Kernkonzepte
過去の実際の運転データを活用して、高精度のドライビングシミュレーターを合成し、仮想環境での性能テストを可能にする。
Zusammenfassung
本論文は、機械学習とモデルベース工学に基づいたAI搭載ソリューションの開発実践について報告している。特に、実際の運転条件で収集されたデータを活用して、高精度のドライビングシミュレーターを合成し、仮想環境での性能テストを可能にする取り組みを紹介している。
論文では、まず背景として、自動車システムの複雑化に伴い、開発プロセスの自動化と高速な継続的改善サイクルが必要となっていることを説明している。特に、排出ガス規制に対応するためのリアル走行排出(RDE)テストは、実走行環境で行う必要があり、時間とコストがかかる課題がある。
そこで提案されたフレームワークでは、ドライバーの行動をモデル化し、機械学習を用いて高精度なシミュレーションを生成することで、仮想環境でのRDEテストを可能にする。具体的には、以下の通りである:
モデルとデータに基づくアプローチ
環境、車両、ドライバーの要素をモデル化
過去の実走行データを活用してドライバー行動をシミュレーション
実際の運転予測フレームワーク
空間モデルと予測器の設定
ドライビングモデル(環境、車両、ドライバー)の定義
RDEユースケースへの適用
実走行データの収集と前処理
機械学習アルゴリズムの比較評価
RandomForestが最も高い精度を示した
本フレームワークは、自動車開発における継続的な検証と検証の課題に取り組むものであり、実走行データに基づいたシミュレーションによって、コストと時間を削減しつつ、より正確な性能評価を可能にする。今後は、デジタルツインの概念を取り入れ、物理システムの振る舞いをモデル化し、機械学習手法を活用した予測手法の拡張を目指す。
Statistiken
車速は0から144km/hの範囲にある。
速度制限は道路の状況に応じて変化する。
平均速度は道路の状況に応じて変化する。
交通信号機の数は0から6の範囲にある。
道路の曲率は1/mの単位で表される。
道路の勾配は計算された値を使用する。