Digital Twins in the Cloud: A Modular, Scalable and Interoperable Framework for Accelerating Verification and Validation of Autonomous Driving Solutions

要約

自動運転車（AVS）の検証と検証（V＆V）には、通常、さまざまな動作環境にわたる徹底的なテストや、現実にキャプチャすることが困難または不可能なレア、極端な、または危険な状況を含む運転シナリオを徹底的にテストする必要があります。
さらに、トラックベースの評価やパブリックロードテストなどの物理V＆Vメソッドは、多くの場合、時間、コスト、安​​全性によって制約され、仮想証明の根拠の必要性を動機付けます。
ただし、シミュレーションベースのV＆Vメソッドの忠実度とスケーラビリティは、すぐにボトルネックに変わる可能性があります。
このような環境では、この作業は、高性能コンピューティングクラスター（HPCC）内でデジタルツインを柔軟に拡張し、V＆Vプロセスを自動化する仮想証明の根拠を提案します。
ここでは、Digital TwinsがAVとその動作環境の高忠実度仮想表現を可能にし、広範なシナリオベースのテストを可能にします。
一方、HPCCインフラストラクチャは、計算能力とスケーラビリティに関して大きな利点をもたらし、シミュレーションの迅速な反復、大量のデータの処理と保存、大規模なテストキャンペーンの展開により、V＆Vプロセスに関連する時間とコストが削減されます。
候補の自律アルゴリズムの変動分析に焦点を当てたケーススタディを通じて、このアプローチの有効性を実証し、その認識、計画、および制御サブシステムの潜在的な脆弱性を特定します。
提案されたフレームワークのモジュール性、スケーラビリティ、および相互運用性は、2つの異なるHPCCアーキテクチャで256のテストケースを含むテストキャンペーンを展開して、公開されているリソース設定で継続的な動作を確保することにより実証されます。
調査結果は、提案されたフレームワークがV＆Vプロセスを加速および合理化する能力を強調しているため、タイムラインを大幅に圧縮します（〜30倍）。

要約(オリジナル)

Verification and validation (V&V) of autonomous vehicles (AVs) typically requires exhaustive testing across a variety of operating environments and driving scenarios including rare, extreme, or hazardous situations that might be difficult or impossible to capture in reality. Additionally, physical V&V methods such as track-based evaluations or public-road testing are often constrained by time, cost, and safety, which motivates the need for virtual proving grounds. However, the fidelity and scalability of simulation-based V&V methods can quickly turn into a bottleneck. In such a milieu, this work proposes a virtual proving ground that flexibly scales digital twins within high-performance computing clusters (HPCCs) and automates the V&V process. Here, digital twins enable high-fidelity virtual representation of the AV and its operating environments, allowing extensive scenario-based testing. Meanwhile, HPCC infrastructure brings substantial advantages in terms of computational power and scalability, enabling rapid iterations of simulations, processing and storage of massive amounts of data, and deployment of large-scale test campaigns, thereby reducing the time and cost associated with the V&V process. We demonstrate the efficacy of this approach through a case study that focuses on the variability analysis of a candidate autonomy algorithm to identify potential vulnerabilities in its perception, planning, and control sub-systems. The modularity, scalability, and interoperability of the proposed framework are demonstrated by deploying a test campaign comprising 256 test cases on two different HPCC architectures to ensure continuous operation in a publicly shared resource setting. The findings highlight the ability of the proposed framework to accelerate and streamline the V&V process, thereby significantly compressing (~30x) the timeline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google