En av hindringene som hindrer masseadopsjon av droner er ineffektiviteten til eksisterende metoder
Hovedproblemet er atveihendelser av interesse, inkludert ulykker, er altfor sjeldne. Dermed kan systemer kreve hundrevis av millioner (noen ganger milliarder) kilometer for å demonstrere den nødvendige sikkerhetsytelsen. Hittil har Waymo bare modellert 15 milliarder km. Derfor er arbeidet utført av Dr. Liu og hans team ved University of Michigan rettet mot å skape et naturlig og konkurransedyktig kjøremiljø (NADE).
Liu bygget et simulert kjøremiljø,ved å bruke kjøredata i stor skala som ble samlet inn av University of Michigan Transportation Research Institute (UMTRI). I dette miljøet blir "bakgrunnsbiler" (de som simulerer veitrafikk) opplært til å utføre visse fiendtlige manøvrer mot dronen. Dette fjerner skjevhet og forbedrer effektiviteten.
NADE er en metode for livslang læring somgir kontinuerlig kommunikasjon mellom dronen og mange bakgrunnsbiler. For eksempel, hvis en forsker vil teste bilen sin i et urbant miljø, vil denne tilnærmingen tillate dronen å kjøre kontinuerlig og oppleve motstandsscenarier, inkludert å slå på og hardbremsing med høyere frekvens. Resultatene viser at dette miljøet eliminerer ineffektiviteten til de tilgjengelige alternativene etter størrelsesorden. Denne tilnærmingen forventes å akselerere adopsjonen av autonome kjøretøyer.
“Å kjøre en kilometer ved hjelp av simuleringaugmented reality lagt på et testspor er lik hundrevis eller tusenvis av kilometer på offentlige veier. Dette vil føre til en betydelig reduksjon i de totale kostnadene og tiden for testing av droner i et sikrere, mer kontrollert og repeterbart testmiljø, ”sa ACMs administrerende direktør og administrerende direktør Ruben Sarkar.
Se også:
Se på et bilde på 8 billioner piksler av Mars
Forskere har utviklet en erstatning for relativitetsteorien. Hva er essensen av "teorien om alt"?
Forskere har funnet bevis på at avl av moderne mennesker med neandertalere