Simposium Kendaraan Cerdas (IV) IEEE 2018 Changshu, Suzhou, Tiongkok, 26-30 Juni 2018
Lingkungan Augmented Reality untuk Terhubung dan Otomatis
Pengujian dan Evaluasi Kendaraan*
Yiheng Feng
1, Chunhui Yu
2, Shaobing Xu
3, Henry X.Liu
4, dan Huei Peng
5Abstrak— Pengujian dan evaluasi merupakan langkah penting dalam pengembangan teknologi kendaraan yang terhubung dan otomatis (CAV).
Salah satu keterbatasan fasilitas pengujian CAV tertutup adalah bahwa fasilitas tersebut hanya menyediakan jalan raya kosong, sehingga CAV pengujian hanya dapat berinteraksi dengan CAV dan infrastruktur lain dalam jumlah terbatas. Makalah ini menyajikan lingkungan augmented reality untuk pengujian dan evaluasi CAV. Fasilitas pengujian dunia nyata dan platform simulasi digabungkan menjadi satu. Pergerakan pengujian CAV di dunia nyata disinkronkan dengan simulasi dan informasi lalu lintas latar belakang diumpankan kembali ke pengujian CAV. Pengujian CAV dapat berinteraksi dengan lalu lintas latar belakang virtual seolah-olah berada dalam lingkungan lalu lintas yang realistis. Sistem yang diusulkan terutama terdiri dari tiga komponen: platform simulasi, pengujian CAV, dan jaringan komunikasi. Skenario pengujian yang memiliki masalah keselamatan dan/atau memerlukan interaksi dengan kendaraan lain dapat dilakukan. Dua skenario pengujian teladan dirancang dan
diimplementasikan untuk menunjukkan kemampuan sistem.
beberapa tahun di jalan umum, meskipun perdebatan mengenai diperbolehkan atau tidaknya pengujian CAV berjalan dengan lalu lintas umum tidak pernah berhenti [6]. Keselamatan telah menjadi isu penting karena teknologi masih dalam tahap pengembangan.
Sejumlah kecelakaan telah dilaporkan terkait fungsi self-driving termasuk kecelakaan fatal yang terjadi pada tahun 2016 [7].
Fasilitas pengujian tertutup berfungsi sebagai langkah perantara antara pengujian dalam simulasi dan di jalan umum. Mereka tidak hanya meningkatkan efisiensi tetapi juga menyediakan lingkungan yang lebih terkendali dan aman. Untuk mendorong pengujian CAV di fasilitas pengujian tertutup, Departemen Transportasi AS (DOT) menunjuk 10 fasilitas pengujian CAV percontohan di seluruh AS2 pada tahun 2016. Kerugian utama dari fasilitas pengujian tertutup adalah fasilitas tersebut hanya menyediakan jalan raya yang kosong. CAV pengujian hanya dapat berinteraksi dengan sejumlah kendaraan dan infrastruktur pengujian lainnya (misalnya, sinyal lalu lintas). Namun, lingkungan pengujian yang lengkap harus menyertakan lalu lintas latar belakang sebanyak yang diperlukan untuk berinteraksi dengan CAV pengujian. Melibatkan kendaraan latar belakang nyata dalam fasilitas pengujian tertutup tidak hanya mahal tetapi juga sulit untuk dikoordinasikan dan dikendalikan. Tanpa interaksi dengan lalu lintas nyata, skenario yang dapat dirancang juga terbatas.
Untuk mengatasi keterbatasan tersebut, kami mengusulkan lingkungan pengujian augmented reality. Lalu lintas latar belakang dihasilkan dalam simulasi mikroskopis dan disediakan untuk pengujian CAV guna menambah fungsionalitas fasilitas pengujian. Lingkungan augmented reality
menggabungkan fasilitas pengujian dunia nyata dan platform simulasi secara bersamaan. Pergerakan pengujian CAV di dunia nyata disinkronkan dengan simulasi dan informasi lalu lintas latar belakang diumpankan kembali ke pengujian CAV. Pengujian CAV dapat berinteraksi dengan lalu lintas latar belakang virtual seolah-olah berada dalam lingkungan lalu lintas yang realistis.
Hasilnya, skenario pengujian yang memerlukan interaksi dengan kendaraan lain atau moda penumpang (misalnya pejalan kaki, pengendara sepeda, kereta api) dapat dilakukan. Dibandingkan dengan menggunakan kendaraan nyata, kendaraan simulasi dapat dengan mudah dikendalikan dan dimanipulasi untuk menghasilkan skenario yang berbeda dengan biaya dan masalah keselamatan yang jauh lebih sedikit. Misalnya, ketika pengujian CAV gagal dalam pengujian terkait keselamatan dan menabrak pejalan kaki yang disimulasikan, tidak ada yang akan mengalami kerusakan nyata. Tes semacam itu dapat diulangi berulang kali. Lingkungan augmented reality dapat berfungsi sebagai langkah awal sebelum melibatkan kendaraan nyata untuk memastikan algoritme diperiksa secara menyeluruh dan parameter disetel dengan baik. Sistem yang diusulkan sangat bermanfaat untuk menguji dan mengevaluasi teknologi CAV dengan cara yang hemat biaya.
I. PENDAHULUAN
Kendaraan yang terhubung dan otomatis (CAV) perlu diuji secara ekstensif sebelum dapat digunakan dan diterima oleh masyarakat umum.
Saat ini, pengujian dan evaluasi CAV terutama dilakukan melalui langkah- langkah berikut: simulasi, fasilitas pengujian tertutup, dan jalan umum.
Simulasi adalah cara yang hemat biaya untuk menguji teknologi baru ini, namun sangat sulit untuk memodelkan dinamika kendaraan dan perilaku mengemudi secara tepat dalam simulasi. Oleh karena itu, beberapa penelitian mengembangkan platform simulasi hardware-in-the-loop (HIL) atau vehicle-in-the-loop (VIL) yang menggabungkan salah satu bagian kendaraan (misalnya, mesin nyata dengan model powertrain virtual) [1]
atau seluruh kendaraan [2] ke dalam simulasi. Untuk memodelkan perilaku kendaraan nyata yang diamati di lapangan, diusulkan sistem lalu lintas paralel, yang membentuk cermin dunia nyata dalam ruang virtual [3]
[4]. Sistem paralel dapat digunakan untuk merancang skenario pengujian yang berbeda dan mengevaluasi kinerja kendaraan pengujian dalam skenario ini [5]. Perusahaan seperti Google telah mendemonstrasikan mobil self-driving mereka1untuk sebuah
* Penelitian ini didanai oleh Pusat Transportasi Terhubung dan Otomatis (CCAT) Departemen Transportasi AS (USDOT) dan Mcity di Universitas Michigan.
1Yiheng Feng bekerja di Institut Penelitian Transportasi Universitas Michigan, Ann Arbor, MI, 48109 AS (penulis koresponden; telepon:
734-936-1052; email: [email protected] ).
2Chunhui Yu bekerja di Laboratorium Utama Rekayasa Jalan dan Lalu Lintas Kementerian Pendidikan, Universitas Tongji, Shanghai, PR Tiongkok (email:
3Shaobing Xu dan5Huei Peng bersama Departemen Teknik Mesin, Universitas Michigan, Ann Arbor, MI, 48109 USA (email:
[email protected] dan [email protected] ).
4Henry X. Liu bekerja di Departemen Teknik Sipil dan Lingkungan, Universitas Michigan dan Institut Penelitian Transportasi Universitas
Michigan, Ann Arbor, MI, 48109 AS (email: [email protected] ) . 2https://www.transportation.gov/briefing-room/dot1717
1https://www.google.com/selfdrivingcar/
Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.com
Sisa makalah ini disusun sebagai berikut. Bagian 2 pertama-tama memberikan gambaran umum sistem dan kemudian memperkenalkan setiap komponen sistem secara rinci. Bagian 3 pertama-tama menganalisis penundaan komunikasi dan kemudian mendemonstrasikan dua skenario pengujian yang dirancang berdasarkan sistem. Bagian 4 menyimpulkan makalah ini dan membahas potensi penerapannya.
dan antarmuka COM di VISSIM digunakan untuk interaksi dengan lingkungan dunia nyata dan aplikasi pengelolaan simulasi. Sinyal lalu lintas di VISSIM disinkronkan dengan sinyal lalu lintas di dunia nyata melalui SignalControl.DLL. Informasi dari lalu lintas yang disimulasikan dikodekan dan dikirim oleh DriverModel.DLL. Aplikasi pengelola simulasi menerima informasi dari pengujian CAV dan mengubah koordinat GPS menjadi koordinat lokal [9], yang digunakan untuk memperbarui lokasi CAV virtual di VISSIM melalui antarmuka COM. Selanjutnya aplikasi pengelola simulasi juga membangun skenario pengujian melalui COM.
II. DESKRIPSI SISTEM
Arsitektur keseluruhan lingkungan pengujian augmented reality ditunjukkan pada Gambar. 1. Dunia nyata terdiri dari pengujian CAV, peralatan infrastruktur, dan prosesor pinggir jalan (RSP). Peralatan infrastruktur tersebut meliputi unit pinggir jalan (RSU), pengontrol sinyal lalu lintas, dan detektor kendaraan.
Menguji CAV menyiarkan informasi kendaraan dan berkomunikasi dengan RSU melalui Dedicated Short Range Communication (DSRC). RSP bertanggung jawab untuk menerima dan memproses data dari peralatan infrastruktur dan
mengirimkan informasi yang telah diproses ke Platform Simulasi dan Komponen Manajemen Data. Ia juga menerima data dari platform simulasi dan meneruskannya ke Peralatan Infrastruktur.
Jaringan lalu lintas yang sama dalam hal geometri jalan dan sinyal lalu lintas dibangun di platform simulasi seperti di fasilitas pengujian dunia nyata. CAV virtual dihasilkan dan diperbarui dalam simulasi berdasarkan informasi kendaraan yang diterima dari CAV pengujian. Perilaku mereka disinkronkan dengan kendaraan nyata. Demikian pula, sinyal lalu lintas virtual dalam simulasi juga disinkronkan dengan sinyal lalu lintas dunia nyata.
Lalu lintas latar belakang dalam simulasi disiarkan oleh Peralatan Infrastruktur (misalnya RSU) ke CAV pengujian. Komponen Manajemen Data bertanggung jawab untuk mengumpulkan dan mengelola data pengujian yang dihasilkan baik di dunia nyata maupun platform simulasi, sehingga ukuran kinerja dapat dievaluasi. Pada subbagian berikut, tiga komponen utama sistem, yaitu platform simulasi, CAV pengujian, dan jaringan komunikasi, akan disajikan.
Gambar 2: Kerangka platform Simulasi.
Alur kerja platform simulasi ditunjukkan pada Gambar.
3. Setiap skenario pengujian dibangun sebagai proyek VISSIM.
Skenario pengujian yang berbeda mungkin mencakup rute CAV yang berbeda, masukan kendaraan di latar belakang, dan pengaturan waktu sinyal. Sebelum menjalankan simulasi, platform simulasi perlu memuat satu skenario melalui antarmuka COM. Setelah inisialisasi, ia mulai menerima pengujian CAV dan informasi sinyal lalu lintas dari dunia nyata. Setelah menerima pesan pertama dari CAV pengujian, platform simulasi membuat CAV virtual di jaringan VISSIM di lokasi yang sama dengan fasilitas pengujian dan memperbarui posisinya setiap kali pesan baru diterima. Mekanisme interaksi berbasis pemicu diterapkan. Pembaruan lokasi CAV virtual dapat memicu peristiwa pengujian di VISSIM. Misalnya, menghasilkan kendaraan virtual dengan kecepatan tertentu atau mematikan fase sinyal saat ini.
Keuntungan menggunakan mekanisme berbasis pemicu adalah menjamin pengujian dapat diulangi dalam kondisi yang persis sama.
Mirip dengan CAV virtual, sinyal virtual diperbarui ketika pesan status sinyal baru diterima. VISSIM kemudian menjalankan langkah simulasi untuk memperbarui dan menyiarkan informasi lalu lintas latar belakang.
B.Pengujian CAV
Lincoln MKZ Hybrid digunakan sebagai kendaraan pengujian dalam lingkungan augmented reality yang diusulkan. Lincoln MKZ sepenuhnya terhubung dan otomatis serta dilengkapi dengan berbagai sensor. Sensornya mencakup Velodyne LiDAR 16 saluran di atap, sistem fusi Ibeo (dua modul LUX LiDAR empat lapis di depan, dan satu di belakang), RADAR jarak jauh di depan, empat RADAR jarak pendek di sudut. , Mobileye, kamera Pointgrey, dan modul GPS presisi tinggi (sekitar 2 cm), yang disebut Real Time Kinematic (RTK) 3003 dari Oxford Technical Solutions. Sebuah Gambar 1: Desain keseluruhan lingkungan augmented reality.
A. Platform Simulasi
Kerangka platform simulasi ditunjukkan pada Gambar.
2. Terdiri dari dua bagian yaitu simulator VISSIM [8] dan aplikasi pengelola simulasi. VISSIM menyediakan berbagai API sebagai modul tambahan untuk mengintegrasikan VISSIM dengan aplikasi milik pengguna. SignalControl.DLL, DriverModel.DLL,
DSRC. BSM yang diterima diteruskan ke Master RSP.
SPaT dan BSM dikirim ke Platform Simulasi untuk memperbarui sinyal virtual dan CAV virtual dalam simulasi. BSM dan SPaT disiarkan pada frekuensi 10Hz.
Kendaraan simulasi di VISSIM menghasilkan BSM simulasi (sBSM) melalui API DriverModel.DLL dan mengirimkannya ke Master RSP. Berdasarkan ID kendaraan, Master RSP
mendistribusikan sBSM ke RSU yang berbeda untuk menyeimbangkan beban komunikasi. sBSM disiarkan dari semua RSU ke CAV pengujian.
Gambar 3: Alur kerja platform simulasi.
Unit Pengukuran Inersia (IMU) juga disematkan. Sensor ini memungkinkan penentuan posisi yang akurat dan persepsi rintangan 360 derajat. Kontrol melalui kabel memungkinkan kita memerintahkan roda kemudi, throttle, rem, dan transmisi melalui perangkat lunak. Unit onboard (OBU) dari Cohda Wireless dipasang sebagai perangkat komunikasi DSRC untuk
mengirimkan pesan dari/ke lingkungan simulasi. OBU pada dasarnya mempunyai tiga tugas. Pertama, menerima pesan Sinyal Fase dan Waktu (SPaT), yang disiarkan oleh RSU yang terletak di persimpangan fasilitas pengujian. Kedua, ia menerima Pesan Keselamatan Dasar (BSM) dari kendaraan nyata (misalnya kendaraan pengujian lainnya) dan kendaraan simulasi. Terakhir, ia menyiarkan BSM kendaraan pengujian ke RSU.
Dengan data SPaT dan BSM yang diterima, CAV dapat berinteraksi dengan sinyal lalu lintas nyata dan simulasi kendaraan secara otomatis. Perencanaan jalur yang mendasari, kendali kecepatan kendaraan, dan kendali kemudi
dikembangkan oleh proyek Open-CAV dari Universitas Michigan3. Algoritma yang berbeda dikembangkan untuk melakukan kemampuan dasar seperti perencanaan/pengendalian kecepatan, perencanaan/pengikutan jalur, dan penghindaran rintangan. Misalnya, ketika mengikuti kendaraan simulasi, perilaku CAV mengikuti model mengikuti mobil Gipps [10].
Gambar 4: Jaringan komunikasi dan aliran data.
AKU AKU AKU. IMPLEMENTASI SISTEM
Lingkungan pengujian augmented reality diterapkan di Mcity, fasilitas pengujian CAV tertutup yang baru didirikan di
Universitas Michigan. Untuk menyiapkan platform simulasi, jaringan lalu lintas Mcity dibangun dan dikalibrasi dalam VISSIM melalui peta resolusi tinggi. Salah satu pertanyaan penting untuk mengimplementasikan sistem ini adalah kualitas komunikasi antara lingkungan simulasi dan dunia nyata. Bagian ini pertama- tama akan memberikan pengenalan singkat tentang Mcity.
Kemudian dilakukan tes komunikasi dan hasilnya
dipresentasikan. Terakhir, dua skenario pengujian yang patut dicontoh dirancang dan didemonstrasikan.
A. Pengenalan Mcity
Mcity adalah simulasi lingkungan perkotaan dengan ketelitian tinggi berskala kecil untuk pengujian CAV4. Menempati lahan seluas 32 hektar di Kompleks Penelitian Kampus Utara Universitas Michigan, Mcity mencakup sekitar lima jalur jalan raya dengan atribut berbeda seperti segmen jalan raya, jalan arteri multijalur, persimpangan, dan sinyal lalu lintas. Mcity adalah kota simulasi skala penuh pertama di dunia yang dirancang semata-mata untuk menguji kinerja CAV.
C.Jaringan Komunikasi
Jaringan komunikasi mengirimkan data antara platform simulasi dan CAV pengujian. Aliran informasi ditunjukkan pada Gambar 4. Pengontrol Sinyal di setiap persimpangan menyiarkan data sinyal termasuk status saat ini dan sisa waktu setiap fase ke RSP yang terletak di kabinet sinyal, tempat pesan SPaT SAE J2735 dihasilkan. Pesan SPaT diteruskan ke RSU di persimpangan yang sama dan RSP Master. RSU menyiarkan pesan SPaT ke CAV pengujian dan menerima BSM dari pengujian CAV melalui
Mcity memiliki delapan persimpangan bersinyal termasuk enam persimpangan kecepatan rendah di pusat kota, satu persimpangan kecepatan tinggi di ruas jalan raya, dan satu persimpangan di dekat pintu masuk. Empat RSU dipasang di empat persimpangan pusat kota. Jangkauan radio RSU mencakup seluruh fasilitas pengujian.
3https://mcity.umich.edu/news-events/media-
resources/ 4https://mcity.umich.edu
B.Tes Komunikasi
pengujian CAV. Bagian kanan bawah gambar menunjukkan tampilan dari pengujian sistem kendali CAV. Persegi panjang besar (merah) adalah CAV pengujian dan semua persegi panjang yang lebih kecil mewakili kendaraan yang disimulasikan. Kotak kecil (merah) di depan CAV pengujian menunjukkan bahwa ini adalah kendaraan yang berpotensi menimbulkan konflik.2) Lampu Merah Berjalan:Berjalan di lampu merah adalah perilaku mengemudi yang berbahaya dan menyumbang sekitar 26,5% dari total kematian di persimpangan pada tahun 20145. Tujuan dari skenario ini adalah untuk mengevaluasi bagaimana CAV pengujian bereaksi terhadap kendaraan yang sedang berjalan di lampu merah dan menghindari tabrakan dalam situasi yang berbeda.
Desain skenario ditunjukkan pada Gambar 7. Persimpangan di Wolverine Ave. dan Main St. di kawasan pusat kota Mcity dipilih sebagai persimpangan pengujian. CAV pengujian bergerak ke arah barat di Main St. dan mencoba berbelok ke kiri. Kendaraan simulasi dihasilkan dalam simulasi di Wolverine Ave. dan bergerak ke arah utara, ketika CAV pengujian dekat dengan persimpangan. Status sinyal menunjukkan bahwa pengujian CAV mempunyai jalur yang benar. Waktu sinyal persimpangan disesuaikan sehingga CAV pengujian bertemu dengan lampu hijau setiap mendekati persimpangan.
Tes komunikasi dilakukan untuk memastikan bahwa sistem dapat memenuhi persyaratan kinerja real-time. Karena penundaan komunikasi berada pada tingkat milidetik, sangat sulit untuk menyinkronkan jam antara lingkungan simulasi (misalnya komputer) dan pengujian CAV. Untuk mengatasi masalah tersebut, kami menerapkan cara alternatif untuk menguji penundaan. Ketika simulasi BSM dibuat di VISSIM, stempel waktu pertama dibuat. sBSM dikirim ke RSP master (Gbr. 4) dan disiarkan melalui RSU1. RSU2 menerima sBSM dan kemudian mengirimkan kembali ke RSP master.
Terakhir, RSP master meneruskan BSM kembali ke komputer yang menjalankan VISSIM dan stempel waktu kedua dibuat. Dalam konfigurasi pengujian ini, RSU2 dianggap sebagai OBU dalam CAV pengujian, yang menerima BSM dan meneruskannya ke sistem kendali kendaraan. Penundaan dihitung sebagai perbedaan waktu antara dua stempel waktu. Implementasi ini menjamin waktu sistem untuk membuat stempel waktu berasal dari sumber yang sama, sehingga penghitungan penundaan dapat akurat.
Pengujian dilakukan pada 5 kasus berbeda dengan jumlah kendaraan simulasi dari 1 hingga 100. Setiap kasus dilakukan selama jangka waktu 300 detik secara real time. Gambar 5 menunjukkan histogram penundaan pada jumlah kendaraan yang berbeda dan tingkat kehilangan paket yang sesuai. Delay rata-rata sekitar 31 ms dengan 1 kendaraan dan 102 ms dengan 100 kendaraan. Rata-rata tingkat penundaan dan kehilangan paket meningkat seiring dengan jumlah kendaraan. Persentase penundaan di bawah 100 ms pada setiap kasus dihitung. Persentasenya berturut-turut adalah 99,71%, 99,16%, 95,81%, 91,52%, dan 73,66% untuk kendaraan nomor 1, 10, 20, 50, dan 100. Perhatikan bahwa 100 ms adalah interval transmisi terpendek antara pesan DSRC menurut standar SAE. Jika suatu pesan dapat diterima dan diproses sebelum waktu pengiriman pesan berikutnya, maka penundaan tersebut dapat dianggap cukup singkat.
Hasil pengujian menunjukkan bahwa, kecuali untuk kasus 100 kendaraan, lebih dari 90% paket dapat dikirim dan diproses dalam interval ini. Meskipun sekitar 30% paket dalam kasus 100 kendaraan mengalami penundaan lebih dari 100 ms, skenario pengujian yang memerlukan 100 kendaraan juga sangat jarang.
Gambar 7: Rancangan skenario pengujian lampu merah.
C. Skenario Pengujian
Pada bagian ini disajikan dua skenario pengujian yaitu perlintasan kereta api dan lintas lampu merah.
1) Persimpangan Kereta Api:Dalam skenario perlintasan kereta api, simulasi kereta api dihasilkan di VISSIM ketika CAV pengujian mendekati perlintasan kereta api yang terletak di Mcity. CAV pengujian harus berhenti sebelum perlintasan rel dan menunggu kereta. Gambar 6 menunjukkan tampilan dari simulasi dan pengujian CAV. Jaringan simulasi Mcity disajikan di bagian kiri gambar. Kereta biru dihasilkan dan berjalan di jalurnya. Beberapa kendaraan sudah menunggu di belakang perlintasan rel termasuk CAV pengujian (kendaraan merah di lingkaran). Bagian kanan atas gambar menunjukkan
pemandangan dari kaca depan CAV pengujian serta dari dalam kendaraan. Terlihat CAV penguji berhenti di tikungan, meski tidak ada kendaraan nyata di depannya. Tiga
kendaraan virtual dalam simulasi menghalangi jalannya
Gambar 8 mengilustrasikan bagaimana pengujian CAV merespons kendaraan yang sedang berjalan di lampu merah dalam dua situasi. Sumbu horizontal mewakili langkah waktu (0,1 detik per langkah waktu), dan sumbu vertikal mewakili jarak ke titik konflik setiap kendaraan. Lintasan kendaraan lari lampu merah virtual disajikan dalam kurva titik-titik merah. Ia bergerak dengan kecepatan konstan. Lintasan pengujian CAV disajikan dalam tiga format berbeda. Kurva biru tua menggunakan pengujian koordinat CAV di simulator VISSIM. Kurva biru muda menggunakan koordinat CAV pengujian dari GPS OBU. Kurva hitam menggunakan koordinat pengujian CAV dari GPS RTK yang dipasang di kendaraan. Saat ini, OBU GPS digunakan untuk menghasilkan dan mengirim BSM ke simulasi. Karena tingginya
5https://safety.fhwa.dot.gov/intersection/conventional/
signalized/rlr/#technical
(a) 1 kendaraan (b) 10 kendaraan (c) 20 kendaraan
(d) 50 kendaraan (e) 100 kendaraan (f) rata-rata penundaan dan tingkat kehilangan paket
Gambar 5: Penundaan komunikasi dan tingkat kehilangan paket dengan jumlah kendaraan virtual yang berbeda.
Gambar 6: Skenario pengujian perlintasan kereta api.
keakuratan GPS RTK (akurasi 2 cm), koordinat dari GPS RTK dianggap sebagai kebenaran dasar. Oleh karena itu, perbedaan antara kurva hitam dan kurva biru muda menunjukkan kesalahan GPS. Perbedaan antara kurva biru muda dan kurva biru tua mewakili dua jenis kesalahan simulasi. Tipe pertama berasal dari
algoritma pemetaan kendaraan. Tipe kedua mewakili penyimpangan jaringan jalan VISSIM dari jaringan jalan dunia nyata.
tabrakan dan berhenti total. Gambar 8b menunjukkan keadaan kedua kendaraan berada jauh sehingga CAV tidak berhenti.
Pada Gambar 8a selama periode perlambatan (langkah waktu 30- 50), simpangan antara GPS RTK dan GPS OBU tetap kecil, namun simpangan antara GPS OBU dan koordinat VISSIM besar. Hal ini terutama disebabkan oleh ketidakkonsistenan antara jalan raya Mcity yang sebenarnya dan peta Google Earth. Ketika pengujian CAV dihentikan (langkah waktu 50-80), ketiga lintasan cocok dengan baik kecuali bahwa GPS OBU melayang sekitar 1 detik. Fenomena yang sama diamati pada semua pengujian kami. Namun algoritma pemetaan kendaraan dirancang tidak peka terhadap fluktuasi sehingga CAV virtual tidak bergerak dalam simulasi karena
CAV pengujian menghitung selisih waktu kedatangan di titik konflik antara dirinya dan kendaraan yang sedang berjalan di lampu merah. Ambang batas tiga detik digunakan untuk menentukan apakah potensi tabrakan dapat terjadi. Gambar 8a menunjukkan situasi dimana pengujian CAV mendeteksi suatu potensi
bahwa CAV harus dievaluasi secara menyeluruh sebelum dapat dijual ke masyarakat umum. Sebuah studi baru-baru ini mengusulkan pendekatan evaluasi yang dipercepat untuk pengujian CAV dengan beberapa skenario sederhana seperti mengikuti mobil dan berpindah jalur [11][12]. Dibandingkan dengan Uji Operasional Lapangan Naturalistik (N-FOT) yang banyak digunakan, pendekatan baru ini dapat mempercepat proses evaluasi sebanyak 2.000 hingga 20.000 kali lipat. Namun, penelitian ini dilakukan dalam lingkungan simulasi murni dan skenario pengujian yang dipertimbangkan terbatas.
Menarik untuk mengintegrasikan lingkungan pengujian augmented reality dengan pendekatan evaluasi yang dipercepat. Lingkungan augmented reality dapat digunakan untuk menghasilkan skenario berbeda dengan keterlibatan CAV nyata, sedangkan pendekatan evaluasi yang dipercepat dapat mempercepat proses pengujian.
(a) dengan potensi tumbukan.
PENGAKUAN
Penelitian ini didanai oleh Pusat Transportasi Terhubung dan Otomatis (CCAT) Departemen Transportasi AS (USDOT) dan Mcity di Universitas Michigan. Pandangan yang disajikan dalam makalah ini adalah milik penulis sendiri.
R
REFERENSI[1] MAM Zulkefli, P. Mukherjee, Z. Sun, J. Zheng, HX Liu, dan P. Huang,
“Pengujian perangkat keras dalam loop untuk mengevaluasi aplikasi kendaraan yang terhubung,”Penelitian Transportasi Bagian C: Teknologi yang Sedang Berkembang, jilid. 78, hlm.50–62, 2017.
[2] S. Sunkari, “Sebuah platform untuk perubahan: TTI memberikan FHWA cara baru untuk menguji teknologi CV/AV,”Peneliti Transportasi Texas, jilid. 52, hlm.12–13, 2016.
[3] FY Wang, “Kontrol dan manajemen paralel untuk sistem transportasi cerdas: Konsep, arsitektur, dan aplikasi,”IEEE Trans. Intel. Mengangkut.
sistem., jilid. 11, tidak. 3, hlm. 630–638, September 2010.
[4] L. Li dan D. Wen, “Sistem paralel untuk pengendalian lalu lintas: Pemikiran ulang,”
IEEE Trans. Intel. Mengangkut. sistem., jilid. 17, tidak. 4, hlm. 1179–1182, April 2016.
[5] L. Li, WL Huang, Y. Liu, NN Zheng, dan FY Wang, “Pengujian kecerdasan untuk kendaraan otonom: Pendekatan baru,”Transaksi IEEE pada Kendaraan Cerdas, jilid. 1, tidak. 2, hlm. 158–166, Juni 2016.
[6] DJ Fagnant dan K. Kockelman, “Mempersiapkan bangsa untuk kendaraan otonom: peluang, hambatan, dan rekomendasi kebijakan,”Penelitian Transportasi Bagian A: Kebijakan dan Praktek, jilid. 77, hlm.167–181, 2015.
[7] A. Singhvi dan K. Russel, “Di dalam kecelakaan fatal tesla yang mengemudi sendiri,” Waktu New York, 2016.
[8] PTV,Panduan Pengguna VISSIM 6.0. Karlsruhe, Jerman, 2013.
[9] J. Farrell dan M. Barth,Sistem Pemosisian Global & Navigasi Inersia. McGraw Hill Profesional. New York, NY, AS., 1999.
[10] P. Gipps, “Model perilaku mengikuti mobil untuk simulasi komputer,”
Penelitian Transportasi Bagian B: Metodologis, jilid. 15, tidak. 2, hal.105–111, 1981.
[11] D. Zhao, H. Lam, H. Peng, S. Bao, DJ LeBlanc, K. Nobukawa, dan CS Pan, “Evaluasi yang dipercepat terhadap keselamatan kendaraan otomatis dalam skenario perubahan jalur berdasarkan teknik pengambilan sampel yang penting,”
IEEE Trans. Intel. Mengangkut. sistem., jilid. 18, tidak. 3, hal.595–607, 2017.
[12] D. Zhao, X. Huang, H. Peng, H. Lam, dan DJ LeBlanc, “Evaluasi yang dipercepat terhadap kendaraan otomatis dalam manuver mengikuti mobil,”IEEE Trans.
Intel. Mengangkut. sistem., jilid. PP, tidak. 99, hlm. 1–12, 2017.
(b) tanpa potensi tumbukan.
Gambar 8: Lintasan kendaraan dalam situasi berbeda.
Fluktuasi koordinat GPS. Ketika CAV pengujian mulai berakselerasi, koordinat VISSIM dan GPS OBU cocok tetapi memiliki deviasi yang lebih besar dari GPS RTK. Situasi tanpa henti Gambar 8b menunjukkan pola yang sama kecuali bahwa GPS OBU tidak memiliki fluktuasi yang jelas.
IV. KESIMPULAN DAN PEMBAHASAN
Makalah ini menyajikan lingkungan augmented reality untuk pengujian CAV, yang sangat meningkatkan kemampuan fasilitas pengujian tertutup. Dalam sistem yang diusulkan, pergerakan CAV pengujian dan status sinyal lalu lintas di dunia nyata disinkronkan dengan platform simulasi secara real time. Informasi lalu lintas latar belakang dalam platform simulasi diumpankan kembali ke pengujian CAV melalui komunikasi nirkabel. Lingkungan augmented reality menyediakan lingkungan lalu lintas yang realistis untuk menguji CAV dengan tujuan agar skenario pengujian yang memerlukan interaksi dengan kendaraan lain atau moda pelancong (misalnya pejalan kaki) dapat dilakukan. Dua skenario pengujian, perlintasan kereta api dan lampu merah, dirancang untuk mendemonstrasikan kemampuan sistem.
Lingkungan pengujian yang diusulkan hanya berfungsi sebagai platform untuk pengujian dan evaluasi CAV. Berdasarkan platform, banyak skenario pengujian dapat diterapkan. Namun, tidak mungkin untuk menyebutkan semua skenario yang mungkin ditemui kendaraan di jalan raya. Bagaimana merancang skenario pengujian secara efisien dan komprehensif untuk mencakup berbagai kondisi lalu lintas menjadi pertanyaan kritis. Itu penting
