自动驾驶仪让自动驾驶仪更了解道路威胁(2)

在前一部分，我们讨论了增强现实技术如何提高自动驾驶的测试结果。以下是将增强现实功能应用于测试的案例的具体介绍。让我们看看它能让自动驾驶有多聪明。

2017年6月，我们在安阿伯-M市密歇根大学北校区建立了世界上第一个全尺寸自动驾驶汽车试验台，实现了增强现实环境。它占地32英亩，其8车道公里(5车道英里)的道路布置在具有高速公路、多车道主干道或交叉路口属性的路段中。

自动测试车配备车载设备，可以监控车辆状况，如位置、速度、加速度和航向，每十分之一秒发送一次。专用短程通信(DSRC)用于实现无线传输(DSRC是一种类似于为移动用户设计的无线网络的标准)。此外，分布在测试设施周围的路边设备接收信息并将其转发给交通模拟模型，该模型可以通过将测试设施简化为包含交通信号动作的等效网络几何形状来模拟测试设施。一旦计算机模型接收到测试车信息，它将创建测试车的虚拟副本。然后，根据真实测试车辆的运动更新虚拟车辆的运动。

只有一半的回路是通过将真实试验车辆的数据输入计算机模拟而形成的。我们通过将计算机模拟的各种车辆的信息发送到测试车辆来完成另一半。这是增强现实环境的本质。每个模拟车辆将产生频率为10 Hz的车辆状态信息。我们将把信息转发给路边设备，路边设备将实时发布(广播)信息。当真实测试车辆接收到数据时，其车辆控制系统将使用该数据来“查看”所有虚拟车辆。对于汽车来说，这些模拟的实体和真实的没有什么不同。

信息通过路边设备传输——也就是说，使用“V2I”连接而不是直接的“V2V”连接——真实车辆和虚拟车辆可以相互感应并相应地相互作用。类似地，真实世界和模拟世界之间的交通信号状态是同步的。这样，真实和虚拟的车辆可以“看见”给定的灯，并判断它是绿色还是红色。

在真实世界和模拟世界之间传输的状态信息当然也包括车辆的位置。这允许将实际车辆映射到模拟道路网络，并将模拟车辆映射到实际道路。实际车辆的位置由模拟车辆的全球定位系统坐标(纬度、经度和高度)和本地坐标(x、y和z)确定。

然而，这种精确的转换并不完全是必需的。全球定位系统和地图之间的微小误差将阻止全球定位系统的位置出现在模拟道路上。由全球定位系统获取的位置从实际测试车辆转向，然后转换到本地坐标系。为此，我们使用单独的映射算法来纠正这些错误。此外，当测试车停止时，我们必须锁定其在模拟环境中的位置，以便其全球定位系统坐标的波动不会导致其在模拟中偏离。

无线电收发器[白色物体，顶部]从汽车获取数据，并返回计算机生成的虚拟数据。虚拟物体是一列火车。为避免闯红灯而刹车的虚拟汽车。在小型空中可以产生许多交通模式

无线通信将是所有这些的传输枢纽。为了确保其可靠性，我们在Mcity安装了四个路边收音机，足以覆盖整个测试设施。DSRC无线标准工作在5.9 GHz频段，为我们提供高数据传输速率和非常低的延迟。这些设备对于高速行驶和紧急停车时的安全非常重要。DSRC在日本和欧洲广泛使用。尽管凯迪拉克目前正在为其部分车型配备DSRC设备，但在美国并未受到太多关注。

然而，我们不确定DSRC是否会成为汽车之间的一种交流方式。有些人认为蜂窝通信(C-V2X)，特别是在即将到来的5G实现中，可以提供更宽范围的低延迟。无论哪种标准胜出，我们系统中使用的通信协议都可以轻松地适应它。

我们希望用于构建系统的软件框架能够持续一段时间，至少几年。我们用PTV·维斯姆(Vissim)来构建我们的模拟，这是一个在德国开发的商业软件包，用于交通流的“微观”模拟，即模拟每辆车的行为。

可以预期，其他公司将开始使用我们的系统来测试他们自己的自主车辆。目前，我们的林肯MKZ混合动力车被用作测试车。它配有DSRC，因此可以完全连接。我们添加到汽车上的有线控制系统允许软件控制方向盘、油门、刹车和变速器。该车还搭载多部雷达、激光雷达、摄像机和一个全球定位系统接收器，用于实时运动定位，通过参考地面无线电台的信号来提高分辨率。

Mcity测试车携带激光雷达(激光测距仪)，可用于圆形视野(由旋转屋顶塔提供)和前方聚焦。雷达补充了这种感觉，而全球定位系统使用高度精确的无线电校正来完善设备。

目前，我们已经实现了两个测试场景。在第一个场景中，当列车接近Mcity的铁路道口模型时，系统生成虚拟列车并将其投影到测试车感知的增强现实中。关键是看测试车能否及时停下来，然后等待火车通过。我们还增加了其他虚拟车辆，比如测试车后面的汽车。这些汽车行——真实的和虚拟的——可以正式安排为车队(称为车队)，或者它们可以临时安排:也许汽车排队进入坡道。

第二个更复杂的测试场景涉及我们前面提到的情况——闯红灯。根据美国汽车协会的数据，红灯车辆占美国十字路口死亡人数的四分之一以上。该场景有两个目的:观察测试车对交通信号的反应和对闯红灯的反应。

我们的测试车可以判断信号是红色还是绿色，并决定是停还是走。它还应该能够注意到模拟红灯车辆的接近，预测其轨迹，并在测试车辆通过轨迹时计算其可能的位置。测试车应该能够做好所有这些事情以避免碰撞。

由于运行模拟的计算机可以完全控制红光通道的动作，因此它可以在连续的实验迭代中产生各种测试参数。这就是为什么计算机比任何人类驾驶员都更精确。当然，整个实验可以在完全安全的条件下进行。

事实上，有许多这样的边缘模拟是可以做到的。例如，我们可以使用增强现实环境来评估测试车辆处理复杂驾驶情况的能力，例如从停车标志左转到主要公路。车辆需要在两个方向寻找交通间隙空，并注意可能穿过标志的行人。汽车可以停在中间，也可以直接进入想要的车道。这涉及决策过程的几个阶段，所有阶段都考虑到其他车辆的行动(包括预测它们将如何对测试车辆的行动做出反应)。

另一个例子是在没有交通信号的情况下进出环形交叉路口的情况。这里，测试车辆需要预测其他车辆的下一步，决定可接受的间隙，使用它合并车道，并观察其他车辆。我们还可以用自行车、行人和其他道路使用者(如农业机械)构建增强现实场景。这种替代角色的可预测性越低，自动驾驶汽车就需要越多的智能。

最后，我们希望构建一个包含边缘案例的大型测试场景库，然后使用增强现实测试环境反复运行测试。我们目前正在建立这样一个数据库，其中包括从实际事故报告中收集的数据，以及被装有传感器的车辆观察到的人是如何在不知道自己是实验参与者的情况下驾驶的。通过叠加不同的边缘条件，我们希望创造人工边缘条件，这对于在自主车辆上运行的软件来说尤其具有挑战性。

有了这样的设备，我们应该能够看到一辆自动驾驶汽车有多安全，而不是必须足够勇敢才能在阳光下驾驶。