Ускорение автономного вождения с помощью данных о райдшеринге Lyft

Ускорение автономного вождения с помощью данных о райдшеринге Lyft

Лука Дель Перо, технический директор; Хьюго Гриммет, менеджер по продукту 5-го уровня; и Питер Ондруска, руководитель отдела AV-исследований

Уклонение от выбоин. Тормоза из-за неожиданного пешехода. Решите, когда безопасно выезжать на оживленный перекресток. Водители во всем мире ежедневно сталкиваются с незапланированными сценариями и часто должны принимать решения за доли секунды, чтобы обеспечить безопасность.

Но по мере того, как автономные транспортные средства (АВ) становятся основным видом транспорта, потребность в таких оценках в реальном времени больше не является изолированной для водителей-людей. Чтобы ускорить разработку, безопасность и коммерциализацию технологий беспилотного вождения, Level 5 использует данные Lyft ridshare.

Каждый день поездки Lyft охватывают самые разные сценарии вождения, начиная от посадки и высадки и заканчивая ситуациями, требующими немедленного и критического мышления, например, когда автомобиль едет на красный свет. Чтобы расширить наши знания о том, как водители-люди ведут себя в реальных ситуациях, некоторые автомобили в нашей сети оснащены недорогими датчиками камер, которые фиксируют сценарии, с которыми водители сталкиваются ежедневно.

Эти данные позволяют нам решать некоторые из самых сложных проблем в области автономного вождения, от создания точных и современных 3D-карт до понимания моделей вождения человека и повышения сложности наших симуляционных тестов за счет доступа к редким реальным материалам. дорожные ситуации. Используя эти данные, Lyft занимает уникальные позиции для разработки безопасных, эффективных и интуитивно понятных систем самостоятельного вождения.

Использование нашей сети для создания 3D-карт

Беспилотным автомобилям необходимы точные трехмерные модели окружающей среды, чтобы правильно ориентироваться в сложном окружающем мире. Используя данные о поездках, мы построили трехмерные геометрические карты в масштабе города, используя технологию, разработанную Blue Vision Labs, которую мы приобрели в 2018 году. В то время как группы картографирования могут создавать трехмерные геометрические карты для AV, поддерживать их в актуальном состоянии и масштабировать их масштабы - непростая задача. Мы нанесли на карту тысячи миль благодаря широкому географическому охвату автомобилей в нашей сети. Мы можем постоянно обновлять наши карты на основе постоянного потока данных, которые сразу же регистрируются, когда поездка завершается.

3D-карты для AV также должны содержать контекст об окружающей среде, в которой будет работать беспилотный автомобиль, например информацию о полосах движения и светофорах. Lyft генерирует эту информацию из наших данных о поездках, используя комбинацию трехмерного компьютерного зрения и машинного обучения для автоматической идентификации объектов дорожного движения. Ситуационные данные, которые мы получаем из этого - например, где находятся полосы движения и какие водители светофора должны следовать - дают нам контекст, в котором мы должны понимать, как водители справляются с опасными ситуациями, например, когда водитель едет на красный свет.

Учимся водить машину по человеческим траекториям

Помимо возможности создавать трехмерные геометрические карты, сеть поездок Lyft помогает нам лучше понять характер вождения людей. Благодаря нашей технологии визуальной локализации мы можем с большой точностью отслеживать реальные траектории, по которым водители Lyft следуют на наших геометрических картах . Один из способов использования этих данных - помочь нашим антивирусам поддерживать оптимальное местоположение на своей полосе движения.

Хотя здравый смысл подсказывает, что оставаться ближе к центру полосы движения является самым безопасным вариантом, исторические данные о поездках на автомобиле доказывают, что это предположение не всегда верно. Вождение человека имеет гораздо больше нюансов из-за местных особенностей дороги (например, припаркованных автомобилей или выбоин) и других аспектов, таких как дизайн дороги или форма дороги и видимость.

Благодаря совместному использованию данных, наш планировщик движения AV не нуждается в специальной эвристике, такой как отслеживание центров полосы движения, при принятии решения о том, куда ехать, что требует различных исключений для обработки всех возможных угловых ситуаций. Вместо этого планировщик может полагаться на реальную информацию и опыт вождения человека, которые естественным образом закодированы в траекториях совместного использования.

Изучение реальных сценариев интеллектуальных автономных реакций

Есть много проблем при планировании движения AV, помимо определения, где ехать в пределах полосы движения. Полное планирование движения AV требует прогнозирования движения других агентов движения и реагирования на непредсказуемое поведение, например, когда водитель едет на красный свет.

Данные о поездках в сети Lyft дают нам информацию, необходимую для прогнозирования реакции транспортных средств и других агентов движения в различных сценариях. Например, мы используем случаи отключения водителей-людей, чтобы узнать соответствующий профиль замедления. Это позволяет нашим AV безопасно реагировать в подобных ситуациях. Кроме того, использование исторических данных из сети приводит к более комфортным и естественным поездкам по сравнению с традиционным подходом к экспертным системам.

Навигация по дороге

Создание трехмерных геометрических карт, понимание моделей вождения человека и обучение на основе человеческих реакций - это лишь три из многих примеров того, как мы можем использовать данные Lyft rideshare для ускорения разработки AV. Благодаря этому богатому историческому и реальному поведению вождения Lyft теперь может решать самые сложные проблемы в планировании и прогнозировании движения с помощью подхода, основанного на данных. Благодаря своему объему и разнообразию данные из сети Lyft обеспечивают топливо, необходимое для современных методов машинного обучения, которые жаждут реалистичных примеров редких и сложных сценариев, с которыми придется столкнуться AV.

Это самое уникальное в Lyft. Мы не строим нашу технологию исключительно на основе предыдущих антивирусных миссий или моделирования, созданного человеком. Мы используем данные, полученные из одной из крупнейших в мире сетей райдшеринга, чтобы ускорить развитие технологий автономного вождения, обеспечивая при этом безопасную и надежную работу с AV-системой для всех водителей Lyft как сейчас, так и в будущем.

Если вы хотите узнать больше о том, как Lyft движется по автономной дороге впереди, подпишитесь на @ LyftLevel5 в Твиттере и в этом блоге для получения дополнительной технической информации.