俄罗斯莫斯科通信和信息技术大学(MTUCI)的学者们开发出一种模拟器,可以让您以更高的准确性、更少的时间和计算成本来训练无人驾驶运输系统。作者说,这种解决方案是由于使用现代人工智能技术获得的。
研究结果发表在《传感器》(Sensors)杂志上。
专家指出,在汽车交通量逐年增长的条件下,今天各大城市面临交通网络发展机会枯竭的局面。他们说,在目前的情况下,不仅需要设计高质量的新道路,还需要确保其运行效率和交通安全。
学者们说,如今研究人员、工程师和科技公司的主要目标是提高交通工具行驶的安全性和优化性,并减少公路运输造成的生态损失。离开交通网络的数学建模,这些问题的解决方案是不可能的,数学建模使得确定交通强度、平均速度、延迟和时间损失等参数成为可能。
交通流管理的复杂性在于一个人驾驶汽车,而他的行为很难预测,即使在类似的情况下也可能有根本的区别。为了解决这个问题,如今正在开发和引进无人驾驶车辆,但它们的控制系统与任何其它智能系统一样,需要在广泛的路况下进行初步训练。
莫斯科通信与信息技术大学负责解决问题的科学家解释说,目前,一名专家在训练过程中驾驶无人驾驶车辆,他不得不行驶数千公里,通过不断变化的外部条件和各种路况引导控制系统。这种学习方法需要花费大量时间,而且无法让您重现现实生活中在路上可能遇到的所有场景。
“我们提供了一个真实城市环境的模拟器,这使减少训练时间以及各种事件的发生成为可能。为了实现这样一个模拟练习器,我们制定了一种方法,使我们在沿城市道路驾驶时重建现实世界成为可能,”莫斯科通信和信息技术大学“信息技术”系主任米哈伊尔·戈罗德尼切夫 (Mikhail Gorodnichev) 说。
他解释说,这里谈的是使用卷积神经网络开发用于运输基础设施数字认证的智能系统,它允许您创建周围世界的对象,以便进一步放置在模拟器的虚拟环境中。
他补充说,所生成的图像应该具有最佳尺寸,以免系统过载,因为它将存储大量道路基础设施对象。
“首先,我们进行了系统的设计,还修改和开发了神经网络的架构,这使我们能够以足够的精度对对象进行分类,获得优化的对象并降低计算复杂性,”这位科学家指出。
他总结说,所提出的方法用于现实的城市环境模拟器,这可以在训练无人驾驶运输系统时减少时间和计算成本。