马里兰大学研究人员开发新仿真方法 可训练自动驾驶汽车在复杂城市场景中导航

　　图片来源：研究人员Mavrogiannis、Chandra和Manocha

　　项目负责人Dinesh Manocha教授表示：“虽然目前人们对自动驾驶汽车的自动导航很感兴趣，但目前用于导航的人工智能方法并没有考虑到人类驾驶员或其他自动驾驶汽车在道路上的行为。而我们研究的目标是开发强大的技术，可以检测和分类其他道路使用者(例如车辆、公共汽车、卡车、自行车、行人)的行为，并使用这些行为来指导自动驾驶汽车的驾驶轨迹。”

　　通常，驾驶行为可大致分为两大类：保守或激进行为，其中保守的驾驶员更加小心和专心，而激进的驾驶员可能不稳定和好战。

　　准确检测这些不同的驾驶模式对于自动驾驶汽车非常有用，尤其是在关键时刻(例如，变道或进入/离开高速公路时)，因为它允许车辆相应调整其轨迹和安全措施。过去，许多团队使用仿真平台来启用自动驾驶车辆以及高级驾驶员辅助系统(ADAS)，以准确分类这些驾驶行为。

　　参与该研究的另一位研究员Rohan Chandra表示：“自动驾驶导航系统通常在进行现场测试之前进行仿真训练。在我们最近的论文中，我们提出了一种新颖的行为驱动仿真器，它可以模拟在现实世界交通场景中观察到的各种不同行为。这意味着通过训练底层导航系统，车辆可以处理现实交通场景中的复杂驾驶行为。”

　　播放

　　视频来源：研究人员Chandra

　　研究人员引入的仿真技术基于一个模型CMetric打造，该模型可以对道路上其他道路使用者的驾驶行为进行分类，并分析轨迹，然后使用最先进的计算机视觉工具进行计算。

　　另一位研究员Angelos Mavrogiannis表示：“通过使用CMetric，我们的行为引导仿真器可以生成具有不同行为的道路使用者，从而引起混合交通场景。异构驾驶行为的模拟是我们工作的一个独特方面。我们使用基于DQN(Deep Q-Network)的深度强化学习策略，并将其与我们的仿真器集成。”

　　Mavrogiannis、Chandra和Manocha引入的驾驶行为预测模型可以与各种最先进的车辆导航算法集成。这意味着全球其他团队可以使用它来改进自己模型的训练并提高整体性能。

　　截至目前，大多数现有的自动驾驶汽车都难以应对复杂的城市环境，包括交通繁忙或交通信号灯、行人和自行车数量众多的道路。而马里兰大学研究人员开发的仿真技术最终可以帮助提高自动驾驶车辆在复杂城市场景中的性能。

　　Chandra表示：“目前的自动驾驶系统主要适用于高速公路交通情况。但我们的方法为在复杂城市或具有挑战性的场景中模拟和评估自动驾驶技术提供了一种新颖的解决方案。”

　　虽然该方法最初旨在作为工具训练算法，但研究人员开发的模拟技术也可用于生成训练数据集，这些数据集还考虑到复杂城市环境中的驾驶行为和车辆轨迹。 作为研究的一部分，Mavrogiannis、Chandra和Manocha使用这些行为分类方法来创建和分析METEOR，一个包含密集和非结构化交通状况视频的大规模数据集。这些视频在印度收集，然后由研究人员手动注释以突出罕见或有趣的驾驶行为，例如非典型的道路交互和交通违规行为。

　　未来，全球其他团队都可以使用该数据集，以改善拥挤和复杂城市环境中自动驾驶汽车和ADAS导航。目前，研究人员还计划将该仿真技术开源，以便其他团队和公司可以使用它来训练自己的模型和算法。