智能应用 影音
DTResearch
DForum

跨国团队开发DuckieNet以促进自驾车系统研究再现性

DuckieNet提供建置成本低、可扩充性高的自驾技术开发、测试、部署架构。麻省理工学院计算机科学与人工智能实验室

跨国团队基于Duckietown平台合作开发分散式城市协作标竿测试网络(DuckieNet),为感知与导航算法的开发、测试、部署,提供建置成本低、可扩充性高的架构,实现自驾研究的再现性(reproducibility)。

根据VentureBeat报导,机器人包含大量以人工智能(AI)训练、交互作用的复杂元件,表现受环境影响差异极大,相关研究存在再现性问题。由瑞士苏黎世联邦理工学院(ETH Zurich)、丰田工业大学(TTI)、加拿大蒙特娄学习算法学院(Mila)、自动驾驶车新创公司NuTonomy的研究人员组成的团队致力于克服这个挑战。

团队主张妥善设计研发程序、以公平的条件评估算法,能实现机器人研究的再现性,规模化实施还能让机器人研究评估更系统化以促进研发进展。2年一度的AI驾驶奥运(AI Driving Olympics)从2019年初便开始采用DuckieNet,进行最先进自驾车驾驶技术的标竿测试,产生效能衡量与领先者积分板的视觉化呈现,提供底层原始资料、开源基准与文件等。

DuckieNet采用几乎全以现成零件构成的低价Duckiebot附轮机器人,包含处理运算的树莓派(Raspberry Pi)套件、单一传感器、一对驱动轮子的直流(DC)马达。Duckietown开源平台源自麻省理工学院(MIT),由机器人据以导航的看板以及运动地垫与胶带组成,交通灯号透过内建的LED灯致动且具备感测与运算能力,硬件组成跟Duckiebot相同但没用到轮子。

DuckieNet在Duckietown平台配置challenges服务器来储存机器学习算法、标竿测试、测试结果,并负责计算领先者积分板资料、分派自驾模拟作业给一组当地或云端的测试机器。实际的测试由部署DuckieNet的实体实验室执行,并透过一组配备跟Duckiebot相同传感器与树莓派套件的低成本「了望塔」结构追踪固定在Duckiebot上的卷标(tag)。

亚马逊(Amazon) AWS的DeepRacer服务提供自驾模型开发与部署到模型车的云端模拟器,DuckieNet功能类似但可让使用者在提交到challenges服务器的Docker容器中自订Duckiebot横向偏离车道中心的平均定位误差,以及Duckiebot相对于车道方向的平均定向误差等标竿资料。

此外算法也能以Docker容器的形式提交并观察其运行,且除了重设(reset)测试作业与进行Duckiebot充电,Duckietown平台可完全自主运行。研究团队宣称DuckieNet有助于克服自驾领域研究的某些特定挑战,主办研究竞赛也是DuckieNet的主要应用之一。


  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 智能交通 自驾车