CARLA Simulator
Тренировка беспилотных автомобилей

Исследователи из Intel, Toyota и испанского Центра компьютерного зрения разработали в 2017 году симулятор городской среды, предназначенный для обучения алгоритмов управления беспилотными автомобилями. Он позволяет имитировать работу различных сенсоров и получать данные в реальном времени. Код симулятора опубликован^[1] под свободной лицензией, поэтому разработчики могут адаптировать его под свои нужды. Также исследователи изучили с помощью симулятора эффективность алгоритмов разных типов. Разработка была представлена на Конференции по обучению роботов в штаб-квартире Google, статья опубликована на arXiv.org^[2].

Многие крупные автопроизводители разрабатывают беспилотные автомобили. Поскольку для самостоятельного управления они должны учитывать огромное количество факторов, алгоритмы поведения в тех или иных ситуациях в основном не прописываются «вручную» программистами, а формируются в процессе обучения. Для этого используется реальное тестирование, при котором автомобиль передвигается по дорогам вместе с инженером, готовым в случае неправильных действий алгоритма перехватить управление.

Исследователи под руководством Владлена Колтуна (Vladlen Koltun) из Центра Компьютерного Зрения в Барселоне создали симулятор с открытым кодом под названием CARLA. В нем имитируется городская среда со зданиями, пешеходами, автомобилями и другими объектами, а также меняющаяся погода. Для рендеринга в симуляторе используется бесплатный для некоммерческого использования движок Unreal Engine 4. Разработчики алгоритмов для беспилотных автомобилей могут подключать к симулятору свои алгоритмы через специальный API. На данный момент в симуляторе доступны несколько сенсоров: обычная камера, камера глубины и сегментирующая камера, классифицирующая объекты. Также доступен API для подключения сторонних датчиков.

Разработчики также оценили с помощью своей системы разные подходы, используемые при обучении таких алгоритмов. Они сравнивали подход, называемый модульным конвейером, в котором за обработку разных входных данных, например, визуальное восприятие, планирование и управление, отвечают разные подсистемы. Такой подход с некоторыми различиями в реализации используется в большинстве существующих систем управления беспилотных автомобилей. Также исследователи оценивали два вида оконечного (end-to-end) глубокого обучения, при котором система получает максимально «сырые», то есть неразмеченные данные. Для оценки такого подхода исследователи выбрали нейросети, обученные с помощью имитационного обучения, при котором сеть старается имитировать поведение человека, и подкрепление с обучением, при котором она получает оценку своих действий.

Они выяснили, что разные подходы в большинстве случаев имели примерно одинаковую эффективность, и их результаты различались менее, чем на 10 процентов. Но также исследователи обнаружили, что в случае, когда погода отличалась от той, на которой алгоритм тренировался, модульный подход имел заметное преимущество, а в случае нового города, отличавшегося от тренировочного, наоборот проигрывал другим алгоритмам. Исследователи также сравнили между собой два метода оконечного глубокого обучения, и выяснили, что алгоритмы, обученные с подкреплением справлялись значительно хуже во всех задачах.

CARLA is an open-source simulator for autonomous driving research. CARLA has been developed from the ground up to support development, training, and validation of autonomous urban driving systems. In addition to open-source code and protocols, CARLA provides open digital assets (urban layouts, buildings, vehicles) that were created for this purpose and can be used freely. The simulation platform supports flexible specification of sensor suites and environmental conditions.Дмитрий Бородачев, DатаРу Облако: Наше преимущество — мультивендорная модель предоставления облачных услуг

Робототехника

Примечания