论文阅读:《Waymo Public Road Safety Performance Data》

这篇具有很好参考价值的文章主要介绍了论文阅读:《Waymo Public Road Safety Performance Data》。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1 背景

  这篇文章是讲waymo道路安全性能数据分析的,主要想表达的是waymo自动驾驶系统在安全上面的出色表现,以向政府、大众提高自己产品的公信力。

  这篇文章分析的数据是自从2019年到2020年累积的,610万英里的自动驾驶里程,其中还包含65000英里的全无人驾驶里程。在这些里程下,waymo实际发生了18次道路真实碰撞事件,以及29起接管后仿真复现的29起碰撞事件,合计47次碰撞。那本文也是拿这47次碰撞去分析的waymo自动驾驶安全的。

  接下来详细介绍一下各部分的内容。

2 方法

2.1 数据来源

  数据来源如背景部分提到,包含两个:

  1. 全无人自动驾驶:驾驶位无人情况下,从2019年1月到2020年9月,累计65000英里
  2. 操作员自动驾驶:驾驶位有人看守下,2019全年累计610万英里

2.2 碰撞数据

  在这篇文章中,waymo对碰撞的定义是,自动驾驶汽车与其他物体间有接触。也就是说这其中是包含行人非机动车什么的主动撞上自动驾驶汽车的事件

  当然,在有操作员的汽车内,当遇到危险时,为了避免发生碰撞,操作员会接管汽车。因此在道路上的会有潜在的碰撞事件由于接管而无法观测到,这个时候需要仿真介入。waymo使用的方法是,用当时路上测试的自动驾驶算法版本,复现当时的道路场景,去看如果不接管,车继续开会不会撞上,以此来召回碰撞事件。

  值得一提的是,在仿真场景中,由于社会车辆的行为是与当时路上的自动驾驶汽车交互的,在仿真环境中,障碍物的行为可能会失真。因此waymo对社会车辆进行了建模。虽然在长时间内对代理行为进行建模非常具有挑战性,但是在接管后的短时间内,理解合理的冲突&避免碰撞的行为是可行的。waymo使用人类避碰行为模型来建模社会车辆的短期反应(这篇论文是建模方法的一部分)。

3 碰撞事件分析

  得到真实的&仿真召回的碰撞事件后,waymo对碰撞进行了分类。分类方法自然是通过碰撞的严重程度划分,如下图所示,这是一个总的图。左侧一级的分类是是否和机动车碰撞,第二级分类代表碰撞的类型,比如非机动车碰撞里会和行人、路肩等碰撞;机动车碰撞里会有追尾,侧刮等不同类型的分类。

  碰撞的严重性是根据ISO 26262标准来分的:

  • S0:无受伤
  • S1:轻微至中度受伤
  • S2:严重到危及生命(有概率存活)
  • S3:危及生命(不确定存活)至死亡

waymo通过AIS伤害等级,将具体的碰撞事件划分到以上的4个类别中。例如S1代表至少10%的概率造成AIS1或以上的AIS等级的碰撞事件。waymo具体是通过速度变化和受力方向去评估伤害等级的。同时,为了提供有关更多S1级别事件严重性的信息,waymo将S1根据是否导致任何相关车辆实际/模拟展开安全气囊分成了两列。

  表格的最右侧是人类的碰撞统计。

  可以看到waymo的驾驶中是没有出现S2和S3的,表明他们很安全,这也是建立公信力需要有的表现。
论文阅读:《Waymo Public Road Safety Performance Data》,# 自动驾驶相关论文,论文阅读,自动驾驶

4 讨论

  本文得出的一些结论,总体上就是说waymo的安全性很高~~:

  1. 610万英里发生47起碰撞
  2. 16起追尾碰撞事件中,有8起涉及waymo在停车或逐渐减速时被撞,还有2起在匀速行驶时被撞,另外5起追尾的特点是,其他车辆对waymo自动驾驶汽车转弯时的减速行为反应不足
  3. Angled碰撞,15起,多发生在狮子路口,涉及车辆过路或转弯。其中11起特点是另一辆车没有适当地让出路权,另外4起是waymo右转时,社会车辆试图超车
  4. 10起测刮事件,有8个涉及社会车变道进入waymo停止的地方。
  5. 所有的非机动车碰撞伤害程度都是无伤
  6. 2起倒车事件涉及社会车低速撞到waymo车辆侧面
  7. 1起正面碰撞发生在夜间,社会车行驶方向错误

文章后面就是讲一些报告性的内容,关于局限性、未来的工作、waymo在做的事情等,干货不多,这篇论文内容还是较少的文章来源地址https://www.toymoban.com/news/detail-645062.html

到了这里,关于论文阅读:《Waymo Public Road Safety Performance Data》的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 论文阅读:AugGAN: Cross Domain Adaptation with GAN-based Data Augmentation

    基于GAN的图像转换方法存在两个缺陷: 保留图像目标 和 保持图像转换前后的一致性 ,这导致不能用它生成大量不同域的训练数据。 论文提出了一种 结构感知 (Structure-aware)的 图像转换网络 (image-to-image translation network)。 为了将图像正确地转换,我们需要编码信息包含:1)

    2024年02月07日
    浏览(38)
  • MINT: Detecting Fraudulent Behaviors from Time-series Relational Data论文阅读笔记

    2. 问题定义 时间序列关系数据(Time Series Relation Data) 这个数据是存放在关系型数据库中,每一条记录都是泰永时间搓的行为。 更具体地,每条记录表示为 x = ( v , t , x 1 , x 2 , … , x m − 2 ) x = (v,t,x_1,x_2,dots,x_{m-2}) x = ( v , t , x 1 ​ , x 2 ​ , … , x m − 2 ​ ) ,其中 v v v 代表带

    2024年04月15日
    浏览(35)
  • 【开放集检测】OpenGAN: Open-Set Recognition via Open Data Generation 论文阅读

    Machine learning systems that operate in the real openworld invariably encounter test-time data that is unlike training examples, such as anomalies or rare objects that were insufficiently or even never observed during training. invariably:一贯的 … can be crisply formulated as … 可以被很清晰的定义/表述为 an elegant idea is to… 一个绝佳

    2024年02月02日
    浏览(42)
  • 【论文阅读】Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data

    Github: https://github.com/LiheYoung/Depth-Anything 2024年 TikTok 实习生的工作 这篇论文提出了一个使用的方案,用于鲁棒的单目深度估计,Depth Anything 论文的模型结构没有创新(Transformer),主要贡献在于 探索了简单有效的数据扩展方式(如何有效利用大量的无标签数据 从预训练模型继

    2024年04月22日
    浏览(39)
  • 论文阅读:Image-to-Lidar Self-Supervised Distillation for Autonomous Driving Data

    目录 摘要 Motivation 整体架构流程 技术细节 雷达和图像数据的同步 小结 论文地址:  [2203.16258] Image-to-Lidar Self-Supervised Distillation for Autonomous Driving Data (arxiv.org) 论文代码: GitHub - valeoai/SLidR: Official PyTorch implementation of \\\"Image-to-Lidar Self-Supervised Distillation for Autonomous Driving Data\\\"    

    2024年02月08日
    浏览(48)
  • 【论文阅读笔记】M3Care: Learning with Missing Modalities in Multimodal Healthcare Data

    本文介绍了一种名为“M³Care”的模型,旨在处理多模态医疗保健数据中的缺失模态问题。这个模型是端到端的,能够补偿病人缺失模态的信息,以执行临床分析。M³Care不是生成原始缺失数据,而是在潜在空间中估计缺失模态的任务相关信息,利用来自具有相似未缺失模态的

    2024年02月04日
    浏览(88)
  • 【论文阅读】GPT4Graph: Can Large Language Models Understand Graph Structured Data?

    作者:Jiayan Guo, Lun Du, Hengyu Liu 文章链接:GPT4Graph: Can Large Language Models Understand Graph Structured Data? An Empirical Evaluation and Benchmarking 代码链接:GPT4Graph: Can Large Language Models Understand Graph Structured Data? An Empirical Evaluation and Benchmarking 通过使用自然语言描述图并向LLM提供文本描述,直接

    2024年01月20日
    浏览(40)
  • 论文阅读/中文记录,材料机器学习:Data-driven based phase constitution prediction in high entropy alloys

    Han Q, Lu Z, Zhao S, et al. Data-driven based phase constitution prediction in high entropy alloys[J]. Computational Materials Science, 2022, 215: 111774. 基于数据驱动的高熵合金相组成预测 【背景】 高熵合金(HEA)因其优异的材料性能和近乎无限的设计空间而吸引了越来越多的研究。开发有效的相组成预测方

    2024年02月03日
    浏览(53)
  • 论文阅读 《Pingmesh: A Large-Scale System for Data Center Network Latency Measurement and Analysis》

    在我们内部产品中,一直有关于网络性能数据监控需求,我们之前是直接使用 ping 命令收集结果,每台服务器去 ping (N-1) 台,也就是 N^2 的复杂度,稳定性和性能都存在一些问题,最近打算对这部分进行重写,在重新调研期间看到了 Pingmesh 这篇论文,Pingmesh 是微软用来监控数

    2024年02月11日
    浏览(54)
  • 使用八叉树模拟水和烟雾 Simulating Water and Smoke with an Octree Data Structure 论文阅读笔记

    原文: Losasso, Frank, Frédéric Gibou, and Ron Fedkiw. “Simulating water and smoke with an octree data structure.” Acm siggraph 2004 papers. 2004. 457-462. 这篇文章扩展了 [Popinet 2003] 的工作,拓展到表面自由流,并且使得八叉树不受限制 自适应网格划分的一个缺点是,它的模板不是均匀的,进而导致泊

    2024年02月19日
    浏览(41)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包