2017年6月，我们在坐落于安阿伯的密歇根大学北校区，创建了全球首个自动驾驶汽车全尺寸试验台——Mcity实行了增强现实环境。它占地面积32英亩，其8车道公里(5车道英里)的道路被决定在具备高速公路、多车道主干道或交叉路口属性的路段。自动测试车配有了车载设备，可以监测如方位、速度、加速度和航向等车辆状态，间隔十分之一秒收到一次。利用专门的短程通信(DSRC)来构建无线传输（DSRC是一种类似于专为移动用户设计的Wi-Fi的标准）。
此外，产于在测试设施周围的路边设备接管这些信息并将其转发给一个交通仿真模型，该模型可以通过将测试设备修改为包括交通信号动作的等效网络几何来仿真该测试设备。一旦计算机模型接管到测试车信息，就不会创立测试车的虚拟世界副本。
然后，它根据现实测试车的运动来改版虚拟世界车的运动。将现实测试车辆的数据输出计算机仿真中只包含了一半的电路。
我们通过向测试车发送到计算机仿真的各种车辆的信息来已完成另一半。这就是增强现实环境的本质。每一辆仿真车辆不会产生频率为10赫兹的车辆状态信息，我们将这些信息转发给路边的设备，这些设备反过来又不会动态骑侍郎出有（广播）这些信息。
当确实的测试车接管到这些数据时，它的车辆控制系统不会用于这些数据来“查阅”所有的虚拟世界车辆。对汽车而言，这些仿真的实体与现实的东西没什么区别。通过路边的设备传递信息——也就是说，用“V2I”的相连替换必要的“V2V”相连——现实车辆和虚拟世界车辆可以互相感应器并展开适当交互。某种程度，真实世界和仿真世界之间的交通信号状态也是实时的。
这样，现实的和虚拟世界的交通工具都可以“看见”等价的光，并辨别它是绿色还是红色。在真实世界和仿真世界之间传送的状态信息也当然还包括车辆方位。这容许将实际的车辆同构到仿真的道路网络中去，并将仿真的车辆同构到实际的道路上。
实际车辆的方位由GPS座标(纬度、经度和海拔)和仿真车辆的局部座标(x、y和z)定位。但是这种准确的切换并不是全部必须。GPS和地图微小的误差，不会制止GPS的方位经常出现在仿真道路上。
GPS提供的方位就是指实际的测试车切线来，然后切换到本地的座标系统上。为此，我们用于分开的同构算法来缺失这些错误。此外，当测试车暂停时，我们必需在仿真环境中瞄准它的方位，这样它的GPS座标的波动就会造成它在仿真中背离。
无线电收发器[白色物体，顶部]从汽车中获取数据，并回到计算机分解的虚拟世界数据。一个虚拟世界对象是一列火车。汽车刹车以防止闯红灯的虚拟世界车(从上数第三)。许多交通模式可以在一个小空间中产生无线通信将作为这一切的传输枢纽。
为了保证其可靠性，我们在Mcity加装了四个路边收音机，不足以覆盖面积整个测试设施。DSRC无线标准，运营在5.9千兆赫波段，为我们获取了较高的数据传输速率和非常低的延后，在高速行驶和紧急停车时，这些装置对安全性至关重要。DSRC在日本和欧洲普遍用于;虽然凯迪拉克目前正在为其部分车型配有DSRC设备，但它在美国还没取得过于多注目。
然而，我们还不确认DSRC否不会沦为汽车之间交流的方式。一些人指出，蜂窝通信(C-V2X)，特别是在是在将要来临的5G构建中，可能会获取更大范围的较低延后。
无论哪种标准落败，我们系统中用于的通信协议都可以很更容易地适应环境它。我们期望用作建构系统的软件框架能持续扛一段时间，最少能用几年。我们用于PTVVissim建构了我们的仿真，这是一个在德国研发的用作“微观地”仿真交通流量的商业软件包，即仿真每辆车的不道德。
可以预期是，其他公司开始用于我们的系统来测试他们自己的自动驾驶车辆。目前，我们的一辆林肯MKZ混合动力作为测试车，它配有了DSRC，因此可以几乎相连。
我们加到到汽车上的线控系统容许软件掌控方向盘、油门、刹车和变速器。这辆车还装载多部雷达、激光雷达、照相机和一个动态运动定位的GPS接收器，通过参照来自地面无线电台的信号来提升分辨率。
Mcity测试车装载激光雷达(一种激光测距仪)，既可用作圆形视野(由转动的屋顶塔获取)，也可用作前方探讨。雷达补足了这种感觉，而GPS以一种高度准确的无线电校正——使装备更为完备。
目前，我们早已构建了两个测试场景。在第一个场景中，系统生成一个虚拟世界火车，并将其感应到测试车所感官到的增强现实中，此时火车正在相似Mcity的一个铁路道口模型。
关键是看测试车否能及时行驶，然后等候火车通过。我们还重新加入了其他虚拟世界交通工具，例如测试车之后的汽车。这些一列佩的汽车——实际的和虚拟世界的——可以被月决定为车队(称作车队)，或者是临时决定:或许是排队转入匝道的汽车。
第二个更加简单的测试场景牵涉到我们前面提及的情况——运营红灯。根据美国汽车协会(AmericanAutomobileAssociation)的数据，在美国，闯红灯的汽车导致的丧生人数占到十字路口丧生人数的四分之一以上。这个场景有两个目的:仔细观察测试车对交通信号的反应，以及它对闯红灯违章行为的反应。
我们的测试车需要辨别出有信号是白还是蓝，并据此要求是停车还是回头。它还应当需要注意到仿真的红灯车的迫近，预测它的轨迹，并计算出来当测试车穿越轨迹时，它有可能在的方位。
测试车应当需要作好所有这些事情来防止撞击。由于运营仿真的计算机可以几乎掌控红光柱塞的动作，因此它可以在倒数的实验递归中分解各种各样的测试参数。这正是计算机比起任何人类驾驶员做到得更加准确的原因。
当然，整个实验可以在几乎安全性的情况下展开。只不过还有很多这样的边缘情况仿真可以做到。例如，我们可以用于增强现实环境来评估测试车辆处置简单驾驶员情况的能力，比如从一个行驶标志向左两头到一条主要公路上。
车辆必须找寻往来两个方向的交通空隙，同时注意可能会在标志处掠过的行人。汽车可以再行在中间行驶，也可以必要驶进想的车道。这牵涉到到若干个阶段的决策过程，所有阶段都考虑到其他车辆的行动(还包括预测它们将如何对测试车的行动作出反应)。
另一个例子是在没交通信号协助的情况下，在环形交叉路口展开出入或让车的情况。在这里，测试车必须预测其他车辆的下一步，决策一个可拒绝接受的差距，用来并道，并仔细观察其他的车辆。我们还可以与自行车、行人和其他道路使用者(如农用机械)一起建构增强现实场景。
此类替代角色的可预测性就越较低，自动驾驶汽车所需的智能就越少。最后，我们期望建构一个包括边缘用例的大型测试场景库，然后用于增强现实测试环境反复运营测试。
我们现在正在创建这样的数据库，其中还包括从实际车祸报告中收集的数据，以及装载传感器的车辆仔细观察到的人们在不告诉自己是实验参与者的情况下是如何驾驶员的。通过将有所不同的边缘条件变换一起，我们期望建构出对自动驾驶汽车上运营的软件尤其具备挑战性的人工边缘情况。
有了这样的装备，我们应当需要看见一辆特定的自动驾驶汽车有多安全性，而不用不须在有太阳的前提下才不够胆量去进了。
本文来源：bet韦德官方网站-www.bafajgroup.com
扫一扫咨询微信客服