Simuleren van Sneeuw: Nauwkeurige Radar & Lidar Testen voor Autonome Voertuigen

Een zelfrijdende auto bevat een menigte sensoren, waaronder detectoren van rijstroken, verkeersborden, en vrije ruimte. De advanced driver-assistance system (ADAS) componenten moeten geëvalueerd worden in een reeks omstandigheden voordat ze officieel op de weg mogen.

Simulatie als Veilige Testomgeving

Een veilige manier voor een testrit: de wereld hercreëren in simulatie. Je kunt een ritje maken vanaf je bureau, zegt Warren Ahner, CEO van de San Jose, CA-gebaseerde simulatiesoftwareleverancier RightHook.

"Niemand sterft in het metavers, tenminste nog niet," vertelde Ahner een publiek deze maand in een Tech Briefs-geleadde presentatie getiteld Latest Enhancements for ADAS Sensor Testing and Simulation. "Het maakt het echt makkelijk om die edge cases te verkennen die je onmogelijk zou vinden in de echte wereld."

Bedrijven als de San Jose, CA-gebaseerde simulatiesoftwareleverancier RightHook bouwen hun virtuele omgevingen gebaseerd op goed begrepen fysische fenomena, alsook een hulp van scannen en mapping-bedrijven die digitale replica's van de echte wereld maken.

Uitdaging: Regen en Sneeuw Simuleren

Maar sommige natuurlijke elementen zijn moeilijk te hercreëren. Wat als je door zwaar weer rijdt, bijvoorbeeld?

Tijdens de live presentatie had een lezer de volgende vraag voor Ahner:

"Hoe compenseer je voor de interactie van regen of sneeuwstormen op lidarsensoren in voertuigsimulatiesoftware?

Warren Ahner: Neerslag zoals regen en sneeuw kan de prestaties van een lidarsensor zeker verminderen. Ze zijn met name beïnvloed door de bundeldivergentie en de korte pulsduur. Sneeuwdetectieruis is echt geconcentreerd dichtbij die sensor en manifesteert zich in deze soort grote clusters.

Wat we zien is dat sneeuwclusterruis echt valse detecties introduceert, alsook belangrijke obstakels verbergt, wat leidt tot enkele echt, echt kritieke valse-negatieve situaties, en je komt daar echt in zodra je begint te benaderen deze 3/4"-sneeuwopstapeling per uur.

Als je daaronder bent [snelheid], is de ruis er, maar het wordt geen kritiek valse-negatief gebied, dus eerste en vooral, dit is een van de gebieden waar we beginnen met het gebruik van empirische data.

We zouden een individuele fotondeeltjesimulatie kunnen doen, maar je praat over een enorme, enorme computationele situatie die je waarschijnlijk naar een 30-seconde simulatie zou brengen die waarschijnlijk een paar uur zou duren om te berekenen. We passeren een empirisch datamodel eroverheen. We passeren data die we verzameld hebben, of sommige van onze onderzoekspartners in academische en overheidsinstanties hebben verzameld, "erbovenop" ons sensormodel, dus je zou specificeren, zeg, de sneeuwsnelheid en een paar andere kenmerken van die weersituatie, en we zouden dat als een ruismodel erbovenop de oorspronkelijke data zetten.

Dat gezegd hebbende, gisteren had Cruise zijn allereerste autonome taxirit zonder veiligheidsoperator. Ze opereren in San Francisco, wat nooit sneeuw ziet, en ze rijden niet in de regen. We werken nog steeds door met onze klanten en partners om een betere en betere oplossing te bouwen. Nu is het niet echt het probleem waar we ons te zwaar op hoeven te richten, omdat nog niemand er is.