シミュレーションは、多くの業界で設計手法の開発を加速するために重要です。自動車の自動運転システムの分野では、シミュレーションは伝統的に計画と運動制御アルゴリズムをテストするために使用されます。繰り返しシミュレーションを使用して、さまざまなパフォーマンス検証ソフトウェアスタックを使用してトラフィックセンサーからのデータを記録および再生する認識システムを開発しています。ただし、これらのシミュレーションは、ほとんどが実車で見られるシナリオに限定されていました。
ますます重要になっている別のタイプのシミュレーションがあります。実際の交通状況に関する情報を正確に伝える高品質の人工データの生成です。道路データのみを使用する場合の問題は、さまざまな運用領域の認識モジュールの制限に近づくために、大量のデータを収集してマッピングする必要があることです。さらに、認識アルゴリズムは利用可能なデータに対応しなくなり、作業環境の外やその他の条件下で動作すると失敗します。次に、合成データを迅速かつ安価に作成でき、その記述は、シミュレートされた環境の基本的な知識を使用して自動的に生成されます。
知覚モジュールの合成データを生成する際の問題
センサーの合成データモデリングのタスクは単純で明白に見えますが、実際には非常に困難です。さまざまな地域（サンフランシスコや東京など）の現実的な合成環境を作成することに加えて、各タイプのセンサーをモデル化するには、業界で使用されるさまざまなセンサーの基本的な物理的特性と特性に関する詳細な知識が必要です。また、他のアプリケーションのシミュレーションはリアルタイムよりも大幅に遅くなる可能性がありますが、ほとんどのドライバーレス駆動アルゴリズムでは、ほぼリアルタイムのパフォーマンスが必要です。したがって、さまざまなユースケースでさまざまなレベルのシミュレーションパフォーマンスと精度が必要になります。
各センサーをモデル化するために多大な努力が払われているという事実にもかかわらず、専門家は、近い将来、実際のデータと合成データの間に顕著なギャップがあると予想しています。知覚アルゴリズムは、センサーからの実際のデータでトレーニングし、合成データ（実際のデータから合成への移行）およびその逆（合成データから実際への移行）でテストでき、さまざまなタイプのアルゴリズムがさまざまな方法で機能します。この問題はシミュレーションデータに限定されません。カリフォルニアの道路でトレーニングされた特定のセンサーセットを使用した知覚アルゴリズムは、別のセンサーセットを使用するとパフォーマンスが低下する可能性があります。また、このアルゴリズムは、他の地域の道路でテストした場合、うまく機能しない可能性があります。
図：ステップ1-合成データで知覚システムをテストする
3D合成環境の作成
エンターテインメント業界での数十年にわたる取り組みの結果として、環境を作成するための多くのアプローチが開発されてきました。ただし、セルフドライブ業界とエンターテインメント業界には大きな違いがあります。両方の分野でフォトリアリズムに対する高い要求がありますが、自律型車両環境には追加の要件があります。それらは安価かつ迅速に作成する必要があり（エンターテインメント業界では数か月かかる場合があります）、非常に現実的である必要があります（人間の目とセンサー用）および可変であり、複数のテストケースもサポートする必要があります。
通常、3D環境は手作業で作成されます。3Dアーティストはアセットを作成し、作成された世界に配置します。このアプローチは、フォトリアリスティックな結果を生成し、デモンストレーションに最適です。ただし、手動であるため、世界中から仮想領域を作成するように拡張することはできず、無人車両のテストに必要な数の仮想環境を使用できません。したがって、仮想環境の制限に直面しています。
別のアプローチは、実際のスキャン技術を使用して、構築された環境がその参照と一致することを確認することです。この方法の欠点は、実世界のデータに多くのエラーや不正確さが含まれることが多いことです。照明は焼き付けられており、表面からその材料を特定することは不可能であるため、カメラとリダーはおおよそのデータのみを提供します。さらに、環境には、削除する必要のあるギャップ、誤った説明、および移動するオブジェクトが含まれている場合があります。また、この方法では、データの保存と計算に重要なリソース要件が提示され、実際に見られる領域のみをシミュレートできます。
比較的新しいアプローチは、手続き型生成に基づく仮想世界の作成です。このようにして、さまざまな入力に基づいて大規模なエリアや都市をすばやく作成でき、数学的な方法を使用して世界を作成できます（図2）。また、過適合を防ぐためにさまざまな環境を指定することもできます。注釈が正確である限り、時刻や天気などのパラメータを変更できます。一般に、新しいマップは、仮想環境を手動で作成するのにかかる時間の何分の1かで作成できます。このアプローチの複雑さは、手動で編集することなく、実際のオブジェクトを高品質で作成できるようにすることにあります。
図：2：高解像度の手続き的に生成された建物
正確なセンサーシミュレーション
合成データを生成するときは、上記で説明した環境がセンサーの入力データとして使用されます。これらのセンサーは、カメラのリダー深度推定、デジタルレーダービームフォーミング特性、およびノイズ源をシミュレートできる必要があります。同時に、これらのセンサーは、ソフトウェアとハードウェアのテストを実行したり、大量のデータを必要とする機械学習アプリケーションで動作したりするのに十分強力である必要があります。
センサーが数百または数千の異なる条件とトポロジーを処理できるという仮定にもかかわらず、最終的には、それらはすべて、エネルギー伝達と情報理論の同じ基本原則に従わなければなりません。よく考えられたセンサーシミュレーション構造は、さまざまな環境で使用される構造に柔軟性を提供できます。この基本的な哲学は、電気光学システムと信号処理システムの開発のためのツールをセンサー設計の世界からシミュレーションとセンシング技術の世界に移したいという願望に基づいています。
システムが理論的な観点からよく考えられているとしても、それは現実の世界から対応するものの特性を捉えることができるのと同じくらい価値があります。現実とモデルの間の相関の程度は、ユースケースに大きく依存します。単純なシナリオでは、データの単純なピボットテーブルで十分な場合がありますが、他の場合には、さまざまな特性と特性の定量的な統計的評価が必要になる場合があります。これには通常、センサーの特定の特性を決定するための実験室実験と現場実験の組み合わせが含まれます。したがって、センサーのパフォーマンス（およびそのシミュレーションの精度）のシミュレーションは、ベンチマークが取得されてから徐々に低下する科学と見なすことができます。
図： 3：128個のレーザーを使用した回転ライダーのシミュレーション
合成データの効率と再現性
合成データの有用性を制限する2つの側面があります-効率と再現性です。さまざまな理由から、自動駆動システムのセンサーをシミュレートする際の最大の課題は、リアルタイムの処理要件内で達成できる精度です。精度とパフォーマンスは、合成センサー世代のスケーラビリティにも密接に関連しています。スケーラブルなソリューションを作成するために、リソースを並行して使用することがますます重要になっています。
このリソースの調整により、当然、再現性の問題が発生します。並列化を有効にするには、並列モデリングと非並列モデリングのバランスをとる必要があります。決定論は、エンジニアがさまざまなモデリング機能を活用しながら、アルゴリズムの変更を個別にテストできるようにする重要なコンポーネントです。
センサーシミュレーション：特殊なケースへの適応
環境とセンサーを開発する方法が確立されると、次の疑問が生じます-取得された合成データはすべてのユースケースに十分ですか？使用シナリオは、合成データを使用したセンサー配置の検証から、展開前の最終的な実稼働システムのテストまで、ソフトウェアの可用性の程度によって異なります。
各ユースケースには、モデルの精度レベルに関するさまざまな要件があります。これらのレベルの精度は、検証および検証プロセスを管理します。検証では、結果のモデルが元の仕様と一致するかどうかを判断するプロセスについて説明します（最初に計画したものを作成できましたか？）。検証は、決定論の定義にも関連付けられています（モデルの結果は同じ条件下で毎回再現されますか？）検証では、逆のことが当てはまります。モデルがターゲットアプリケーションのニーズを満たしているかどうかを判断するために、エンドユーザーの要件が考慮されます。場合によっては、センサーの基礎となる物理モデルの大まかな近似を使用しても許容されます。ただし、生産テストの使用例では、実験室の条件下でテストされた合成センサーモデルが必要です。そして実際には、これは許容可能なレベルの不確実性を正確に遵守するために必要です。
センサーモデルの評価の問題も、単に出力信号レベルをチェックするよりも困難です。これは、自己駆動システムの多くの感覚技術に当てはまりますが、エンドユーザーは、合成データと実際のデータの両方で知覚モデルを効果的に機能させることにも関心があります。これらのモデルは、コンピュータービジョンに基づくことも、さまざまな機械学習および深層学習技術を使用して構築することもできます。これらの使用例では、不確実性の原因は不明です（センサーモデルに完全な信頼性がない場合）。
応用直感アプローチ
Applied Intuitionは、上記の問題を解決するために、知覚システムモデリングツールをゼロから開発しました。このツールには、大規模な環境を作成し、複数レベルの精度でセンサーを開発し、ユースケースに基づいてテストできるようにするためのツールが含まれています。手続き型環境の生成は、地理的領域、自律運転アプリケーション、およびデータソースに関して柔軟な独自のパイプラインを使用して実行されます。
- コントローラーの機能分離を備えたデュアル燃料エンジン用のロシア初のシリアル制御システム
- 現代の車では、コードの行数が...
- 自動車、航空宇宙、ロボティクス、エンジニアリングの無料オンラインコース（50歳以上）
- マッキンジー：自動車のソフトウェアと電子機器のアーキテクチャを再考する
ITELMAについて