Scalable Edge-assisted Fusion and Path Prediction for Connected Autonomous Vehicles
Dieses Paper präsentiert Conductor, ein edge-unterstütztes System für vernetzte autonome Fahrzeuge, das gezielt ver occlusion-bewusste Fahrzeugeingaben auswählt und Fusionsarbeitslasten adaptiert, um strikte Age-of-Information-Grenzwerte einzuhalten, während es ein einheitliches Weltmodell sowie Trajektorienvorhersagen generiert, die lokale Fusionsmethoden des aktuellen Stands der Technik signifikant übertreffen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Autonome Autos verlassen sich auf einen ständigen Strom von Sensordaten, um sicher zu navigieren, aber ihre Kameras und Laser haben eine grundlegende Schwäche: Sie können nicht durch Wände, parkende LKWs oder andere Fahrzeuge sehen. Wenn ein Fußgänger hinter einem Bus auf die Straße tritt oder ein Auto um eine unübersichtliche Kurve rast, bemerken die Sensoren des autonomen Fahrzeugs die Gefahr oft erst, wenn es zu spät ist, um zu stoppen. Um dies zu lösen, bauen Ingenieure Netzwerke auf, in denen Autos und Straßen-Einheiten das teilen, was sie sehen, wodurch eine kollektive Sicht auf die Straße entsteht, die weitaus vollständiger ist, als es ein einzelnes Fahrzeug allein erreichen könnte. Diese geteilten Informationen sind jedoch nur dann nützlich, wenn sie augenblicklich eintreffen. Wenn die Daten auch nur einen Bruchteil einer Sekunde zu alt sind, trifft der Computer des Autos Entscheidungen basierend auf einer Welt, die sich bereits verändert hat, was eine hilfreiche Warnung in eine gefährliche Ablenkung verwandelt.
Forscher am Georgia Institute of Technology und der University of Edinburgh haben ein neues System namens Conductor entwickelt, um dieses empfindliche Gleichgewicht zu verwalten. Sie entdeckten, dass das bloße Hinzufügen von mehr Autos zum Netzwerk die Sicherheit nicht immer erhöht; tatsächlich kann der Versuch, Daten von zu vielen Fahrzeugen gleichzeitig zu verarbeiten, das System so sehr verlangsamen, dass die Informationen veraltet sind, bevor sie den Fahrer erreichen. In ihren Simulationen überschritt die Zeit, die für die Verarbeitung und Bereitstellung der Daten benötigt wurde, bei mehr als siebzehn gleichzeitig ihre Ansichten teilenden Autos eine kritische Sicherheitsgrenze von dreihundert Millisekunden. Bei typischen Stadtgeschwindigkeiten entspricht diese Verzögerung einer Distanz von vier Metern, oder etwa einer Fahrspurbreite, was genau der Spielraum ist, der benötigt wird, um im Notfall sicher zu bremsen. Die Forscher fanden heraus, dass dieser „Deadline-Cliff“ (Deadline-Abgrund) dadurch entsteht, dass der Computer an der Straße überfordert ist, wenn er versucht, alle eingehenden Informationsströme gleichzeitig zusammenzuführen.
Um dies zu verhindern, entwarf das Team einen intelligenten Filter, der als Verkehrsleiter für die Daten fungiert. Anstatt Informationen von jedem verfügbaren Auto zu akzeptieren, analysiert das System, welche Fahrzeuge tatsächlich etwas sehen, das die Straßenkamera nicht sehen kann. Wenn ein Auto an einer Stelle parkt, an der seine Sicht die Informationen der Straßeneinheit dupliziert, ignoriert das System es. Es wählt nur die Autos aus, die verborgene Objekte entdecken, wie etwa ein Fahrzeug, das durch ein Gebäude verdeckt wird, oder einen Fußgänger in einem toten Winkel. Dieser Auswahlprozess findet in Echtzeit statt, um sicherzustellen, dass das System nur die wertvollsten neuen Informationen verarbeitet. Sobald die nützlichsten Autos ausgewählt wurden, passt das System zudem an, wie stark es die zukünftigen Bewegungen anderer Fahrzeuge vorhersagt. Wenn die Verarbeitungszeit knapp wird, konzentriert es seine Rechenleistung auf die gefährlichsten oder unvorhersehbarsten Objekte, während einfachere, schnellere Berechnungen den Rest übernehmen.
Die Forscher testeten diesen Ansatz in einer simulierten Umgebung, die belebte Stadtkreuzungen mit bis zu einunddreißig vernetzten Autos nachahmte. Sie verglichen ihre neue Methode mit älteren Ansätzen, die entweder versuchten, jedes einzelne Auto einzubeziehen, oder auf einfacheren, weniger detaillierten Datenaustausch setzten. Die Ergebnisse zeigten, dass ihr System das einzige war, das in der Lage war, die Informationen über alle Verkehrsdichten hinweg frisch genug zu halten, um sicher zu sein. In Szenarien, in denen die Straßenkamera große tote Winkel hatte, ermöglichte die Fähigkeit des Systems, die richtigen Autos auszuwählen, 87 Prozent der verborgenen Objekte zu erfassen, die eine zufällige Auswahl von Autos übersehen hätte. Als sie das System in einer Closed-Loop-Fahrsimulation testeten, bei der die virtuellen Autos tatsächlich fahren und auf die Daten reagieren mussten, ermöglichte die neue Methode den Fahrzeugen, komplexe, belebte Kreuzungen zu durchfahren, ohne zu kollidieren oder plötzliche, unnötige Stopps einzulegen. Im Gegensatz dazu scheiterten Systeme, die versuchten, alle verfügbaren Daten zu nutzen, unter hoher Verkehrslast, und Systeme, die auf einfachem Datenaustausch basierten, scheiterten daran, verborgene Gefahren zu erkennen.
Die Studie bestätigt, dass für vernetzte autonome Fahrzeuge die Technologie ebenso sehr darin bestehen muss, Zeit und Rechenressourcen zu verwalten, wie auch darin, die Straße zu sehen. Indem das Conductor-System sorgfältig auswählt, welche Autos zur gemeinsamen Sicht beitragen, und die Komplexität der Vorhersagen an die verfügbare Zeit anpasst, stellt es sicher, dass die kollektive Intelligenz des Netzwerks ein zuverlässiger Partner für den Fahrer bleibt und nicht zu einer Quelle gefährlicher Verzögerungen wird. Diese Arbeit legt nahe, dass die Zukunft des autonomen Fahrens nicht nur im Bau smarterer Sensoren liegt, sondern in der Entwicklung smarterer Wege, die von diesen Sensoren gesammelten Daten zu teilen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.