线,CAN总线将信息传递给机械部件。监视系统监视车辆包括硬件在内的所有模块,并将其传递到人机界面,供人工驱动程序查看,以确保所有模块都在正常运行。在模块或硬件发生故障时,监视器在监护模块中触发警报,然后监护模块选择要采取的行动来防止事故。

该研究小组目前正在构建技术和工具,以产生最大程度影响安全性的驾驶条件和问题。他们发现大量的安全关键情况,在这些情况下错误可能导致事故,而不必枚举道路上的所有可能性,从而节省了大量的时间和金钱。

总结

NVIDIA架构研究副总裁Steve Keckler表示:“自动驾驶汽车的安全性对其在市场和社会中的成功至关重要。”我们希望伊利诺伊州研究团队正在开发的技术将使工程师能够更轻松地以较低的成本开发更安全的汽车系统。


关键字:自动驾驶  英伟达  DriveFI 编辑:鲁迪 引用地址:http://news.eeworld.com.cn/qcdz/ic480402.html 本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有,本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如果本网所选内容的文章作者及编辑认为其作品不宜公开自由传播,或不应无偿使用,请及时通过电子邮件或电话通知我们,以迅速采取适当措施,避免给双方造成不必要的经济损失。

上一篇:如何使用有安全保障的闪存存储构建安全的汽车系统
下一篇:从二战后期讲起,分析汽车夜视技术发展史

关注eeworld公众号 快捷获取更多信息
关注eeworld公众号
快捷获取更多信息
关注eeworld服务号 享受更多官方福利
关注eeworld服务号
享受更多官方福利

推荐阅读

李开复眼中的AI与交通:距离实现L5自动驾驶还有20年
AI,人工智能,是一个充满智慧与想象、带有神秘未来色彩的概念,同时,也是一个谈之色变、令人深感担忧的话题。其实,关于AI的争论一直都有,其中,最令人关注的一次是,伊隆•马斯克与哈佛大学教授Steven Pinker的一次争论。特斯拉CEO马斯克不用过多介绍,Pinker的来头也不小,除了哈佛大学教授的身份,还是美国国家科学院院士,两次入围普利策奖,获得9个名誉博士学位,2004年被《时代》列为“当前100位最有影响力的人”之一,2013年在《前景》“最伟大思想家”评选中名列第三。Pinker 表示,“如果马斯克严肃认真地支持人工智能威胁论,那么就应该停止他在自动驾驶汽车的研发。”而马斯克却表示,“如果连Pinker都不清楚功能性
发表于 2019-12-06
李开复眼中的AI与交通:距离实现L5自动驾驶还有20年
智能驾驶舱深度报告:汽车颠覆式创新点
人机交互,汽车下一个颠覆式创新点人车交互是体验核心,多屏融合智能驾驶舱代表未来。传统汽车座舱功能区布局碎片化, 信息过载带来人车交互的障碍,导致智能手机成了人车交互的入口,汽车本身的入口价值 被低估。随着汽车电子化程度提高,集成了液晶仪表、抬头显示仪、中控屏幕和后座娱乐 的多屏融合智能驾驶舱会带来更为智能化和安全性的交互体验,同时也是高级辅助驾驶 (ADAS)、自动驾驶和人工智能等新时代技术的关键接口。智能驾驶舱,未来汽车的“第二大脑”负责娱乐端,智能驾驶舱有望成为汽车未来“第二大脑”。根据英伟达预测,未来汽车主要 由两大运算单元构成,分别是智能驾驶舱和无人驾驶。定义人机交互即全车娱乐部分的智 能驾驶舱(cockpit)在汽车
发表于 2019-12-06
智能驾驶舱深度报告:汽车颠覆式创新点
自动驾驶还有这些「冷知识」,你知道吗?
对于所有谈及自动驾驶的人来说,自动驾驶等级几乎是完全绕不开的词。从L0到L5的6个等级,就像是考试的分数一样,代表着由低到高的自动驾驶水平,不管是从业者还是圈外人士,都在使用这项标准对复杂的自动驾驶系统进行理解和区分。不过,这套发布了数年并至今已更新至第三版的自动化系统分类和定义的标准,囊括的内容远不止只是简单划分的6个等级,它同样也为同级别系统间的比较提供了参考的方法。其中,比较重要的三个参数是设计行驶区域(ODD)、动态驾驶任务(DDT)和动态驾驶任务支援(DDT Fallback)。为什么同级别自动驾驶系统之间差异巨大?为什么不同级别系统之间的实际体验与等级不完全相符?透过这三个要素的对比,很多都能一窥端倪。*截图源自SAE
发表于 2019-12-06
自动驾驶还有这些「冷知识」,你知道吗?
浅析自动贴标,特斯拉用人类驾驶行为训练 Autopilot
据外媒报道,贴标(labeling)将助力机器学习的运行。单个标签能向人工神经元网络说明给定输入信息的正确输出值。举个例子,视频中空闲车道的像素会被贴上「自由空间/可用空间」的标签。与车辆、行人、人行道、交通锥标、障碍物等所对应的像素则不得被标记为「自由空间/可用空间」。鉴于有足量的标签示例,神经元网络非常善于学习与路面及障碍物相对应的像素图形种类。在展示的一段新视频中,经训练的神经元网络可给出正确的输出结果,使得自动驾驶车辆能够了解哪些地方可实现自动驾驶车辆的安全行驶,哪些地方则无法做到这一点。默认的视频贴标实现方式是聘用相关人员来对视频像素内容进行人工贴标工作,然而,该方式代价太高昂了,因为手动贴标非常耗时,而所需标记
发表于 2019-12-06
AR让自动驾驶更清楚的了解道路威胁(二)
上一部分我们讲到增强现实技术如何提高自动驾驶的测试效果的,下面具体介绍一下将增强现实功能应用到测试中的案例,让我们看看它会让自动驾驶变得有多聪明。 2017年6月,我们在位于安阿伯的密歇根大学北校区,建立了全球首个自动驾驶汽车全尺寸试验台——Mcity实施了增强现实环境。它占地32英亩,其8车道公里(5车道英里)的道路被安排在具有高速公路、多车道主干道或交叉路口属性的路段。 自动测试车配备了车载设备,可以监测如位置、速度、加速度和航向等车辆状态,每隔十分之一秒发出一次。利用专门的短程通信(DSRC)来实现无线传输(DSRC是一种类似于专为移动用户设计的Wi-Fi的标准)。此外,分布在测试设施周围的路边设备接收
发表于 2019-12-06
AR让自动驾驶更清楚的了解道路威胁(二)
AEB功能将确保乘客和路人的安全 决定自动辅助驾驶的上限
近年来,因汽车引发的行人死亡人数一直在上升,如何在繁杂的行车环境中,确保所有乘客和路人的安全,是汽车安全科技发展的方向,新技术AEB有可能改变这种状况。自动驾驶的等级划分L1系统只能对加减速或方向盘二选一辅助控制,如AEB、ACC、LCC。L2系统有多项操作权,但司机主导,如TJA、HWA。L3驾驶操作和周边监控都有系统介入,人类驾驶员保持注意力备不时之需 如TLP、HWP。L4车辆可完成大部分路况下的自动驾驶。L5全部驾驶操作由系统完成,人类驾驶员可自由安排活动。AEB自动紧急制动系统对于自动驾驶有以下细分系统:DAS(自动驾驶系统)、ADAS(高级驾驶辅助系统)、AEB(自动制动)、ACC(自适应巡航)、TJA(拥堵辅助
发表于 2019-12-05
AEB功能将确保乘客和路人的安全 决定自动辅助驾驶的上限
小广播
电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2019 EEWORLD.com.cn, Inc. All rights reserved