云中的数字孪生：加速自动驾驶解决方案验证与验证的模块化、可扩展和可互操作框架
计算机视觉与模式识别
2025-05-20 v1
摘要
自动驾驶车辆（AVs）的验证与验证（V&V）通常需要在包括罕见、极端或危险情况在内的多种运行环境和驾驶情景中进行彻底测试，这些情境在现实中可能难以捕获。此外，基于轨道的评估或公共道路测试等物理V&V方法往往受限于时间、成本和安全性，这促使需要虚拟 proving ground。然而，基于仿真的V&V方法的保真度和可扩展性很快会成为瓶颈。在此背景下，本文提出了一个虚拟 proving ground，灵活地在高性能计算集群（HPCC）中扩展数字孪生体，并自动化V&V过程。数字孪生体使AV及其运行环境的高保真虚拟表示成为可能，从而进行大量基于情景的测试。而HPCC基础设施在计算能力和可扩展性方面提供了显著优势，使仿真迭代、数据处理和存储大量数据，以及部署大规模测试方案成为可能，从而缩短与V&V过程相关的时间和成本。我们通过一个案例研究来演示该方法的有效性，该研究聚焦于对候选自主算法的可变性分析，以识别其感知、规划和控制子系统潜在的漏洞。该框架的模块性、可扩展性和可互操作性通过在两个不同的HPCC架构上部署由256个测试用例组成的测试方案来体现，以确保在公开共享资源设置中持续运行。我们的发现凸显了该框架能够加速和简化V&V过程，从而显著压缩（约30倍）的时间表。
引用
@article{arxiv.2505.12660,
title = {Predicting Reaction Time to Comprehend Scenes with Foveated Scene Understanding Maps},
author = {Ziqi Wen and Jonathan Skaza and Shravan Murlidaran and William Y. Wang and Miguel P. Eckstein},
journal= {arXiv preprint arXiv:2505.12660},
year = {2025}
}