Innovative Strassen-Szenarien für das Testen von selbstfahrenden Autos

Selbstfahrende Autos werden immer häufiger, und es gibt einen wachsenden Bedarf, sie in verschiedenen Fahrsituationen zu Testen. Allerdings wurde beim Thema Strassen, auf denen diese Autos fahren, nicht viel Aufmerksamkeit darauf verwendet, abwechslungsreiche Strassentypen und -layouts zu schaffen. Die aktuellen Methoden erstellen entweder einfache Strassenabschnitte, ohne ganze Strassen Systeme zu bauen, oder sie schaffen ganze Strassen, die einfach nur gerade und langweilig sind. Diese mangelnde Vielfalt bedeutet, dass die Szenarien, die zum Testen dieser Autos verwendet werden, nicht wirklich ausreichen. Also haben wir beschlossen, einen Plan zu entwickeln, um interessantere und abwechslungsreichere Strassenaufbauten für Tests zu schaffen.

#Der Bedarf an Tests

Selbstfahrende Autos sind nicht nur schicke Spielzeuge; sie können dazu beitragen, die Sicherheit auf den Strassen zu verbessern. Sie sollen Unfälle reduzieren und Mobilität für diejenigen bieten, die möglicherweise nicht selbst fahren können. Bevor wir diesen Autos jedoch wirklich vertrauen können, müssen sie zeigen, dass sie zumindest ein bisschen sicherer sind als normale Fahrer. Um das zu beweisen, müssen Unternehmen diese Autos über 11 Milliarden Meilen fahren lassen, nur um zu zeigen, dass sie 20% sicherer sind als menschliche Fahrer. Das ist eine ganz schön hohe Anforderung!

Tests auf der Strasse sind kostspielig und können nicht jedes mögliche Problem abdecken, dem diese Autos begegnen könnten. Hier kommen simulierte Szenarien ins Spiel. Indem wir realistische Fahrsituationen erstellen, auf die die Autos reagieren können, können wir ihre Sicherheit testen, ohne Leben zu riskieren.

#Aktuelle Testmethoden

Unternehmen wie Waymo haben eine Menge simulierter Fahrkilometer gesammelt – über 15 Milliarden bis Anfang 2021. Verschiedene Methoden wurden verwendet, um diese Fahrsituationen zu erstellen, aber die meisten konzentrieren sich auf Dinge wie das Verhalten von Fahrern und Fussgängern oder das Wetter und vernachlässigen dabei die Strassen selbst.

Einige neuere Bemühungen wurden unternommen, um abwechslungsreichere Strassensituationen zu entwickeln. Diese Bemühungen sind jedoch noch nicht ausreichend. Sie produzieren entweder einfache Strassenabschnitte oder schaffen vollständige Netzwerke ohne interessante Merkmale. Das bedeutet, dass die Strassen ziemlich gleich aussehen, was wir für ordentliche Tests nicht brauchen.

#Unsere Lösung

Um dieses Problem anzugehen, haben wir eine systematische Methode entwickelt, um vielfältige Strassenaufbauten zu generieren. Zuerst haben wir acht Typen von grundlegenden Strassenabschnitten identifiziert. Jeder dieser Abschnitte kann auf verschiedene Weise angepasst werden, um unterschiedliche Strassenformen und -designs darzustellen.

Als nächstes haben wir diese Strassenabschnitte auf kreative Weise miteinander verbunden und darauf geachtet, weniger gängige Teile auszuwählen, um mehr Vielfalt zu den Aufbauten hinzuzufügen. Um sicherzustellen, dass es keine Duplikate gibt, haben wir alle Strassen entfernt, die anderen zu ähnlich sahen.

Am Ende haben wir die generierten Strassenszenarien in hochauflösende Karten und 3D-Szenen umgewandelt. Diese können von Simulatoren verwendet werden, was es einfach macht, die selbstfahrenden Autos unter verschiedenen Bedingungen zu testen.

#Die Bedeutung von Vielfalt

Das Testen selbstfahrender Autos erfordert eine Vielzahl von unterschiedlichen Strassentypen und -layouts. Ein einzelner Strassen Typ zeigt uns nicht, wie ein Auto auf unterschiedliche Szenarien reagiert. Daher ist Vielfalt im Design entscheidend. Zum Beispiel, wie wird ein selbstfahrendes Auto mit einer kurvenreichen Strasse im Vergleich zu einer geraden Strasse umgehen? Was ist mit Kreuzungen und Abzweigungen? Jedes Szenario hilft den Ingenieuren, spezifische Funktionen der Selbstfahrfähigkeiten des Autos zu testen.

#Die acht Arten von Strassenkomponenten

Um eine solide Grundlage für unsere Szenarien zu schaffen, haben wir acht Arten von typischen Strassenkomponenten definiert. Hier sind sie in einfachen Worten beschrieben:

1. Gerade Strasse: Ein grosser Stück Asphalt, der einfach geradeaus geht.
2. Kurvige Strasse: Diese Strasse biegt und wendet sich, was das Auto dazu bringt, das Lenken anzupassen, um auf dem Weg zu bleiben.
3. Fahrstreifenwechsel: So wie es klingt, ist das der Ort, an dem Autos die Fahrspuren wechseln, entweder die Anzahl der Spuren erhöhen oder verringern.
4. Gabelung: Eine Strasse, die sich auf zwei aufteilt, sodass die Autos entscheiden können, in welche Richtung sie fahren möchten.
5. T-Kreuzung: Denk an eine „T“-Form, wo eine Strasse auf eine andere trifft und es den Autos ermöglicht, geradeaus zu fahren oder abzubiegen.
6. Kreuzung: Der Ort, an dem sich zwei Strassen kreuzen und ein gutes altes Spiel Huhn spielen.
7. U-förmige Strasse: Das ist eine witzige! Es ist wie eine scharfe Kurve, die dich um 180 Grad dreht.
8. Kreisverkehr: Ein kreisförmiger Weg, auf dem Autos um eine zentrale Insel fahren können, was den Verkehr fliessend hält.

Jede dieser Komponenten kann hinsichtlich Länge, Anzahl der Spuren und mehr angepasst werden, um einzigartige Aufbauten zu schaffen.

#Wie verbinden wir die Punkte?

Jetzt, wo wir all dieses Strassenwissen haben, wie setzen wir das alles zusammen? Wir haben eine Methode entwickelt, um diese Strassenabschnitte so zu verbinden, dass es frisch bleibt.

Unsere Methode beginnt damit, dass wir verfolgen, wie oft wir jeden Strassenabschnitt verwenden. So können wir Teile bevorzugen, die noch nicht oft verwendet wurden. Dann wählen wir ein Teil aus, um zu beginnen, und von dort an erstellen wir ständig Verbindungen, bis wir eine bestimmte Grenze erreichen, wie beispielsweise die verbrachte Zeit oder die Anzahl der verwendeten Teile.

Diese Methode stellt sicher, dass wir die Dinge interessant halten, da sie zufällig die weniger gängigen Teile einbezieht und sie kreativ kombiniert. Im Laufe der Zeit bauen wir eine Reihe von einzigartigen Strassenszenarien auf, die wertvolle Testsituationen bieten können.

#Verabschiedung von Duplikaten

Sobald wir eine Menge von Strassenaufbauten generiert haben, müssen wir sicherstellen, dass wir keine Wiederholungen haben. Die gleichen Strassenszenarien können die Ergebnisse verfälschen und den Zweck vielfältiger Tests zunichte machen, also haben wir eine Methode implementiert, um die Ähnlichkeit zwischen verschiedenen Aufbauten zu messen.

Wir betrachten jedes Strassenszenario im Grunde als ein Diagramm, wobei Strassenabschnitte Punkte sind und Verbindungen Linien zwischen ihnen darstellen. Wenn zwei Szenarien zu ähnlich sind, betrachten wir eines von ihnen als Duplikat und werfen es raus.

#Alles zusammenbringen

Mit unserer finalen Charge einzigartiger Strassenszenarien in der Hand sind wir bereit, sie in Formate umzuwandeln, die problemlos in Simulatoren verwendet werden können. Wir nutzen Tools wie RoadRunner, um unsere Szenarioskripte in HD-Kartendateien und 3D-Szenendateien zu verwandeln.

Mit diesen Formaten können selbstfahrende Autos in simulierten Umgebungen getestet werden, die das reale Fahren viel näher widerspiegeln als jemals zuvor.

#Bewertung unseres Ansatzes

Jetzt, da wir diese vielfältigen Strassenszenarien generiert haben, wie gut halten sie in Tests stand? Wir wollten zwei Hauptfragen beantworten:

1. Sind unsere generierten Strassenszenarien effektiv?
2. Können sie in echten Simulationen verwendet werden?

Um diese Szenarien zu bewerten, haben wir eine grosse Anzahl für eine vergleichende Analyse generiert. Wir haben unsere Methode mit einem Baseline-Ansatz verglichen, der einfach zufällige Strassenabschnitte auswählte. In unseren Tests haben wir festgestellt, dass unsere Methode konsistent mehr einzigartige Strassenszenarien generierte und dies schneller als das Baseline-Verfahren tat.

#Erfolgskennzahlen und Ergebnisse

In unseren Experimenten konnten wir die Anzahl der über die Zeit generierten einzigartigen Strassenszenarien verfolgen. Was wir festgestellt haben, war, dass unsere Methode zwar anfangs etwas länger dauerte, während sie die Anleitung berechnete, aber letztendlich eine höhere Anzahl einzigartiger Szenarien in kürzerer Zeit produzierte.

Die Einzigartigkeit war ebenfalls signifikant höher, was zeigt, dass unser Ansatz effektiv vielfältige Strassenkonfigurationen geschaffen hat.

#Anwendbarkeit in echten Simulationen

Nach der Validierung der Strassenszenarien haben wir mehrere Tests durchgeführt, um zu sehen, wie gut sie in echten Simulationen funktionierten. Wir haben die generierten Strassenszenarien in 3D-Szenendateien und HD-Kartendateien zusammengefasst, die dann in selbstfahrenden Systemen wie Apollo getestet wurden.

Wir waren froh zu entdecken, dass über 92% der Szenarien erfolgreich kompiliert wurden, was ein gutes Zeichen für ihre Nutzbarkeit ist. Das bedeutet, dass, wenn es an der Zeit ist, dass die selbstfahrenden Autos sich in der simulierten Welt behaupten, sie eine reichhaltige Vielfalt an Strassen haben werden, mit denen sie umgehen müssen.

#Zukünftige Verbesserungen

Obwohl unsere Methode vielversprechende Ergebnisse gezeigt hat, gibt es noch Raum für Verbesserungen. Wir haben nur die Skizze mit den acht Typen von Strassenkomponenten entworfen und würden diese Liste gerne erweitern, um noch mehr Vielfalt einzubeziehen.

Darüber hinaus haben wir uns nur auf strassenbezogene Szenarien konzentriert, aber es gibt eine ganze Welt von Elementen darüber hinaus, wie Verkehrszeichen und dynamische Objekte. Wir planen, diese in unsere Szenarien in der Zukunft zu integrieren.

#Fazit

Wir haben uns vorgenommen, eine Methode zur Generierung vielfältiger Strassenszenarien für das Testen von selbstfahrenden Autos zu schaffen, und die Ergebnisse waren ermutigend. Durch die Definition verschiedener Strassenkomponenten, das Leiten ihrer Verbindungen und das Sicherstellen, dass keine Duplikate reinkommen, haben wir die Grundlagen für effektivere Tests gelegt.

Während autonome Fahrzeuge weiterhin entwickelt werden, werden auch unsere Methoden zu deren Testen fortschreiten. Wir hoffen, dass unsere Arbeit dazu beitragen wird, den Weg für sicherere Strassen und intelligentere Autos zu ebnen. Und wer weiss? Vielleicht werden diese Autos eines Tages so gut sein, dass sie uns sogar ohne unsere Hilfe zur Kaffeebar fahren können. Das klingt nach einem Gewinn für alle!