Scalable Edge-assisted Fusion and Path Prediction for Connected Autonomous Vehicles
本文提出了 Conductor，一种面向联网自动驾驶车辆的边缘辅助系统，该系统能够动态选择感知遮挡的车辆输入，并自适应调整融合工作负载，以在生成统一世界模型和轨迹预测的同时维持严格的信息新鲜度（Age of Information）界限，其性能显著优于现有的先进局部融合方法。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
自动驾驶汽车依赖于不断的感官数据流来安全导航，但它们的摄像头和激光雷达有一个根本性的弱点：它们无法看穿墙壁、停放的卡车或其他车辆。当行人从巴士后方走出来，或者汽车从盲角快速驶过时，自动驾驶汽车自身的传感器往往在危险发生到无法停车为止之前都无法察觉。为了解决这个问题，工程师们正在构建网络，让汽车和路侧单元共享它们所看到的信息，从而创建一个比任何单一车辆单独实现都要完整的道路集体视野。然而，这种共享信息只有在即时到达时才有用。如果数据哪怕只滞后了极小的一瞬间，汽车的计算机可能就会基于一个已经发生变化的现实做出决策，从而将一个有用的警报变成一种危险的干扰。
佐治亚理工学院和爱丁堡大学的研究人员开发了一种名为 Conductor 的新系统，用以管理这种微妙的平衡。他们发现，仅仅增加网络中的汽车数量并不总能提高安全性；事实上，试图同时处理来自过多车辆的数据会导致系统变慢，以至于信息在到达驾驶员之前就已经过时了。在他们的模拟中，当超过十七辆汽车尝试同时共享它们的视野时，处理并交付数据所需的时间超过了三百毫秒这一关键安全阈值。在典型的城市行驶速度下，这种延迟代表了四米的距离，或者大约一个车道的宽度，而这正是紧急情况下安全刹车所需的精确余量。研究人员发现，这个“截止日期悬崖”之所以发生，是因为路侧计算机在试图同时合并所有传入的信息流时变得不堪重负。
为了防止这种情况，该团队设计了一个智能过滤器，充当数据的交通控制器。该系统不再接受来自每一辆可用汽车的信息，而是分析哪些车辆实际上看到了路侧摄像头无法看到的物体。如果一辆车停在某个位置，其视野与路侧单元已有的视野重复，系统就会忽略它。它只选择那些正在发现隐藏物体的汽车，例如被建筑物遮挡的车辆或处于盲区的行人。这个筛选过程是实时进行的，确保系统只处理最有价值的新信息。一旦选定了最有用的汽车，系统还会调整它对其他车辆未来运动轨迹的预测程度。如果处理时间紧迫，它会将计算能力集中在最危险或最不可预测的物体上，而让更简单、更快速的计算处理其余部分。
研究人员在一个模拟繁忙城市路口的虚拟环境中测试了这种方法，该环境中有多达三十一辆联网汽车。他们将这种新方法与旧方法进行了对比，旧方法要么试图使用每一辆车，要么依赖于更简单、细节较少的数据共享。结果显示，该系统是唯一能够在各种交通密度下都能保持信息足够新鲜且安全的系统。在路侧摄像头存在较大盲区的场景中，该系统通过挑选正确的观察车辆，成功找回了随机选择车辆会遗漏的 87% 的隐藏物体。当他们在闭环驾驶模拟中测试该系统（即虚拟汽车必须实际驾驶并对数据做出反应）时，新方法使车辆能够穿越复杂拥挤的路口，而不会发生碰撞或进行突然且不必要的停车。相比之下，试图使用所有可用数据的系统在重度交通负载下失败了，而依赖简单数据共享的系统则无法察觉隐藏的危险。
这项研究证实，对于联网自动驾驶汽车而言，要实现真正的安全，技术不仅要关乎如何观察道路，更要关乎如何管理时间和计算资源。通过仔细筛选哪些汽车贡献于共享视野，并根据可用时间调整预测的复杂度，Conductor 系统确保了网络的集体智能能够成为驾驶员可靠的伙伴，而不是危险延迟的来源。这项工作表明，自动驾驶的未来不仅在于建造更智能的传感器，还在于建立更智能的方式来共享这些传感器收集到的数据。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。