المحاكاة ضرورية لتسريع تطوير أساليب التصميم في العديد من الصناعات. في مجال أنظمة القيادة الذاتية للسيارات ، تُستخدم المحاكاة تقليديًا لاختبار خوارزميات التخطيط والتحكم في الحركة. تُستخدم عمليات إعادة المحاكاة لتطوير أنظمة التعرف التي يتم فيها تسجيل البيانات الواردة من أجهزة استشعار حركة المرور وتشغيلها باستخدام مجموعة متنوعة من حزم برامج التحقق من الأداء. ومع ذلك ، اقتصرت هذه المحاكاة في الغالب على السيناريوهات الموجودة في السيارات الحقيقية.
هناك نوع آخر من المحاكاة أصبح أكثر أهمية - توليد بيانات اصطناعية عالية الجودة تنقل المعلومات بدقة حول مواقف حركة المرور الحقيقية. تكمن مشكلة استخدام بيانات الطرق الحصرية في أنه يجب جمع كميات هائلة من البيانات وتخطيطها للاقتراب من حدود وحدات التعرف في مناطق التشغيل المختلفة. بالإضافة إلى ذلك ، تتوقف خوارزميات التعرف عن مطابقة البيانات المتاحة وتفشل عند العمل خارج بيئة العمل وفي ظل ظروف أخرى. في المقابل ، يمكن إنشاء البيانات التركيبية بسرعة وبتكلفة زهيدة ، ويتم إنشاء أوصافها تلقائيًا باستخدام المعرفة الأساسية للبيئة المحاكاة.
مشاكل توليد البيانات التركيبية للوحدات الإدراكية
على الرغم من أن مهمة نمذجة البيانات التركيبية لأجهزة الاستشعار تبدو بسيطة وواضحة ، إلا أنها في الواقع صعبة للغاية. بالإضافة إلى إنشاء بيئات اصطناعية واقعية لمناطق مختلفة (على سبيل المثال ، سان فرانسيسكو أو طوكيو) ، تتطلب نمذجة كل نوع من أنواع أجهزة الاستشعار معرفة تفصيلية بالخصائص الفيزيائية الأساسية وخصائص أجهزة الاستشعار المختلفة المستخدمة في الصناعة. أيضًا ، في حين أن عمليات المحاكاة يمكن أن تكون أبطأ بكثير للتطبيقات الأخرى مقارنة بالوقت الفعلي ، فإن معظم خوارزميات القيادة بدون سائق تتطلب أداءً في الوقت الفعلي تقريبًا. وبالتالي ، فإن مستويات مختلفة من أداء ودقة المحاكاة مطلوبة في حالات الاستخدام المختلفة.
على الرغم من بذل جهود كبيرة لنمذجة كل من أجهزة الاستشعار ، يتوقع الخبراء أنه في المستقبل القريب ستكون هناك فجوة ملحوظة بين البيانات الحقيقية والتركيبية. يمكن تدريب الخوارزميات الإدراكية على البيانات الحقيقية من أجهزة الاستشعار واختبارها على البيانات التركيبية (الانتقال من البيانات الحقيقية إلى التركيبية) والعكس بالعكس (الانتقال من البيانات الاصطناعية إلى البيانات الحقيقية) ، وستعمل الخوارزميات من أنواع مختلفة بطرق مختلفة. لا تقتصر هذه المشكلة على بيانات المحاكاة. من المحتمل أن يكون أداء الخوارزميات الإدراكية مع مجموعة محددة من أجهزة الاستشعار المدربة على طرق كاليفورنيا أسوأ مع مجموعة مختلفة من أجهزة الاستشعار. أيضًا ، قد لا تعمل هذه الخوارزمية بشكل جيد عند اختبارها على الطرق في مناطق أخرى.
الشكل: الخطوة الأولى - اختبار الأنظمة الإدراكية على البيانات التركيبية
إنشاء بيئات اصطناعية ثلاثية الأبعاد
تم تطوير العديد من الأساليب لإنشاء البيئات نتيجة لعقود من العمل في صناعة الترفيه. ومع ذلك ، هناك اختلافات كبيرة بين صناعات القيادة الذاتية والترفيه. في حين أن هناك مطالب عالية على الصورة الواقعية في كلا المجالين ، إلا أن هناك متطلبات إضافية لبيئات المركبات ذاتية القيادة: يجب أن يتم إنشاؤها بسعر رخيص وبسرعة (بينما في صناعة الترفيه قد يستغرق الأمر شهورًا) ، يجب أن تكون واقعية للغاية (مثل للعين البشرية ولأجهزة الاستشعار) ومتغيرة ، كما يجب أن تدعم العديد من حالات الاختبار.
عادةً ما يتم إنشاء البيئات ثلاثية الأبعاد يدويًا - ينشئ الفنان ثلاثي الأبعاد الأصول ويضعها في العالم الذي تم إنشاؤه. ينتج عن هذا النهج نتائج واقعية وهو رائع للعروض التوضيحية. ومع ذلك ، نظرًا لطبيعته اليدوية ، فإنه لا يتسع لإنشاء مناطق افتراضية من جميع أنحاء العالم ولا يسمح بالعديد من البيئات الافتراضية كما هو مطلوب لاختبار المركبات المستقلة. وبالتالي ، فإننا نواجه قيود البيئات الافتراضية.
نهج بديل هو استخدام تقنيات المسح في العالم الحقيقي للتأكد من أن البيئة المبنية تطابق مرجعها. عيب هذه الطريقة هو أن البيانات الموجودة في العالم الحقيقي غالبًا ما تحتوي على العديد من الأخطاء وعدم الدقة. نظرًا لأن الإضاءة مخبوزة ولا يمكن تحديد المادة من السطح ، توفر الكاميرات والليدار بيانات تقريبية فقط. بالإضافة إلى ذلك ، قد تحتوي البيئة على فجوات وأوصاف غير صحيحة وأشياء متحركة يجب إزالتها. أيضًا ، تضع هذه الطريقة متطلبات كبيرة لموارد تخزين البيانات والحساب ، ويمكنها أيضًا محاكاة تلك المناطق الموجودة في الحياة الواقعية فقط.
نهج جديد نسبيًا هو إنشاء عوالم افتراضية تعتمد على الجيل الإجرائي. بهذه الطريقة ، يمكن إنشاء مناطق ومدن كبيرة بسرعة استنادًا إلى مجموعة متنوعة من بيانات الإدخال ، مما يؤدي إلى إنشاء العالم باستخدام الطرق الرياضية (الشكل 2). كما يسمح لك بتحديد العديد من البيئات المختلفة لمنع فرط التجهيز. يمكن تغيير المعلمات مثل الوقت من اليوم أو الطقس طالما أن التعليقات التوضيحية دقيقة. بشكل عام ، يمكن إنشاء خرائط جديدة في جزء صغير من الوقت الذي يستغرقه إنشاء بيئات افتراضية يدويًا. يكمن تعقيد هذا النهج في ضمان إنشاء كائنات العالم الواقعي بجودة عالية بدون تعديلات يدوية.
الشكل: 2: المباني عالية الدقة المنشأة إجرائيا
محاكاة دقيقة للحساس
عند إنشاء بيانات تركيبية ، يتم استخدام البيئات التي تحدثنا عنها أعلاه كبيانات إدخال لأجهزة الاستشعار. يجب أن تكون هذه المستشعرات قادرة على محاكاة تقديرات عمق الليدار وخصائص تشكيل حزم الرادار الرقمية ومصادر الضوضاء في الكاميرات. في الوقت نفسه ، يجب أن تكون هذه المستشعرات قوية بما يكفي لإجراء اختبار البرامج والأجهزة أو العمل مع تطبيقات التعلم الآلي التي تتطلب كميات كبيرة من البيانات.
في حين أن الافتراض القائل بأن جهاز الاستشعار يمكنه التعامل مع مئات أو آلاف من الظروف والطوبولوجيا المختلفة ، فيجب عليهم جميعًا في نهاية المطاف الالتزام بالمبادئ الأساسية نفسها لنقل الطاقة ونظرية المعلومات. يمكن أن يوفر هيكل محاكاة المستشعر المدروس جيدًا المرونة للهيكل المستخدم في بيئات مختلفة. تستند هذه الفلسفة الأساسية إلى الرغبة في نقل أدوات تطوير الأنظمة الكهروضوئية وأنظمة معالجة الإشارات من عالم تصميم المستشعرات إلى عالم المحاكاة وتكنولوجيا الاستشعار.
حتى لو كان النظام مدروسًا جيدًا من وجهة نظر نظرية ، فإنه يكون ذا قيمة فقط حيث يمكنه التقاط خصائص نظيره من العالم الحقيقي. تعتمد درجة الارتباط بين الواقع والنموذج بشكل كبير على حالات الاستخدام. في السيناريوهات البسيطة ، قد يكون الجدول المحوري البسيط للبيانات كافيًا ، بينما في حالات أخرى قد يلزم إجراء تقييم إحصائي كمي للخصائص والخصائص المختلفة - يتضمن هذا عادةً مجموعة من التجارب المعملية والميدانية لتحديد خصائص معينة لجهاز الاستشعار. وبالتالي ، يمكن النظر إلى محاكاة أداء المستشعر (ودقة تلك المحاكاة) كعلم يتم فيه أخذ معيار مرجعي ثم تدهوره تدريجياً.
الشكل: 3: محاكاة ليدار دوار مع 128 ليزر
كفاءة وتكرار البيانات التركيبية
هناك جانبان يحدان من قابلية استخدام البيانات التركيبية - الكفاءة والتكرار. لمجموعة متنوعة من الأسباب ، يتمثل التحدي الأكبر في محاكاة أجهزة الاستشعار لأنظمة القيادة الذاتية في الدقة التي يمكن تحقيقها ضمن متطلبات المعالجة في الوقت الفعلي. ترتبط الدقة والأداء ارتباطًا وثيقًا بقابلية تطوير أجيال المستشعرات الاصطناعية. لإنشاء حل قابل للتطوير ، تزداد أهمية استخدام الموارد بالتوازي.
يقودنا تنسيق الموارد هذا بشكل طبيعي إلى مسألة التكرار. لكي تكون الموازاة مفيدة ، يجب تحقيق توازن بين النمذجة المتوازية وغير الموازية. الحتمية هي عنصر أساسي يسمح للمهندسين باختبار التغييرات في الخوارزميات الخاصة بهم في عزلة مع الاستفادة من مجموعة متنوعة من قدرات النمذجة.
محاكاة أجهزة الاستشعار: التكيف مع الحالات الخاصة
بمجرد إنشاء طرق تطوير البيئات وأجهزة الاستشعار ، سيظهر السؤال التالي - هل البيانات التركيبية التي تم الحصول عليها كافية لجميع حالات الاستخدام؟ يمكن أن تختلف حالات الاستخدام اعتمادًا على درجة توفر البرامج ، بدءًا من التحقق من وضع المستشعر باستخدام البيانات التركيبية إلى اختبار أنظمة الإنتاج النهائية قبل نشرها.
لكل حالة استخدام متطلبات مختلفة لمستويات دقة النموذج. تتحكم مستويات الدقة هذه في عمليات التحقق والتحقق. يصف التحقق عملية تحديد مطابقة النموذج الناتج والمواصفات الأصلية (هل تمكنا من إنشاء ما خططنا له في الأصل؟). يرتبط التحقق أيضًا بتعريف الحتمية (هل يتم إعادة إنتاج نتائج النموذج في كل مرة تحت نفس الظروف؟) في التحقق من الصحة ، يكون العكس صحيحًا: لتحديد ما إذا كان النموذج يلبي احتياجات التطبيق الهدف ، يتم أخذ متطلبات المستخدم النهائي في الاعتبار. في بعض الحالات ، يكون استخدام تقريب تقريبي للنموذج المادي الذي يقوم عليه المستشعر مقبولاً. ومع ذلك ، تتطلب حالات استخدام اختبار الإنتاج نماذج أجهزة استشعار اصطناعية تم اختبارها في ظروف معملية ،وفي الحياة الواقعية - هذا ضروري لضمان الامتثال الدقيق للمستويات المقبولة من عدم اليقين.
تعد مهمة تقييم نماذج المستشعر أيضًا أكثر تعقيدًا من مجرد التحقق من مستوى إشارة الخرج. في حين أن هذا صحيح بالنسبة للعديد من تقنيات الاستشعار في أنظمة القيادة الذاتية ، فإن المستخدم النهائي مهتم أيضًا بجعل نماذج الإدراك تعمل بشكل فعال على كل من البيانات التركيبية والبيانات الحقيقية. يمكن أن تستند هذه النماذج إلى رؤية الكمبيوتر أو يتم بناؤها باستخدام مجموعة متنوعة من تقنيات التعلم الآلي والتعلم العميق. في حالات الاستخدام هذه ، تكون مصادر عدم اليقين غير معروفة (في حالة عدم موثوقية نموذج المستشعر).
نهج الحدس التطبيقي
طورت شركة Applied Intuition أداة محاكاة نظام الإدراك من الألف إلى الياء لحل المشكلات الموضحة أعلاه. تتضمن هذه الأداة أدوات لإنشاء بيئات واسعة النطاق ، وتطوير أجهزة استشعار بمستويات متعددة من الدقة ، والسماح بالاختبار بناءً على حالات الاستخدام. يتم إنشاء البيئة الإجرائية من خلال خط أنابيب فريد يتسم بالمرونة فيما يتعلق بالمناطق الجغرافية وتطبيقات القيادة بدون سائق ومصادر البيانات.
- أول نظام تحكم تسلسلي روسي لمحرك مزدوج الوقود مع فصل وظيفي لوحدات التحكم
- في السيارة الحديثة ، يوجد عدد من سطور التعليمات البرمجية أكثر من ...
- دورات مجانية عبر الإنترنت في السيارات والفضاء والروبوتات والهندسة (+50)
- ماكينزي: إعادة التفكير في برامج الإلكترونيات والهندسة المعمارية في السيارات
حول ITELMA