吳哥窟旅遊

文章来源：由「百度新聞」平台非商業用途取用"https://iot.ofweek.com/2019-05/ART-132214-8140-30382574.html"

RealtimeRobotics的運動規劃芯片可幫助自動駕駛汽車做出更好的決策。無論是駭人聽聞的Uber無人車撞死行人的事件，還是特斯拉自動駕駛儀接連不斷的事故，我們在總結每一項事故以及車輛被迫接管等情況發生的原因時，一方面歸咎于無人車在不同條件下能否提供可靠的感知能力，而另一方面，運動規劃算法的計算速度也在影響著車輛是否能夠及時作出安全的路線規劃。是否能夠提高運動規劃系統的速度？自DARPA挑戰賽以來，自動駕駛的規劃算法大量涌現，但目前還沒有一種算法能夠覆蓋所有的場景，在面對高速場景，低速場景，自動泊車場景，復雜動態的非結構化道路場景，交通參與者密集場景等場景時，大多數自動駕駛系統會根據其模型最可能的場景來規劃運動，以確定周圍物體的作用。目前大多數自動駕駛汽車能夠以3Hz至10Hz的速度運行運動規劃系統，而美國杜克大學RealtimeRobotics系統以1，000Hz運行，并行通過大量可能軌跡的數據網絡，這使得系統能夠在更短的時間內考慮更多的潛在結果，從而做出最佳決策。RealtimeRobotics定制運動規劃芯片自動駕駛創業的興起，讓一些芯片制造商專門為無人車定制芯片，更切合算法的芯片，能夠提高效率，優化算法結構也能減少功耗。而美國杜克大學專門為運動規劃定制了處理器，提高了運算的效率。他們最初在桌面手臂機器人上做實驗，基于FPGA開發出了一種可快速進行機器人運動規劃的定制處理器，使運動規劃流程的速度提升了三個數量級，而使用的電量僅為之前的二十分之一。現在，他們把這種芯片成功運用在無人車上。該解決方案只需要輸入來自攝像機，雷達，激光雷達和其他傳感器的感知數據，包括有關場景的信息，靜態障礙以及其他代理的最可能的未來路徑。通過利用網格規劃器，在不到1ms的時間內執行障礙物檢測和最低成本路徑計算。對于每個不確定性障礙，系統都能對其在規劃間隔內可能遵循的軌跡進行有根據的猜測。FPGA可以在硬件中編碼數據，硬件并行性的方式使得運動規劃步驟非常快。Realtime已經在模擬環境中做了大量測試，視頻中列舉了在兩個場景下，該系統被證明安全性顯著提高：①騎自行車者（沒有通行權）穿過一個十字路口一個騎自行車的人在一輛車的遮擋下，違規通過十字路口。通過模擬不同車速，自行車速度和自行車穿越時間下，以目前自動駕駛做決策的平均速度10Hz為例，會有6．25％的幾率發生碰撞；而在Realtime系統1000Hz下碰撞不會發生。②行人突然從停放的汽車后面出現行人突然從停放的汽車后面出現，從感知到做出決策的時間很短，通過不同車速和行人移動速度的不同組合測試，發現按照一般決策系統處理的速度22％的幾率會擊中行人，而更快決策速度下，可以避免此事故。毫無疑問，計算的速度越快當然是越好的。在60公里／小時（約40英里／小時）的速度下，10毫秒規劃和100毫秒規劃之間的差異大約是一米半，這很容易成功地避開一個任性的行人。在更快的速度和更加受限的高速環境中，該定制芯片顯得更有用。近日，這家成立三年的公司宣布推出了無碰撞方案組合RapidPlan和RapidSense解決方案，RealtimeRobotics通過讓機器人能夠識別和響應不斷變化的環境來實現零碰撞。目前，該芯片已經應用在桌面手臂機器人上，在自動駕駛汽車上的應用還處于模擬環境中，在真實交通環境中的表現如何，還有待進一步測試。總結這種通過定制快速運動規劃芯片的方法顯著提高了做決策的速度，如果能夠應用在無人車上必定帶來全新的革命，然而與機器人不同的是，無人車上路除了要做到避障規劃以外，還需要遵守交通規則，很多條件下需要減速來避障，此芯片在速度規劃和路徑規劃的融合方面可能還需要更全面的考慮。

關鍵字標籤：半導體精密切割機推薦