Các nhà khoa học đã phát triển công nghệ mô phỏng dựa trên dữ liệu kết hợp hình ảnh, video, quỹ đạo trong thế giới thực và dữ liệu hành vi thành một trình mô phỏng lái xe tự động thực tế có thể mở rộng.

Nhà khoa học máy tính của Đại học Maryland – Dinesh Manocha phối hợp với một nhóm đồng nghiệp tại Baidu Research và Đại học Hồng Kông, đã phát triển một hệ thống mô phỏng hình ảnh thực tế để đào tạo và xác nhận phương tiện tự lái. Hệ thống mới cung cấp một mô phỏng phong phú hơn, chân thực hơn so với các hệ thống hiện tại sử dụng công cụ trò chơi hoặc đồ họa máy tính có độ chính xác cao và các mẫu lưu lượng được hiển thị theo toán học.

Hệ thống của họ, được gọi là Mô phỏng lái xe tự động Augmented (AADS), có thể giúp công nghệ tự lái dễ dàng hơn để đánh giá trong phòng thí nghiệm đồng thời đảm bảo độ an toàn đáng tin cậy hơn trước khi bắt đầu thử nghiệm đắt tiền trên đường.

“Công trình này đại diện cho một mô hình mô phỏng mới, trong đó chúng ta có thể kiểm tra độ tin cậy và an toàn của công nghệ lái xe tự động trước khi chúng ta triển khai nó trên xe thật và thử nghiệm trên đường cao tốc hoặc đường trong thành phố”, Manocha, một trong những tác giả của bài báo cáo cho hay.

Một lợi ích tiềm năng của xe tự lái là chúng có thể an toàn hơn vì những người lái xe dễ bị phân tâm, mệt mỏi và đưa ra những quyết định về cảm xúc dẫn đến sai lầm. Nhưng để đảm bảo an toàn, các phương tiện tự trị phải đánh giá và phản ứng với môi trường lái xe mà không bị lỗi. Với vô số những tình huống mà một chiếc xe có thể gặp phải trên đường, một hệ thống lái xe tự trị đòi hỏi hàng trăm triệu dặm giá trị của các ổ đĩa thử nghiệm trong điều kiện khó khăn để chứng minh độ tin cậy.

Mặc dù điều đó có thể mất nhiều thập kỷ để thực hiện trên đường, các đánh giá sơ bộ có thể được tiến hành nhanh chóng, hiệu quả và an toàn hơn bằng các mô phỏng máy tính đại diện chính xác cho thế giới thực và mô hình hóa hành vi của các vật thể xung quanh. Các hệ thống mô phỏng hiện đại được mô tả trong tài liệu khoa học không thể khắc họa được môi trường thực tế bằng hình ảnh và trình bày các mô hình luồng giao thông trong thế giới thực hoặc hành vi của người lái xe.

AADS là một hệ thống điều khiển dữ liệu đại diện chính xác hơn cho thông tin đầu vào mà một chiếc xe tự lái sẽ nhận được trên đường. Xe tự lái dựa trên mô-đun nhận thức, nhận và giải thích thông tin về thế giới thực và mô-đun điều hướng đưa ra quyết định, chẳng hạn như lái ở đâu hoặc có nên tăng tốc, dựa trên mô-đun nhận thức.

Trong thế giới thực, mô-đun nhận thức của một chiếc xe tự lái thường nhận được đầu vào từ máy ảnh và cảm biến nắp, sử dụng các xung ánh sáng để đo khoảng cách xung quanh. Trong công nghệ mô phỏng hiện tại, mô-đun nhận thức nhận đầu vào từ hình ảnh do máy tính tạo ra và mô hình chuyển động được mô hình hóa bằng toán học cho người đi bộ, xe đạp và xe ô tô khác. Đó là một đại diện tương đối thô của thế giới thực. Nó cũng tốn kém và mất thời gian để tạo vì các mô hình hình ảnh do máy tính tạo ra phải được tạo bằng tay.

Hệ thống AADS kết hợp hình ảnh, video và các điểm đám mây – giống như kết xuất hình dạng 3D – với dữ liệu quỹ đạo trong thế giới thực cho người đi bộ, xe đạp và các xe khác. Những quỹ đạo này có thể được sử dụng để dự đoán hành vi lái xe và vị trí trong tương lai của các phương tiện hoặc người đi bộ khác trên đường để điều hướng an toàn hơn.

Manocha nói: “Chúng tôi đang kết xuất và mô phỏng thế giới thực bằng cách sử dụng video và hình ảnh, nhưng chúng tôi cũng nắm bắt được hành vi và mô hình chuyển động thực sự. Cách con người lái xe không dễ dàng nắm bắt được bằng các mô hình toán học và định luật vật lý Vì vậy, chúng tôi đã trích xuất dữ liệu về quỹ đạo thực từ tất cả các video chúng tôi có và mô hình hóa các hành vi lái xe bằng phương pháp khoa học xã hội. Cách tiếp cận dựa trên dữ liệu này đã cho chúng tôi một mô phỏng giao thông thực tế và có lợi hơn nhiều.”

Các nhà khoa học đã gặp phải thách thức một thời gian dài trong việc sử dụng dữ liệu hình ảnh và dữ liệu video thực tế cho mô phỏng của họ: Mọi cảnh đều phải phản ứng với chuyển động của xe tự lái, mặc dù những chuyển động đó có thể không được chụp bởi máy ảnh gốc hoặc cảm biến nắp. . Bất kỳ góc hoặc góc nhìn nào không được chụp bởi ảnh hoặc video đều phải được hiển thị hoặc mô phỏng bằng các phương pháp dự đoán. Đây là lý do tại sao công nghệ mô phỏng luôn phụ thuộc rất nhiều vào đồ họa do máy tính tạo ra và các kỹ thuật dự đoán dựa trên vật lý.

Để vượt qua thách thức này, các nhà nghiên cứu đã phát triển công nghệ cô lập các thành phần khác nhau của cảnh đường phố trong thế giới thực và biến chúng thành các yếu tố riêng lẻ có thể được ghép lại để tạo ra vô số kịch bản lái xe thực tế.

Với AADS, xe cộ và người đi bộ có thể được đưa từ một môi trường đặt vào một môi trường khác với các kiểu di chuyển và ánh sáng thích hợp. Đường có thể được tạo lại với các cấp độ giao thông khác nhau. Nhiều góc nhìn của mỗi cảnh cung cấp các góc nhìn thực tế hơn trong quá trình thay đổi làn đường và ngã rẽ. Ngoài ra, công nghệ xử lý hình ảnh tiên tiến cho phép chuyển tiếp mượt mà và giảm méo lệch so với các kỹ thuật mô phỏng video khác. Các kỹ thuật xử lý hình ảnh cũng được sử dụng để trích xuất quỹ đạo và từ đó mô hình hóa các hành vi của trình điều khiển.

“Bởi vì chúng tôi đang sử dụng video trong thế giới thực và các chuyển động trong thế giới thực, mô-đun nhận thức của chúng tôi có thông tin chính xác hơn các phương pháp trước đây”, Manocha nói. “Và sau đó, vì tính chân thực của trình giả lập, chúng tôi có thể đánh giá tốt hơn các chiến lược điều hướng của một hệ thống lái xe tự trị.”

Manocha nói rằng bằng cách xuất bản công trình này, các nhà khoa học hy vọng một số tập đoàn phát triển phương tiện tự lái có thể kết hợp cách tiếp cận dựa trên dữ liệu để cải thiện trình mô phỏng của chính họ cho thử nghiệm và đánh giá hệ thống lái tự động.

Vân Thùy

Theo Science Daily


Trước sự phát triển vũ bão của công nghệ nói chung và trí tuệ nhân tạo (AI) nói riêng, rủi ro về khả năng phát triển trí tuệ nhân tạo vượt ngoài khuôn khổ hiện thời là hoàn toàn có thể xảy ra. Đứng trước những yêu cầu của xã hội, Viện Michael Dukakis (MDI) đã và đang phát triển Sáng kiến Xã hội Trí tuệ nhân tạo (AIWS) với Mô hình AIWS 7 lớp; đồng thời thành lập Hội đồng Tiêu chuẩn và Thực hành AIWS với mục tiêu phát triển và xây dựng những tiêu chuẩn cho một công dân trí tuệ nhân tạo , các chuẩn mực của Xã hội Vạn vật Trí tuệ nhân tạo (AIWS).