Ergebnisse und Erkenntnisse aus autonomen Fahrtransportdiensten auf Flughäfen, in überfüllten Innenräumen und städtischen Umgebungen

Core Concepts

Autonome Fahrzeuge haben das Potenzial, in verschiedenen Umgebungen erfolgreich eingesetzt zu werden, wobei spezifische Herausforderungen und Lösungen identifiziert werden.

Abstract

Autonome Fahrzeuge werden in verschiedenen Umgebungen getestet und betrieben.
Herausforderungen und Lösungen für den Einsatz in Flughäfen, überfüllten Innenräumen und städtischen Umgebungen werden diskutiert.
Neue Algorithmen und Ansätze werden vorgestellt, um ein sicheres und effizientes autonomes Fahren zu ermöglichen.
Es wird aufgezeigt, wie autonome Fahrzeuge in realen Umgebungen eingesetzt werden können.

Stats

Wir haben ein autonomes Schleppfahrzeug für den Transport von Passagiergepäck und Fracht auf einem 2,68 km langen Flughafen betrieben.
Die AirRide-Testfahrten in überfüllten Innenräumen ergaben eine Präzision von 0,86 und eine Rückrufquote von 0,88.
Das Multi-Sensor-Objekterkennungssystem MSOD erreichte eine Genauigkeit von 0,6736 und eine mAP von 0,630.

Quotes

"Unsere Arbeit zielt darauf ab, unsere einzigartige Erfahrung zu teilen, um Forscher zu unterstützen, die daran interessiert sind, autonome Fahrzeuge in verschiedenen realen Umgebungen einzusetzen."

Key Insights Distilled From

Results and Lessons Learned from Autonomous Driving Transportation Services in Airfield, Crowded Indoor, and Urban Environments

by Doosan Baek,... at arxiv.org 03-05-2024

https://arxiv.org/pdf/2403.01233.pdf

Deeper Inquiries

Wie können autonome Fahrzeuge menschenähnliche Fahrverhaltensweisen erlernen, um sicher in städtischen Umgebungen zu agieren?

Um menschenähnliche Fahrverhaltensweisen zu erlernen und sicher in städtischen Umgebungen zu agieren, können autonome Fahrzeuge verschiedene Ansätze verfolgen. Ein vielversprechender Ansatz ist die Verwendung von Imagination-augmented Hierarchical Reinforcement Learning (IAHRL). Dieser Ansatz kombiniert die Stärken von regelbasierten und lernbasierten Bewegungsplanungsalgorithmen. Bei IAHRL werden niedrigstufige Richtlinien verwendet, um sichere und strukturierte Verhaltensweisen zu imaginieren, während die hochstufige Richtlinie trainiert wird, um Interaktionen mit umgebenden Fahrzeugen zu interpretieren. Durch die Interpretation der imaginierten Verhaltensweisen können autonome Fahrzeuge in der Lage sein, sich in städtischen Umgebungen sicher und interaktiv zu verhalten. Dieser Ansatz ermöglicht es autonomen Fahrzeugen, ihre Aufmerksamkeit auf umgebende Fahrzeuge zu lenken und stabile und robuste Verhaltensweisen in stark befahrenen Szenarien zu zeigen.

Welche Rolle spielen menschliche Interventionen bei der Schulung von autonomen Fahrzeugen und wie können sie minimiert werden?

Menschliche Interventionen spielen eine wichtige Rolle bei der Schulung von autonomen Fahrzeugen, insbesondere um sicherzustellen, dass sie sich in realen Umgebungen korrekt verhalten. Allerdings ist es entscheidend, menschliche Interventionen zu minimieren, um den Schulungsprozess effizienter zu gestalten. Ein vielversprechender Ansatz zur Minimierung menschlicher Interventionen ist der Einsatz von Autonomous Reinforcement Learning (ARL). ARL-Algorithmen lernen nicht nur, wie sie eine Aufgabe lösen, sondern auch, wie sie die Umgebung zurücksetzen können. Dies ermöglicht es autonomen Fahrzeugen, weniger menschliche Eingriffe zu benötigen, da sie lernen, wie sie die Umgebung selbstständig zurücksetzen können. Durch die Entwicklung von ARL-Algorithmen, die sicher die Umgebung zurücksetzen können, kann die Rolle menschlicher Interventionen bei der Schulung von autonomen Fahrzeugen minimiert werden.

Wie kann die Lücke zwischen Umgebungswandel und der Bereitstellung aktualisierter Karten für autonome Fahrzeuge effektiv geschlossen werden?

Die Lücke zwischen Umgebungswandel und der Bereitstellung aktualisierter Karten für autonome Fahrzeuge kann effektiv durch die Implementierung eines Fail-operational-Systems geschlossen werden. Ein Fail-operational-System ermöglicht es autonomen Fahrzeugen, kontinuierlich zu operieren, auch während Systemausfällen oder Umgebungswandel. Wenn ein Umgebungswandel erkannt wird, kann das autonome Fahrzeug nahtlos auf einen wahrnehmungsbasierten Fahrmodus umschalten, der ausschließlich auf aktuellen Wahrnehmungsergebnissen ohne HD-Karten angewiesen ist. Auf diese Weise kann die Lücke zwischen Umgebungswandel und der Bereitstellung aktualisierter Karten effektiv geschlossen werden, indem autonome Fahrzeuge kontinuierlich und sicher in sich verändernden Umgebungen operieren können.