智慧應用 影音
全漢(伍藝超群專案)
event

跨國團隊開發DuckieNet以促進自駕車系統研究再現性

DuckieNet提供建置成本低、可擴充性高的自駕技術開發、測試、部署架構。麻省理工學院電腦科學與人工智慧實驗室

跨國團隊基於Duckietown平台合作開發分散式城市協作標竿測試網路(DuckieNet),為感知與導航演算法的開發、測試、部署,提供建置成本低、可擴充性高的架構,實現自駕研究的再現性(reproducibility)。

根據VentureBeat報導,機器人包含大量以人工智慧(AI)訓練、交互作用的複雜元件,表現受環境影響差異極大,相關研究存在再現性問題。由瑞士蘇黎世聯邦理工學院(ETH Zurich)、豐田工業大學(TTI)、加拿大蒙特婁學習演算法學院(Mila)、自動駕駛車新創公司NuTonomy的研究人員組成的團隊致力於克服這個挑戰。

團隊主張妥善設計研發程序、以公平的條件評估演算法,能實現機器人研究的再現性,規模化實施還能讓機器人研究評估更系統化以促進研發進展。2年一度的AI駕駛奧運(AI Driving Olympics)從2019年初便開始採用DuckieNet,進行最先進自駕車駕駛技術的標竿測試,產生效能衡量與領先者積分板的視覺化呈現,提供底層原始資料、開源基準與文件等。

DuckieNet採用幾乎全以現成零件構成的低價Duckiebot附輪機器人,包含處理運算的樹莓派(Raspberry Pi)套件、單一感測器、一對驅動輪子的直流(DC)馬達。Duckietown開源平台源自麻省理工學院(MIT),由機器人據以導航的看板以及運動地墊與膠帶組成,交通燈號透過內建的LED燈致動且具備感測與運算能力,硬體組成跟Duckiebot相同但沒用到輪子。

DuckieNet在Duckietown平台配置challenges伺服器來儲存機器學習演算法、標竿測試、測試結果,並負責計算領先者積分板資料、分派自駕模擬作業給一組當地或雲端的測試機器。實際的測試由部署DuckieNet的實體實驗室執行,並透過一組配備跟Duckiebot相同感測器與樹莓派套件的低成本「瞭望塔」結構追蹤固定在Duckiebot上的標籤(tag)。

亞馬遜(Amazon) AWS的DeepRacer服務提供自駕模型開發與部署到模型車的雲端模擬器,DuckieNet功能類似但可讓使用者在提交到challenges伺服器的Docker容器中自訂Duckiebot橫向偏離車道中心的平均定位誤差,以及Duckiebot相對於車道方向的平均定向誤差等標竿資料。

此外演算法也能以Docker容器的形式提交並觀察其運作,且除了重設(reset)測試作業與進行Duckiebot充電,Duckietown平台可完全自主運作。研究團隊宣稱DuckieNet有助於克服自駕領域研究的某些特定挑戰,主辦研究競賽也是DuckieNet的主要應用之一。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 智慧交通 自駕車