Une vue grandiose de la simulation de conduite autonome ! Parlons de l'industrie de la simulation de conduite autonome !

Bonjour chers auditeurs ! C’est à nouveau l’heure du programme Simulation Grand View Garden ! Aujourd'hui, je vais vous donner une brève introduction à l'industrie de la simulation de conduite autonome.

Tout d’abord, parlons des raisons pour lesquelles la conduite autonome nécessite une simulation. Il y a quelques années, en regardant If You Are the One, l'invitée Huang Lan a déclaré qu'elle n'accepterait la conduite autonome que si les 2/3 des personnes l'acceptaient, ce qui reflétait l'inquiétude du grand public pour la sécurité de la conduite autonome. Afin de garantir la sécurité, les algorithmes de conduite autonome doivent subir de nombreux tests routiers avant de pouvoir être véritablement appliqués à grande échelle. Cependant, les tests des systèmes de conduite autonome sont très « coûteux » : le temps et les coûts en capital sont énormes, donc les gens espèrent déplacer autant de tests que possible vers des systèmes informatiques, utiliser la simulation pour exposer la plupart des problèmes du système de conduite autonome, et réduire la demande d'essais routiers sur site, nos emplois sont donc apparus.

1. Scénario de simulation

Le scénario de simulation est le cas de test du système de conduite autonome. Selon la classification du China Automotive Technology and Research Center, les scénarios de tests de conduite autonome peuvent être divisés en quatre grandes catégories : [scénarios de conduite naturelle] [scénarios de conditions de travail dangereuses] [scénarios réglementaires standards] [scénarios de réorganisation des paramètres] : scénarios de conduite naturelle sont dérivés des conditions réelles de la voiture. L'état de conduite naturel est la source de données la plus fondamentale pour la construction de scénarios de tests de conduite autonome. Les scénarios de conditions de travail dangereuses incluent principalement un grand nombre d'environnements météorologiques extrêmes, un trafic routier complexe et des accidents de la route typiques, tels que ; la base de données CIDAS ; des scénarios réglementaires standard sont utilisés pour vérifier l'efficacité de la conduite autonome. Un scénario de test de base consiste à construire un scénario de test à travers les normes et procédures d'évaluation existantes, dans le but de tester les capacités de base que devraient avoir les véhicules autonomes lors de la réorganisation des paramètres ; Le scénario consiste à paramétrer et à compléter les scénarios de simulation existants. La génération aléatoire ou la réorganisation automatique des scénarios de simulation présente les caractéristiques d'illimité, d'évolutivité, de traitement par lots et d'automatisation.

Le processus de création d'une bibliothèque de scènes peut être grossièrement divisé en [Collecte de données] : c'est-à-dire les données routières réelles et les données réglementaires, etc., [Traitement des données] : c'est-à-dire extraire des caractéristiques des données et les combiner pour former des scénarios, et [Données d'application] : tester la bibliothèque de scènes et fournir des commentaires.

À l'heure actuelle, la génération de scènes de conduite naturelles peut être fondamentalement automatisée : le véhicule de collecte collecte des données selon un certain format, l'algorithme filtre les données des fragments clés qui peuvent être utiles, l'algorithme calcule les trajectoires de la voiture et d'autres véhicules environnants dans les données de fragment, puis écrivez la trajectoire dans un fichier de description de scène, tel qu'un fichier de scène au format OpenScenario. De nombreux logiciels de simulation existants peuvent utiliser directement le fichier de scène ainsi obtenu pour la simulation. Il convient de noter que dans ce cas, ce qui est restitué dans le logiciel de simulation n'est que la « logique » de la scène minière réelle. Les participants à la scène portent le « gilet » du modèle de véhicule dans la bibliothèque de modèles 3D du logiciel de simulation. et des scènes mises en scène de la vie réelle. En d'autres termes, la scène ainsi restaurée peut certainement satisfaire au test de l'algorithme de contrôle, mais elle ne peut pas restaurer les informations de détection du capteur à ce moment-là, car après tout, le véhicule au premier plan et l'arrière-plan sont toujours joués par le modèle tridimensionnel. du logiciel de simulation. Maintenant, si vous souhaitez restaurer les informations de détection du capteur, vous pouvez appliquer NERF.

Alors, quels types de scénarios de simulation sont utiles ? La restauration des données de conduite naturelle collectées par les véhicules d’essai routier est considérée comme la plus proche des conditions routières réelles et très aléatoire. Mais ne dit-on pas que l’essai routier actuel prend trop de temps pour suivre le trajet ? Cela nous oblige à traiter les données des essais routiers, à extraire l'identification des usagers de la route, puis à les réorganiser et à les combiner pour former une scène aléatoire basée sur des données réelles.

Par exemple, le journal populaire de Baidu a présenté en 2019 son système de simulation AADS : dans ce système, une voiture équipée de caméras lidar et binoculaires est utilisée pour scanner la rue pour obtenir tous les matériaux pour la simulation de conduite autonome, puis automatiquement en panne. les images d'entrée en arrière-plan, en éclairage de scène et en objets de premier plan. Grâce à la technologie de synthèse de vue, le point de vue peut être modifié sur un arrière-plan statique pour générer des images réelles sous n'importe quelle perspective, simulant ainsi le mouvement d'une voiture marchant dans différents environnements. Alors comment prouver l’efficacité de ces scénarios de restructuration ? L'article mentionne une méthode d'évaluation comparant les effets de reconnaissance des algorithmes de perception dans des scènes virtuelles et des scènes réelles. Il est également intéressant d'utiliser les performances de l'objet mesuré pour évaluer des outils de mesure. Plus tard, certaines recherches NERF appliquées à la conduite autonome ont également utilisé cet ensemble d'idées, comme UniSim.

Je crois personnellement que quelle que soit l'efficacité du scénario de simulation de données de conduite naturelle, il ne convient que pour tester certains algorithmes : quelle que soit la manière dont cette méthode est utilisée, les trajectoires des objets environnants sont enregistrées et ne peuvent pas être modifiées en fonction du comportement. du véhicule. C'est comme la différence entre un film et un jeu. Les scènes du film ne peuvent être jouées, mais le jeu peut changer la scène en fonction de l'interaction.

Peut-être que dans un avenir proche, combinée à la simulation du flux de circulation et aux données réelles, la génération de scènes aléatoires pourra créer par lots des scènes de simulation cohérentes avec les conditions de circulation réelles et pouvant également changer en fonction du comportement du véhicule.

2. Développement de simulation

On peut dire que la bibliothèque de scènes dont nous avons parlé précédemment prépare des données pour les tests de simulation de conduite autonome, le travail de développement de simulation consiste donc à créer ou à améliorer des outils.

Le développement de simulation comprend probablement les aspects suivants :

1. [Bibliothèque de scénarios] : J'en ai déjà dit beaucoup auparavant, et cela inclura du contenu technique tel que le traitement des données, l'apprentissage profond, les bases de données, etc.
2. [Perception] : Avec le environnement de simulation, l'environnement doit être Les informations sont transférées à l'algorithme, de sorte que divers modèles de capteurs doivent être établis, tels que des caméras, un lidar, un radar à ondes millimétriques, un radar à ultrasons, etc., ainsi que des modèles physiques au niveau des principes et des modèles idéaux sont établis selon les besoins. Pour faire du bon travail en matière de modélisation de capteurs, il faut des recherches théoriques sur le principe de fonctionnement du capteur, des capacités de modélisation informatique et de mise en œuvre technique des processus physiques, ainsi que la prise en charge d'une grande quantité de données expérimentales.
3. [Dynamique du véhicule] : Les commandes de contrôle émises par l'algorithme doivent avoir des objets de contrôle, donc un modèle de dynamique du véhicule est requis. C'est presque un autre sujet. Il y aura des ingénieurs spécialisés pour étudier le modèle dynamique, et ils doivent l'être. capable de l'accepter dans la simulation de conduite autonome. Entrez dans des modèles dynamiques professionnels ou simplifiez-les.
4. [Middleware] : L'échange d'informations est nécessaire entre les algorithmes et les plateformes de simulation, et entre les plateformes de simulation avec des fonctions différentes, ce qui nécessite un grand nombre de développement d'interfaces. Le middleware le plus couramment utilisé dans la phase de recherche sur la conduite autonome est ROS, et le middleware le plus couramment utilisé dans la phase d'application est le middleware basé sur AUTOSAR.
5. 【Moteur de simulation】 : Certaines entreprises aiment développer des plates-formes de simulation auto-développées, de sorte que le moteur physique est responsable du mouvement et des collisions. Les moteurs open source couramment utilisés sont ODE, Bullet, DART, etc. Le moteur de rendu est responsable de trois. -affichage dimensionnel, et ceux open source sont OGRE et OpenGL . Unreal et Unity sont deux ensembles de moteurs couramment utilisés pour créer des jeux, à la fois pour la physique et le rendu.
6. 【Accélération de simulation】 : cela impliquera le calcul parallèle, le cloud computing, etc. Des tests automatisés peuvent également être inclus ici.
7. [Front-end] : Je constate que de nombreux postes de développement de simulation recrutent actuellement pour le front-end, car la dynamique de la simulation peut nécessiter une interaction avec l'affichage, etc.

Enfin, je pense qu'il peut y avoir un 8ème point avec des exigences plus avancées : la possibilité de "ne cliquer nulle part". Par exemple, et si votre objet testé n'était qu'une partie du cadre des fonctions de conduite autonome ? Pouvez-vous utiliser des algorithmes open source pour remplir le reste et laisser fonctionner la « boucle fermée » ?

3. Test de simulation

Avec les données et les outils requis pour le test de simulation de conduite autonome, l'étape suivante est le test de simulation. Aujourd'hui, nous présentons principalement plusieurs liens de tests de simulation courants.

1. [MIL Model-in-the-Loop] : Pour être honnête, je ne connais pas vraiment la différence entre model-in-the-loop et software-in-the-loop (peut-être lié à l'essor du MBSE méthodologie). Au sens étroit, le modèle dans la boucle est un test qui utilise des outils tels que MATLAB pour vérifier la fonction logique de l'algorithme avant d'écrire et de compiler le code réel. Pour parler franchement, il s'agit d'utiliser le modèle simulink pour implémenter l'algorithme et effectuer la simulation.
2. [Logiciel SIL dans la boucle] : utilisez le logiciel de code compilé réel pour les tests. Il va de soi que le test de modèle dans la boucle a réussi ne détecte que s'il y a des problèmes dans la production de code. Comme HIL, SIL doit fournir une série d'environnements d'exploitation et d'autres signaux pré-virtuels sans rapport avec la fonction testée pour l'objet testé.
3. [Matériel HIL dans la boucle] : D'une manière générale, toute méthode dans laquelle un élément matériel est testé dans la boucle peut être appelée HIL, donc tester un certain capteur peut également être appelé test HIL. Au sens étroit, nous nous référons généralement au contrôleur matériel dans la boucle, qui utilise un ordinateur en temps réel pour exécuter un modèle de simulation afin de simuler l'état de fonctionnement de l'objet contrôlé, se connecte à l'ECU testé via le I /O et effectue une surveillance complète et complète de l'ECU testé. À partir de HIL, les tests de simulation sont nécessaires pour avoir de solides performances en temps réel.
4. [VIL Vehicle-in-the-loop] : Je comprends qu'il existe généralement deux méthodes de Vehicle-in-the-loop : l'une consiste à installer un véhicule équipé d'un système de conduite autonome sur un banc d'essai, et à retirer le roues et les remplacer par des moteurs de traction qui simulent les charges, le terrain et les surfaces routières. Les incitations données au véhicule sont simulées via le banc d'essai. Dans cette méthode, si un bon système d'affichage est ajouté, il peut également être utilisé comme pilote. -le système de simulation en boucle ; l'autre est que le véhicule peut conduire dans un champ ouvert. Le système de simulation fournit une entrée de capteur, de sorte que même si le véhicule se trouve dans un champ ouvert, l'algorithme pensera également qu'il existe différentes scènes autour. Généralement, le GPS du véhicule peut être utilisé pour fournir un retour de position et d'attitude au système de simulation.

4. Travail quotidien

J'ai tellement dit dans les sections précédentes, qui présentent toutes notre industrie en général. Ce sont tous des éléphants que moi, une personne aveugle, j'ai découvert dans cette section. parlera de ce que nous faisons tous les jours en général. Ces tâches quotidiennes sont bien entendu incluses dans les deuxième et troisième sections :

1. [Perception] : Il est essentiel de construire un modèle de capteur. Vous devez faire attention à une série de paramètres de chaque capteur, tels que la distance de détection, la plage d'angle de détection, la résolution, les paramètres de distorsion, les paramètres de bruit, l'emplacement d'installation, etc. ., ainsi que l'accord de communication matérielle, etc. Ensuite, selon l'outil logiciel de simulation utilisé, s'il s'agit de « configurer » un type de capteur existant ou de développer un nouveau type de capteur à partir du logiciel de simulation. Afin de former ou d'évaluer des modèles d'algorithmes, les simulations doivent souvent fournir des valeurs réelles, telles que des cadres de délimitation 2D/3D, des lignes de voie et d'autres informations cartographiques, des grilles d'occupation 2D/3D, etc. Si les fonctions existantes du logiciel de simulation ne peuvent pas répondre les exigences, il est également nécessaire que les ingénieurs effectuent un développement secondaire.
2. [Dynamique du véhicule] : Il est nécessaire de configurer le modèle du véhicule dans un logiciel de simulation de dynamique professionnel en fonction des paramètres du véhicule, et il est également nécessaire de pouvoir écrire directement des modèles cinématiques et dynamiques simplifiés basés sur des formules simplifiées.
3. [Middleware] : Le développement des interfaces est une partie importante du travail, et il est responsable de la « traduction » entre l'objet testé et le logiciel de simulation, l'autre consiste à utiliser l'interface API du logiciel pour réaliser une simulation conjointe ; entre différents niveaux de plates-formes de simulation, telles que la simulation de scène, est combinée avec la simulation de la dynamique des véhicules, ainsi que la simulation du flux de trafic, puis unifiée dans la planification d'un logiciel de gestion des tests automatisés.
4. [Accélération de simulation] : J'ai également mis les tests automatisés dans l'accélération de la simulation, car s'il peut atteindre 7x24 heures de tests ininterrompus, c'est aussi un moyen d'améliorer l'efficacité ! Cela implique l'appel automatisé de la plateforme de simulation, l'écriture automatisée de scripts, l'enregistrement des données et l'évaluation des données en fonction des exigences du cas d'utilisation.
5. 【Développement de logiciels】 : les entreprises qui ont besoin de logiciels de simulation auto-développés font principalement ce métier.

Autre point 6. [Analyse des exigences] : En tant qu'ingénieur de développement de simulation, vous devez être la personne qui connaît le mieux les outils que vous utilisez, donc une fois que les clients (internes et externes) ont de nouveaux besoins, l'ingénieur de développement de simulation doit être capable de concevoir des solutions techniques, de proposer des exigences logicielles et matérielles et des plans de projet en fonction des besoins et des conditions spécifiques de l'objet testé. Ainsi, parfois, vous devez effectuer à la fois un travail de gestion de produit et de projet.

5. Pile technologique

Le mot « pile technologique » semble très étranger, mais en fait, ce poste devrait tout savoir. Il y a longtemps, j'ai regardé une série télévisée dans laquelle un médecin des urgences se moquait de lui-même : nous sommes comme de l'huile de serpent et ce sont les autres chirurgiens qui ne peuvent jamais changer. J'ai toujours pensé que les ingénieurs en simulation sont comme les médecins urgentistes des hôpitaux. Ils ont besoin de tout savoir : quel algorithme tester, et tout sauf cet algorithme doit être préparé, y compris la navigation et le positionnement, la planification des contrôles, le traitement des données, l'étalonnage des paramètres, etc. Astronomie et géographie, divination médicale, astrologie, peinture sur or, groupes de jugement et saules... vous n'avez pas besoin de demander une explication détaillée, et répondre rapidement aux besoins des tests d'algorithmes est le plus important.

Cette soi-disant « vue d'ensemble » est l'avantage des ingénieurs en simulation, mais ce n'est qu'avec une véritable compréhension de l'algorithme que nous pouvons effectuer un travail de simulation qui peut réellement contribuer à améliorer l'algorithme, et nous pouvons aller plus loin. Je vais trop loin, ramenons-le :

1. [Code] : Principalement C++/Python, mais s'il s'agit de la partie affichage front-end, je ne comprends pas. D'une manière générale, les exigences ne sont certainement pas aussi élevées que le développement d'algorithmes, mais si vous vous spécialisez dans le développement de logiciels de simulation, c'est une autre affaire.
2. 【ROS】 : Je l'ai choisi car ROS est toujours un élément incontournable du domaine de la conduite autonome et de la recherche sur les algorithmes robotiques, et la communauté ROS fournit de nombreux outils prêts à l'emploi.
3. 【Dynamique du véhicule】 : vous n'avez peut-être pas besoin d'en savoir autant qu'un véritable ingénieur automobile, mais vous devez connaître les principes de base. De plus, vous devez maîtriser diverses conversions de coordonnées (cela peut ne pas inclure les véhicules, mais les mathématiques).
4. 【Principe du capteur】 : comment fonctionnent divers capteurs tels que les caméras, le lidar et le radar à ondes millimétriques sur les véhicules autonomes, à quoi ressemblent les signaux de sortie et quels sont les paramètres clés.
5. [Carte] : vous devez comprendre les formats de fichiers utilisés dans les scénarios de tests de simulation, tels que opendrive et openscenario, car parfois des informations doivent en être extraites comme entrée pour la simulation de capteurs.

Ce qui précède n'est que mon résumé personnel, vos collègues sont invités à l'ajouter ici !

Pour compléter l'article, je présenterai également brièvement dans cette section quelques logiciels de simulation couramment utilisés sur le marché (ce n'est vraiment pas une publicité ! Ne vous découragez pas s'il ne figure pas dans la liste).

1. CarSim/CarMaker : ces deux logiciels sont de puissants logiciels de simulation dynamique et sont largement utilisés par les équipementiers et les fournisseurs du monde entier. Ils peuvent également simuler certaines scènes routières.
2. Vissim/SUMO : Vissim est un logiciel de simulation microscopique de flux de trafic de leader mondial fourni par la société allemande PTV. Vissim peut facilement construire divers environnements de circulation complexes et peut également simuler les comportements interactifs des véhicules à moteur, des camions, des transports ferroviaires et des piétons dans une scène de simulation. SUMO est un logiciel open source qui peut ajouter des routes, modifier les relations de connexion des voies, traiter les zones d'intersection, modifier la synchronisation des feux de signalisation, etc. grâce à l'édition interactive.
3. PreScan : Rachetées par Siemens, les principales interfaces de création et de test d'algorithmes incluent MATLAB et Simulink, qui peuvent être utilisées pour MIL, SIL et HIL.
4. VTD : en tant que logiciel commercial, VTD possède une grande fiabilité et des fonctions complètes, couvrant la modélisation de l'environnement routier, la modélisation des scènes de trafic, la simulation météorologique et environnementale, la simulation de capteurs simple et physiquement réaliste, la gestion de la simulation de scène et les images en temps réel de haute précision. Rendu, etc., il n'est pas exagéré de dire que VTD est le logiciel de simulation le plus couramment utilisé par les OEM nationaux. Il peut prendre en charge le processus de développement complet, de SIL à HIL et VIL, et le cadre modulaire ouvert peut facilement co-simuler avec des outils et plug-ins tiers.
5. CARLA/AirSim : Deux plateformes de simulation open source, toutes deux développées sur UE, ont également lancé des versions Unity. CARLA peut produire des scènes et prendre en charge des cartes de haute précision, et prend en charge une configuration flexible des capteurs et des environnements. Il prend en charge plusieurs caméras, lidar, GPS et autres capteurs, et peut également ajuster l'éclairage et la météo de l'environnement. AirSim de Microsoft a deux modes : drone et véhicule. Les fonctions du mode véhicule sont vraiment ternes. Il n'est pas facile de créer des modèles d'environnement et de véhicule. La communauté n'est pas aussi active que CARLA. recrutement de personnes pour écrire JD à l'avenir, cela ne sert pas à grand-chose. En outre, la technologie nationale Sangxin a récemment lancé OASIS développé sur la base de CARLA, qui peut actuellement être considérée comme une version améliorée de CARLA open source.
6. 51SimOne/PanoSim : Ces deux logiciels de simulation sont des logiciels domestiques, et ils peuvent répondre aux principales fonctions des logiciels de simulation de scène.

Enfin, encore un lgsvl : A l'origine, l'avantage de lgsvl c'est qu'il est mieux intégré à Apollo, mais j'ai entendu dire que le lgsvl officiel a abandonné ce projet, je vous conseille donc d'abandonner cet écueil.

6. Parcours d'apprentissage

Je crois que grâce à mon introduction dans les cinq premières sections, les élèves des écoles intelligentes peuvent déjà comprendre le parcours d'apprentissage pour devenir ingénieur en simulation de conduite autonome, et en critiquant le contenu de mes cinq premières sections, Les jeunes collègues peuvent également apprendre à progresser. Mais dans cette section, j'écris encore quelques compréhensions superficielles à cet égard.

Je l'ai déjà dit, je pense que vous pouvez également voir que la simulation de conduite autonome est un domaine multidisciplinaire qui peut accepter des étudiants de nombreuses disciplines, y compris, mais sans s'y limiter : ordinateur/contrôle/robot/machine/véhicule. /Électronique de puissance, etc.

En termes d'expérience et de technologie, je vais essayer d'énumérer quelques exigences du poste :

1. Capacité de codage : les étudiants qui effectuent du cloud computing de simulation, des serveurs cloud et d'autres développements connexes devront peut-être maîtriser l'utilisation de C++/Go/Java pour le développement, avoir de bonnes habitudes de programmation et maîtriser les modèles de conception, les structures de données et les algorithmes courants, familiers. avec des systèmes Linux, la technologie Docker et des connaissances liées à Kubernetes, ainsi qu'une expérience dans le développement de services cloud. Ceux-ci visent une plate-forme de test de simulation auto-développée avec un parallélisme élevé, une réutilisation élevée et une automatisation élevée. De plus, en plus d'une base informatique solide, les postes pour des logiciels de simulation auto-développés peuvent nécessiter une expérience en développement de moteurs de jeux, de sorte que les étudiants engagés dans le développement de jeux peuvent également passer à la simulation de conduite autonome (y compris l'art technique). Les étudiants dont l'objectif est d'utiliser un logiciel de simulation existant pour le développement et l'intégration secondaires devront peut-être maîtriser C/C++ et Python, et être familiers avec le développement Linux/ROS. Il serait préférable qu'ils aient une expérience dans le développement de middleware de qualité automobile. comme AUTOSAR.
2. Expérience logicielle : Bien sûr, toute expérience réelle dans l'utilisation d'un logiciel de simulation de conduite autonome est un plus, mais comme la plupart des logiciels commerciaux sont très coûteux, ils dépendent fortement de la force du laboratoire scolaire ou de l'entreprise à cet égard. En l’absence de support logiciel commercial, je pense que CARLA est désormais la solution optimale pour les logiciels open source.
3. Connaissance du terrain : je crois personnellement qu'en tant qu'ingénieur en simulation de conduite autonome, il est impossible d'avoir une compréhension approfondie de l'algorithme de conduite autonome, y compris tous les aspects de la mise en œuvre principale de l'algorithme. Seule une meilleure compréhension de l'algorithme le permettra. nous faisons de meilleures simulations. De plus, si vous êtes un étudiant qui n'est pas spécialisé en informatique, il est également très important de bien apprendre les cours professionnels dans ce domaine, comme les machines, les véhicules, la mécanique, l'électronique, etc. incroyable et sera toujours utilisé.

L'industrie actuelle de la conduite autonome connaît de grandes fluctuations, mais en résumé, les principaux types d'entreprises qui peuvent faire appel à des ingénieurs en simulation sont les types d'entreprises suivants : les OEM, qui intègrent principalement des logiciels de simulation de moulage d'application, mais les nouvelles forces doivent essentiellement faire leurs propres recherches ; les fournisseurs de solutions de conduite autonome, c'est-à-dire les algorithmes de niveau 1, peuvent également être pour la plupart des simulations auto-développées ; les sociétés de logiciels de simulation viennent de démarrer dans ce domaine en Chine, et ce sont essentiellement des start-ups.

À la fin de cette section, je parlerai de mon expérience de « passage » des machines traditionnelles. L'école où j'ai obtenu mon master possède une forte culture du transcodage. Parmi les étudiants chinois qui sont entrés dans l'école supérieure de mécanique de ma classe, environ soixante-dix-huit sur dix se sont engagés dans l'industrie informatique après l'obtention de leur diplôme. En raison du système de sélection de cours relativement souple, les étudiants sont encouragés à suivre autant de cours que possible à l'École d'informatique. Ainsi, au cours de ces deux années, de l’huile d’onction était brûlée pour conserver le cadran solaire, et la pauvreté était la norme. Mais je ne me souviens pas si j’avais besoin de réussir l’examen pour trouver un emploi. En un mot, comment les machines se transforment-elles en ordinateurs : obtenez un demi-diplôme en informatique. En fait, à cette époque, non seulement la mécanique, mais toutes les spécialisations changeaient, et il ne s'agissait pas seulement des étudiants chinois, mais des gens du monde entier.

Mais avec le recul, j'ai réalisé que je n'étais pas dans la même situation, j'ai donc raté la meilleure opportunité de transformation. Lorsqu’il s’agit d’auto-apprentissage, c’est beaucoup plus difficile : le plus important est qu’il n’y a pas de temps, ce qui nécessite du matériel et des méthodes d’apprentissage efficaces. Donc, relativement parlant, les cours en ligne sont plus efficaces, après tout, il y a des professeurs pour vous guider. Les cours de Coursera sont bons, mais ils semblent relativement chers. Ces dernières années, il y a eu de plus en plus de ressources réseau open source, mais les cours suivis ne sont pas trop raffinés. Après tout, les ordinateurs sont les plus pratiques et les plus faciles à mettre en pratique. Il existe également de nombreux livres informatiques classiques, tels que les structures de données et les algorithmes, l'introduction au C++... Je n'en ai jamais lu. Certaines choses sont vraiment perdues une fois manquées.

En fait, je pense que l'un des moyens les plus simples de se transformer est de s'engager directement dans un travail lié à l'informatique. Le moyen le plus rapide d'augmenter la demande est de résoudre les problèmes d'orientation et de temps d'apprentissage que j'ai mentionnés ci-dessus. Cependant, s’il y a un problème de performances inférieures aux normes à cause de cela, faites comme si je ne l’avais pas mentionné.

7. À propos de NERF

NERF fait des vagues dans le domaine de la conduite autonome avec des mots chauds émergents tels que « boucle fermée de données », « grand modèle » et « de bout en bout ». En quelques années seulement, NERF n'est plus le simple rendu MLP+volume qu'il était à ses débuts. Il existe différents supports pour stocker les informations spatiales : tables de hachage, grilles de voxels, fonctions gaussiennes multidimensionnelles... De nouvelles méthodes d'imagerie sont également apparues. émergeant à l'infini : U-net, CNN, rastérisation... le sens de la conduite autonome n'est qu'une petite branche applicative de NERF.

Lorsque NERF sera appliqué à la simulation de conduite autonome, il sera principalement confronté aux problèmes suivants :

La méthode de collecte de données de conduite autonome fait que la portée de la scène est "non fermée" : les scènes extérieures contiendront un grand nombre de vues distantes. , ce qui constitue un problème pour le stockage des informations spatiales de NERF. C'est un grand défi ; les scènes de conduite autonome contiennent un grand nombre d'objets dynamiques, et NERF doit être capable de gérer la séparation des objets dynamiques et statiques (ou du premier plan et de l'arrière-plan) ; Les modèles NERF n'ont généralement pas de capacités de transfert, et chaque scène peut nécessiter la formation d'un modèle NERF distinct, et la formation du NERF est encore relativement lente, il y a donc encore des problèmes dans l'application à grande échelle du NERF sur les données de conduite autonome.

Cependant, j’attends toujours avec impatience et je crois que NERF apportera un développement perturbateur à la simulation de conduite autonome, éliminera à terme le fossé de domaine dans l’algorithme de perception de la simulation, et fera même plus. À en juger par les informations que j'ai apprises, NERF apportera au moins les avancées suivantes :

La nouvelle capacité de synthèse d'images en perspective de NERF peut améliorer l'ensemble de données d'entraînement de l'algorithme de perception : elle peut générer de nouveaux paramètres internes du capteur (équivalent à changer la configuration du capteur) , des images externes, des nuages ​​de points lidar et d'autres données sous le paramètre (trajectoire modifiée du véhicule autonome) peuvent fournir davantage de données de formation pour l'algorithme de perception. À cet égard, vous pouvez vous référer à des recherches telles que StreetSurf et UniSim. Lorsque les objets dynamiques seront modifiables, NERF pourra à l’avenir générer des situations extrêmes ciblées et des scénarios de situations aléatoires pour compléter les lacunes des simples tests de conduite et de WorldSim. Si NERF peut résoudre efficacement en même temps la reconstruction de la formation et le rendu en temps réel des scènes au niveau de la ville, alors NERF peut être complètement utilisé comme plate-forme pour les tests de simulation en boucle XIL sans le problème de détection des lacunes dans le domaine des données. et cela favorisera également le développement d'algorithmes de bout en bout. De plus, le modèle NERF peut même être intégré au moteur de jeu sous forme de plug-in (par exemple, le plug-in UE pour 3D Gaussian Splatting a été publié), de sorte que la reconstruction de la scène de rue de NERF puisse être intégrée au système WorldSim original. . S'il est combiné avec de grands modèles dans le sens AIGC, NERF aura plus de possibilités pour générer de nouvelles scènes : l'éclairage, la météo, l'apparence et le comportement des objets, etc. pourront être modifiés arbitrairement.

En tant qu'ingénieur en simulation, je recommande fortement à mes collègues de prêter une attention particulière aux progrès de NERF. Bien que les projets de recherche de NERF en soient encore à leurs débuts, les progrès de l'apprentissage profond deviennent de plus en plus rapides avec l'accélération du matériel.

8. Écrit à la fin

J'ai tellement écrit de manière diverse, et j'ai encore quelques réflexions à la fin.

Quels sont les pièges du développement de la simulation ? Les pièges techniques ne sont pas abordés ici, mais voici quelques réflexions générales. Il faut donc se méfier de savoir si vous vous impliquez trop dans un travail dénué de sens : réaliser des projets similaires pour différentes personnes ne compte pas, mener à bien chaque projet est précieux si vous n'utilisez pas d'outils prêts à l'emploi et devez faire des recherches personnelles dans le domaine ; à long terme, cela n'a pas d'importance. En calculant, il est utile de rompre avec la dépendance à l'égard d'outils spécifiques ; de nombreuses tentatives de R&D qui se sont révélées par la suite déraisonnables ne peuvent pas être comptées, et l'échec de la R&D est également précieux. Alors, qu’est-ce qu’un travail « dénué de sens » exactement ? C'est une question d'opinion et je ne peux pas bien la résumer.

Et que puis-je faire à partir de cette position ? Si vous avez une compréhension approfondie de l'objet mesuré au travail, vous pouvez essayer de passer à un poste de développement d'algorithmes dans une certaine direction. Vous pouvez également envisager le développement de simulations de robots et de drones.

Il va sans dire que les robots mobiles et la conduite autonome sont similaires. Mentionnons ici les drones. L’industrie des drones n’est certes pas aussi importante que l’industrie automobile, mais elle dispose déjà de sites d’atterrissage, tels que des inspections, des photographies aériennes, des levés et des cartographies, etc. Les drones ont également besoin d'algorithmes de contrôle automatique pour éviter les obstacles, planifier leur trajectoire, etc. Les capteurs utilisés par les drones sont également similaires à ceux des véhicules sans pilote. On peut donc dire que les tests de simulation ont quelque chose en commun : les drones ont également besoin d'une vision perceptuelle riche. les entrées telles que les images et les nuages ​​de points radar nécessitent des modèles dynamiques plus sophistiqués, etc.

Les étudiants qui souhaitent en savoir plus sur la simulation de robots et de drones peuvent commencer avec la plateforme de simulation open source Gazebo (https://classic.gazebosim.org/). Sa demande en ressources informatiques ne sera pas aussi élevée que celle d'Isaac de Nvidia.

Cette année est la onzième année depuis qu'OSRF est devenu indépendant de Willow Garage, et les systèmes d'exploitation de robots ROS et Gazebo ont un historique de développement de plus de 20 ans. Gazebo est progressivement passé d'un outil de recherche scientifique d'un groupe de recherche diplômé à un outil logiciel de simulation indépendant avec 11 versions et 7 versions d'allumage de deuxième génération aujourd'hui.

Gazebo prend en charge les moteurs physiques tels que ODE et Bullet. Il utilise OGRE comme moteur de rendu pour créer un environnement tridimensionnel et simuler les informations provenant de divers capteurs tels que les caméras et le lidar. Il propose une riche gamme de modèles de robots : des bras robotiques aux robots à roues, en passant par les robots humanoïdes. Plus important encore, Gazebo fournit naturellement une prise en charge complète des algorithmes sous la plate-forme ROS : après tout, si vous téléchargez et installez une version de bureau complète de ROS, Gazebo l'accompagne. Bien sûr, en tant que logiciel open source, Gazebo ne fournit qu'un point de départ. Ses fonctions sont équilibrées, mais il est approximatif et pas assez approfondi dans tous les aspects. Mais tout comme Taizu Changquan, Qiao Feng sera toujours différent lorsqu'il l'utilisera dans le village de Juxian.

Je suis entré en contact avec Gazebo quand j'étais à l'école. Plus tard, j'ai travaillé dans la simulation de robots et j'ai utilisé Gazebo jusqu'à ce que je passe à la conduite autonome. C'est comme si Gazebo et moi étions camarades de classe. Nous étions jeunes et ignorants à cette époque. Après avoir travaillé, elle et moi nous sommes revus et avons décidé de renouveler notre relation. Nous étions inséparables depuis plus de deux ans. Maintenant que nous avons plus de 30 ans, je lui ai laissé un message : je veux avoir un meilleur développement, alors je. je la quitterai... Maintenant, je ne dirai qu'une chose quand je lui dirai au revoir : Ça fait longtemps que je ne vois pas...

Lien original : https://mp.weixin.qq.com/s/_bOe_g3mqoobJUbFS3SNWg

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!