Описание научного проекта группы

Появляется все больше транспортных средств, использующих технологии беспилотного и подключенного транспорта, и бизнес-модели шеринга и Mobility-as-a-Service, объединяющихся в концепции Интеллектуальных Транспортных Систем (ИТС), которая преследует цель снижения загруженности дорог, повышения безопасности для участников дорожного движения, а также сокращения расхода энергии и вредных выбросов. Необходимо убедиться, что эти технологии дейтвительно могут помочь в достижении данных целей, и потому требуют обширного тестирования (верификации и валидации), прежде чем они могут быть допущены на дороги общего пользования. Для ускорения процесса тестирования и разработки используется имитационное компьютерное моделирование.

Существует запрос на создание моделей крупного масштаба (по охватываемому физического пространству и времени моделирования), позволяющих моделировать, например, влияние использования моделей шеринга транспорта или технологий беспилотного транспорта на характеристики транспортной системы. При этом, для получения точных результатов должна сохраняться высокая детализация моделей на нижних уровнях. Такой инструмент позволил бы осуществлять более эффективное планирование городских ресурсов и обеспечивать устойчивое развитие.

В настоящее время существует множество микроскопических моделей подключенного и беспилотного транспорта, но такие модели не учитывают влияния объектов окружающей среды и множества других парметров на поведение транспортных средств. Например, из проведенных исследований следует вывод, что большинство моделей предполагают наличие полностью функциональных беспилотных автомобилей. Однако, с практической точки зрения, их возможная функциональность разделена Обществом автомобильных инженеров (SAE) на пять уровней. В результате на дорогах может наблюдаться смешанная пропорция автомобилей с различными уровнями автономности. Это создает пробел в нынешних исследованиях поведения беспилотного транспорта с помощью микроскопических симуляторов. Из недавних исследований также следует, что присутствие беспилотных автомобилей может влиять на поведение транспортных средств, управляемых человеком. Однако текущие исследования на основе микроскопических симуляторов предполагают, что транспортные средства, управляемые человеком, будут одинаково взаимодействовать с автомобилями с водителем и беспилотными автомобилями, игнорируя адаптацию поведения человека.

Ключевая гипотеза состоит в том, что более точное описание объектов окружающей среды и их влияния на машинное восприятие и передачу сигналов приведет к количественным и качественным изменениям в параметрах, получаемых в результате моделирования.

Также существует множество подходов и инструментов для моделирования объектов на разных уровнях детализации и из разных доменов (областей знаний), влияющих на работу ИТС. Однако, эти подходы и инструменты не интегрированы между собой. Учитывая важность планирования движения подключенного и беспилотного транспорта в микроскопических симуляторах, в последние годы стали использоваться системы совместного моделирования. Стратегии совместного моделирования показывают хорошие перспективы для моделирования поведения подключенного и беспилотного транспорта с высокой степенью детализации. Большинство исследований по совместному моделированию находятся на начальных уровнях и в значительной степени сосредоточены на разработке фреймворков совместного моделирования. Учитывая вычислительные ограничения в инструментах совместного моделирования, исследования сосредоточены на моделировании одного или нескольких транспортных средств с ограниченным объемом трафика и размерами транспортной сети. Инструменты для совместного моделирования в значительной степени сосредоточены на планировании движения подключенного и беспилотного транспорта, и уделяют меньше внимания к характеристикам транспортных потоков и сетей, чем при микроскопическом моделировании. Однако благодаря увеличению вычислительных мощностей и наличию API-интерфейсов для совместной симуляции, сценарии могут быть расширены до большего числа подключенного и беспилотного транспорта, управляемых на основе восприятия окружающей среды датчиками, и транспортных средств с водителем, управляемых с помощью поведенческих моделей. Однако при запуске наноскопических моделей, учитывающих внешние факторы, вычислительные возможности большинства компьютеров накладывают ограничения на размер сценариев, из за этого некоторые параметры поведения транспорта упрощаются.

На данный момент большинство моделей создаются только для тестирования в определенном городе или стране. Они не учитывают культуры различных стран, особенности дорожного движения и других факторов. Для эффективного использования такого инструмента необходимо также создать формат быстрого и структурированного описания моделируемых сценариев, позволяющие учесть все существенные для данной задачи параметры и упростить их изменение для пользователей программного обеспечения.

Существенной проблемой также является избыточность научных работ и разработанных отдельных инструментов для разработки и моделирования, лишь немногие из которых активно применяются. В проекте CAVISE была поставлена задача изучения всех доступных на данный момент инструментов с открытым кодом для моделирования подключенного и беспилотного транспорта, выбора лучших и наиболее совместимых из них, их интеграция. Таким образом планируется сэкономить время на разработку внутри проекта, а также с пользой использовать уже потраченное время других разработчиков.

Для решения этой проблемы в рамках проекта разрабатывается интегрированная среда высокоточного моделирования подключенного и беспилотного транспорта и многоуровневого моделирования интеллектуальных транспортных систем, которая может использоваться как САПР сковозного проектирования, позволяющая провести перебор решений на виртуальном полигоне для тестирования и обучения, с использованием системы автоматизации экспериментов.

Полученную в результате работы над проектом САПР (ИСМ) (и другие результаты) предполагается использовать для более точного моделирования поведения подключенных и беспилотных транспортных средств и их обучения для выполнения задач совместного управления дорожным движением; для ускорения процесса тестирования в разных сценариях алгоритмов, используемых на подключенных и беспилотных транспортных средствах; и для исследования влияния поведения подключенных и беспилотных транспортных средств в моделях с высоким уровнем детализации на параметры в более масштабных моделях.

Разработка высокоточной интегрированной среды проектирования (моделирования и обучения) совместно используемых технологий подключенного и беспилотного транспорта

1. Модель должна позволять учитывать влияние окружающих объектов на распространение сигналов и машинное восприятие
2. Среда моделирования должна быть создана с помощью интеграции существующих инструментов для совместного моделирования (обмена результатами моделирования между ними) и их модификации
3. Доработать программную реализацию передачи данных, полученных с помощью алгоритмов восприятия, реализованных в OpenCDA, между автомобилями по каналам связи V2X (Vehicle-to-Everything), реализованных в Artery
4. Обеспечить моделирование алгоритмов совместного восприятия в ИСМ с помощью интеграции библиотек OpenCOOD и CoPerception
5. Реализация совместного обучения подключенного и беспилотного транспорта и алгоритмов совместного управления дорожным движением с помощью инструментов глубокого обучения с подкреплением (DRL) MACAD-Gym (https://github.com/praveen-palanisamy/macad-gym) и федеративного обучения (FL) FLCAV (https://github.com/SIAT-INVS/CarlaFLCAV) (if no datasets are available for training agents)
6. По возможности перейти на последнюю версию симулятора CARLA (0.9.15)
7. Создание датасетов (имитационное обучение)
8. Разработка ПО новых моделей/систем управления дорожным движением для агентов подключенного беспилотного транспорта, осуществляющих совместное управление дорожным движением, обучающихся с помощью DRL и FL (sensing (cooperative perception: computer vision + V2X), perception, planning, control)

Доработка среды высокоточного моделирования подключенного транспорта за счет обеспечения возможности моделирования распространения сигналов по беспроводным каналам связи в 3D-окружении

1. Использовать модель 3D-окружения и распространения сигналов Opal
2. Реализация различных моделей распространения сигнала в соответствии со сценарием моделирования (прямая видимость (LOS), отсутствие прямой видимости с блокировкой другими транспортными средствами (NLOSv), отсутствие прямой видимости (блокировка зданиями и инфраструктурой)(NLOS)) с учетом различных конфигураций замирания сигнала, затухания сигнала, интерференции.
3. Реализовать возможность провести моделирование выбранных сценариев дорожного движения с учетом влияния окружающих объектов для модели 3D-окружения с моделью для 2D-окружения (откалибровать модель) - сейчас используется 2,5D модель GEMV2, где все объекты имеют бесконечную высоту - необходимо сравнить результаты моделирования распространения сигналов для данных моделей
4. Визуализации результатов работы модели распространения сигналов в 3D-окружении
5. Разработка программных модулей для визуализации ключевых метрик производительности в виде графиков (Packet Delivery Ratio (PDR), Age of Information (AoI), Channel Busy Ratio (CBR) и др.)
6. Доработать интегрированную среду моделирования, чтобы обеспечить возможность моделирования различных алгоритмов передачи информации в VANET-сетях
7. Изучение LiDARsim для потенциальной интеграции в алгоритмы детектирования

Разработка формата структурированного описания и инструмента генерации сценариев дорожного движения в Интеллектуальных Транспортных Системах (ИТС)

1. Формат должен позволять учитывать влияние окружающих объектов на распространение сигналов и машинное восприятие для моделирования подключенного и беспилотного транспорта
2. Формат должен отличаться от существующих объектно-ориентированным подходом (OOA format) со слабым зацеплением и сильной связностью
3. Обзор и анализ существующих форматов (OpenDRIVE, OpenSCENARIO, NVIDIA USD, 6-Layer Model) и их адаптация для включения их возможностей в разрабатываемый формат; Анализ особенностей разрабатываемой ИСМ, влияющих на параметры и способ создания сценариев
4. Разработать Пользовательский графический интерфейс, позволяющий формировать моделируемые сценарии дорожного движения в соответствии с разработанным форматом описания без использования пользователем программного кода, за счет чего предполагается повысить скорость формирования сценария более чем в 10 раз, и снизить требования к профессиональной подготовке пользователей САПР
5. Выбор параметров, учитываемых в формате описания сценариев должен происходить с помощью регрессионного анализа
6. Средства автоматизации генерации большого количества сценариев/сцен (в т.ч. совместимых) для обучения, верификации, и валидации моделей подключенного и беспилотного транспорта
7. Обучение моделей с помощью self-play на большом числе сценариев (поиск оптимальных схем для обмена и обработки информации в подключенном транспорте)
8. Использование сигнатур (входных данных и результатов моделирования наноскопических сценариев) в качестве датасетов для обучения нейросети для предсказания результатов моделирования таких сценариев, позволяющего ускорить моделирование на более высоких уровнях масштаба

Разработка многоуровневой среды моделирования для верификации и валидации технологий интеллектуальных транспортных систем (ИТС)

1. Возможность изучения влияния различных технологий ИТС - подключенного и беспилотного транспорта, VANET-сетей, Мобильности как Услуги, сервисов шеринга - на макроскопические параметры транспортной системы; их верификации и валидации
2. Позволяющей осуществлять обмен результатами моделирования сценариев между сценами одного уровня (параллельная симуляция), и разных уровней масштаба и детализации
3. Сравнить результаты моделирования на микроскопическом уровне с результатми для наноскопического уровня (откалибровать модель)
4. Генерация более высоко детализированных сцен из микроскопических сценариев (Monaco SUMO Traffic (MoST) Scenario, TAPAS Cologne Scenario)
5. Моделирование выбросов (с использованием SUMO), энергии (smart grid)
6. Возможная интеграция TAPAS, JADE (Java Agent DEvelopment Framework), SUMO extensions
7. Возможная последующая интеграция с такими инструментами, как MATSim, SimMobility, CityMOS, для включения в модель макроскопических параметров, таких как демография, землепользование и экономика