Продолжение импульса через моделирование

Авторы: Роберт Морган, технический директор, и Самир Куреши, директор по управлению продуктами

Мы рады сообщить, что наши автономные транспортные средства (АВ) снова в пути - и что во время строительства укрытия мы продолжаем добиваться прогресса, удваивая симуляцию. Моделирование - важная часть нашей программы испытаний, позволяющая проводить испытания за пределами дорог.

Дорожных миль недостаточно

Тестирование AV в реальном мире необходимо, но оно также может быть ограничивающим. Тренировочные данные, такие как погода и поведение пешеходов, ограничены тем, что происходит в мире в каждый момент времени, и могут быть непредсказуемыми, когда вы встречаетесь с редким препятствием во второй раз. Если полагаться на километраж в пути, может потребоваться несколько миллиардов миль, чтобы все проверить. Проще говоря, шкала делает нецелесообразным полагаться только на километраж дороги.

Поэтому мы дополняем наши дорожные испытания моделированием, которое дает нам рентабельный способ обеспечения дополнительного контроля, повторяемости и безопасности. Это также позволяет нам проверять нашу работу без транспортных средств, не вставая с рабочего места и в течение последних нескольких месяцев, не выходя из дома.

Моделирование ведет нас дальше

Моделирование - это обширная область: фокус моделирования должен сочетаться с тем, что вы пытаетесь разработать. На уровне 5 мы разрабатываем антивирусную программу и имеем специальную симуляцию, предназначенную для поддержки наших автономных технологий. Сюда входят два доминирующих режима:

  • Воспроизведение журнала: воспроизводит данные предыдущих дорожных испытаний, чтобы увидеть, как ведет себя новое программное обеспечение, используя реальные данные с реального автомобиля. Мы используем воспроизведение по «замкнутому циклу» (в его пределах) для тестирования эффектов команд транспортного средства, отправляемых программным обеспечением при моделировании.
  • Синтетическое моделирование: создает виртуальный мир для автономного транспортного средства, который включает статический мир, описанный на картах, и динамические элементы, такие как пешеходы, транспортные средства и светофоры. Синтетическое моделирование позволяет нам создать точную ситуацию и изучить конкретный сценарий, с которым мы, возможно, не столкнулись в дороге.

С помощью этих инструментов мы можем предоставить практическую обратную связь команде разработчиков, что в конечном итоге приведет к большей уверенности каждый раз, когда мы запускаем релиз в автомобиль.

Использование данных Rideshare для питания машины

Настоящий усилитель - это данные, используемые для моделирования. Без правильных данных команды могут сосредоточиться на решении проблем в неправильном порядке или полностью не на том. На уровне 5 мы можем использовать данные Lyft для разработки точного и полезного синтетического моделирования, что позволяет нам сосредоточиться на решении правильных проблем в правильном порядке.

  • Учимся на реальных поездках. Мы знаем маршруты, сложность дорог и многое другое о ежедневных поездках, уделяя особое внимание разработке функций и возможностям на том, что наиболее полезно для людей. Это позволит нам быстрее приблизиться к разработке потребительского продукта.
  • Камеры: мы разместили камеры на подмножестве транспортных средств для поездок, чтобы фиксировать реальные данные о сценариях, с которыми водители и AV-машины сталкиваются ежедневно, и о том, как часто они происходят. Например, чтобы улучшить наше планирование, мы можем узнать, как часто другие водители вмешиваются при смене полосы движения в последнюю минуту на конкретном перекрестке. Данные с камеры совместного использования также позволяют нам обнаруживать редкие события с длинным хвостом в масштабе, чтобы улучшить нашу систему.

Улучшение моделирования с помощью обратной связи

Мы можем объединить все эти усилия, чтобы создать эффективную машину обратной связи, которая проверяет эффективность моделирования или выявляет возможности для улучшения.

Отзывы указывают на:

  • Покрытие. Наши аналитические данные, полученные на основе данных Lyft, информируют нас о дополнительных тестах и ​​частоте возникновения. Эта обратная связь помогает нам обнаружить любые неизвестные неизвестные.
  • Уверенность. Сравнение результатов моделирования и дорожных AV-характеристик позволяет нам понять корреляцию и предсказательную силу нашего моделирования. Это способствует повышению точности нашей технологии моделирования.
  • Возможности. Измерения поведения наших AV-устройств как в моделировании, так и в реальном мире, способствуют совершенствованию нашего программного обеспечения AV.

Сохранение динамики уровня 5

Хотя дорожные испытания остаются критическим аспектом нашей программы, моделирование позволяет нам использовать существующие дорожные данные многими другими способами и многократно, чтобы помочь улучшить и проверить наше программное обеспечение. Мы считаем, что благодаря уникальным данным Lyft и достижениям 5-го уровня в области моделирования мы сокращаем необходимые пробеги на несколько порядков. Наше внимание к моделированию в течение последних нескольких месяцев позволило нам сохранить динамику уровня 5 на пути к нашей цели - улучшить доступ к безопасному и надежному транспорту для миллионов пассажиров Lyft во всем мире.

Чтобы узнать больше о подходе Lyft к самостоятельному вождению, подпишитесь на @ LyftLevel5 в Twitter и в этом блоге. Чтобы увидеть открытые роли на уровне 5, посетите нашу страницу вакансий.