.
A primeira simulação de estrada estatisticamente realista foi desenvolvida por pesquisadores da Universidade de Michigan. Embora atualmente represente uma rotatória particularmente perigosa, o trabalho futuro irá expandi-la para incluir outras situações de direção para testar o software de veículos autônomos.
A simulação é um modelo de aprendizado de máquina treinado com dados coletados em uma rotatória no lado sul de Ann Arbor, reconhecida como uma das interseções mais propensas a acidentes no estado de Michigan e convenientemente a apenas alguns quilômetros dos escritórios do time de pesquisa.
Conhecido como Neural Naturalistic Driving Environment ou NeuralNDE, ele transformou esses dados em uma simulação do que os motoristas experimentam todos os dias. Estradas virtuais como essa são necessárias para garantir a segurança do software de veículos autônomos antes que outros carros, ciclistas e pedestres cruzem seu caminho.
“O NeuralNDE reproduz o ambiente de direção e, mais importante, simula de forma realista essas situações críticas de segurança para que possamos avaliar o desempenho de segurança de veículos autônomos”, disse Henry Liu, professor de engenharia civil da UM e diretor da Mcity, uma organização pública liderada pela UM. -parceria de pesquisa de mobilidade privada.
Liu também é diretor do Center for Connected and Automated Transportation e autor correspondente do estudo em Natureza Comunicações.
Eventos críticos de segurança, que exigem que um motorista tome decisões em frações de segundo e tome medidas, não acontecem com tanta frequência. Os motoristas podem passar muitas horas entre os eventos que os forçam a pisar no freio ou desviar para evitar uma colisão, e cada evento tem suas próprias circunstâncias.
Juntos, eles representam dois gargalos no esforço de simular nossas estradas, conhecidos como “maldição da raridade” e “maldição da dimensionalidade”, respectivamente. A maldição da dimensionalidade é causada pela complexidade do ambiente de direção, que inclui fatores como a qualidade do pavimento, as condições climáticas atuais e os diferentes tipos de usuários da via, incluindo pedestres e ciclistas.
Para modelar tudo, a equipe tentou ver tudo. Eles instalaram sistemas de sensores em postes de luz que coletam dados continuamente na rotatória da State Street/Ellsworth Road.
“A razão pela qual escolhemos esse local é que as rotatórias são um cenário de condução urbana muito desafiador para veículos autônomos. Em uma rotatória, os motoristas são obrigados a negociar e cooperar espontaneamente com outros motoristas que se deslocam pelo cruzamento. Além disso, esta rotatória em particular experimenta alto volume de tráfego e duas pistas, o que aumenta sua complexidade”, disse Xintao Yan, Ph.D. estudante de engenharia civil e ambiental e primeiro autor do estudo, que é orientado por Liu.
O NeuralNDE serve como um componente-chave do CCAT Safe AI Framework for Trustworthy Edge Scenario Tests, ou SAFE TEST, um sistema desenvolvido pela equipe de Liu que usa inteligência artificial para reduzir as milhas de teste necessárias para garantir a segurança de veículos autônomos em 99,99%. Essencialmente, ele quebra a “maldição da raridade”, introduzindo incidentes críticos para a segurança mil vezes mais do que ocorrem na direção real. O NeuralNDE também é crítico para um projeto projetado para permitir que o Mcity Test Facility seja usado para testes remotos de software AV.
Mas, ao contrário de um ambiente totalmente virtual, esses testes ocorrem em realidade mista em pistas de teste fechadas, como o Mcity Test Facility e o American Center for Mobility em Ypsilanti, Michigan. Além das condições reais da pista, os veículos autônomos também experimentam motoristas, ciclistas e pedestres virtuais se comportando de maneira segura e perigosa. Ao testar esses cenários em um ambiente controlado, os desenvolvedores AV podem ajustar seus sistemas para lidar melhor com todas as situações de direção.
O NeuralNDE não é apenas benéfico para desenvolvedores AV, mas também para pesquisadores que estudam o comportamento do motorista humano. A simulação pode interpretar dados sobre como os motoristas respondem a diferentes cenários, o que pode ajudar a desenvolver uma infraestrutura viária mais funcional.
Em 2021, o UM Transportation Research Institute recebeu US$ 9,95 milhões em financiamento do Departamento de Transporte dos EUA para expandir o número de interseções equipadas com esses sensores para 21. Essa implementação expandirá os recursos do NeuralNDE e fornecerá alertas em tempo real aos motoristas com veículos conectados.
A pesquisa foi financiada por Mcity, CCAT e UM Transportation Research Institute. Fundada em 1965, a UMTRI é líder global em pesquisa multidisciplinar e parceira preferida de líderes da indústria, fundações e agências governamentais para promover transporte e mobilidade seguros, igualitários e eficientes. O CCAT é um centro universitário regional de pesquisa em transporte que recebeu recentemente uma renovação de cinco anos de US$ 15 milhões do USDOT.
.
