丰田等研究人员研发基准网络 可促进自动驾驶汽车研发

盖世汽车讯 机器人技术研究面临着各种会重复出现的问题，部分原因在于机器人具有无数交互组件，而这些组件往往非常复杂，只有部分可被观察到的，并且经过AI技术训练，在不同环境中的性能差异较大。

（图片来源：https://venturebeat.com）

据外媒报道，为了解决自动驾驶领域内特有的一些挑战，来自苏黎世联邦理工学院（ETH Zurich）、丰田技术研究所（Toyota Technological Institute），以及自动驾驶公司NuTonomy的研究人员开发了分散式城市协作基准网络（Decentralized Urban Collaborative Benchmarking Network，简称DuckieNet）。该系统基于开源Duckietown平台打造，提供用于开发、测试和部署感知和导航算法的框架，可扩展性高且成本低廉。

Duckietown项目使用称作Duckiebots的低成本轮式机器人，这些机器人几乎完全由现成的零部件制造，唯一搭载的传感器是前置摄像头，此外，还搭载了处理计算的Raspberry Pi，以及驱动轮子的直流电机。 Duckietowns项目中采用运动垫和胶带建成道路，还有为机器人提供导航的标识。其中的交通灯与Duckiebots（除车轮除外）拥有相同硬件，能够通过LED进行传感、计算和驱动。

研究人员在Duckietown平台上添加专门的组件，以此为基础构建了DuckieNet。其中的挑战服务器存储机器学习算法、基准和结果。该服务器计算排行榜，将所要执行的任务分派到本地或基于云的评估机器，进而运行自动驾驶仿真。此外，装配DuckieNet的物理实验室进行真实世界实验，其中低成本watchtowers定位网络（采用与Duckiebots一样的传感和计算组件）可以追踪Duckiebots上的标签。

DuckieNet在某些方面类似于AWS DeepRacer，后者是亚马逊的一项服务，为开发人员提供基于云的仿真器，用于开发自动驾驶模型，并将其部署到模型车辆中。但DuckieNet用户可以定义Docker容器中的平均位置偏差（Duckiebot从车道中心的横向位移）和平均方向偏差（相对于车道方向的平均方向）等基准，并将这些数据提交到挑战服务器。此外，除了重置实验条件、给Duckiebots充电等任务外，该平台是完全自动的。

研究人员称，DuckieNet的关键应用之一是举办研发竞赛。自2019年初以来，DuckieNet就已用于AI Driving Olympics，该项比赛旨在衡量自动驾驶技术的发展水平。DuckieNet生成性能指标和排行榜的可视化信息，同时还可提供访问底层原始数据（包括开源基线和文档）的机会/途径。

研究人表示，“我们认为需要加大对机器人技术重复性问题研究的投入，为此，我们需要同等地对待评估过程和算法研发过程。通过此种方式，我们可以通过设计研究和开发过程，再现重复性问题，这将有助于对机器人技术研究进行更系统的评估，进而促进该项研究的进一步发展。”