Performance evaluation of a machine learning environment for intelligent transportation systems
Loading...
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2019-06-17
Department
Major/Subject
Computer Science
Mcode
SCI3042
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
61
Series
Abstract
While automotive manufacturers are already implementing Autonomous Driving (AD) features in their latest commercial vehicles, fully automated vehicles are still not a reality. In addition to AD, recent developments in mobile networks enables the possibility of Vehicle-to-Infrastructure (V2I) and Vehicle-to-Vehicle (V2V) communication. Vehicle-to-Everything (V2X) communication, or vehicular Internet of Things (IoT), can provide solutions that improve the safety and efficiency of traffic. Both AD and vehicular IoT need improvements to the surrounding infrastructure and vehicular hardware and software. The upcoming 5G network not only reduces latency, but improves availability and massively increases the amount of supported simultaneous connections, making vehicular IoT a possibility. Developing software for AD and vehicular IoT is difficult, especially because testing the software with real vehicles can be hazardous and expensive. The use of virtual environments makes it possible to safely test the behavior of autonomous vehicles. These virtual 3D environments include physics simulation and photorealistic graphics. Real vehicular hardware can be combined with these simulators. The vehicle driving software can control the virtual vehicle and observe the environment through virtual sensors, such as cameras and radars. In this thesis we investigate the performance of such simulators. The issue with existing open-source simulators is their insufficient performance for real-time simulation of multiple vehicles. When the simulation is combined with real vehicular hardware and edge computing services, it is important that the simulated environment resembles reality as closely as possible. As driving in traffic is very latency sensitive, the simulator should always be running in real-time. We select the most suitable traffic simulator for testing these multi-vehicle driving scenarios. We plan and implement a system for distributing the computational load over multiple computers, in order to improve the performance and scalability. Our results show that our implementation allows scaling the simulation by increasing the amount of computing nodes, and therefore increasing the number of simultaneously simulated autonomous vehicles. For future work, we suggest researching how the distributed computing solution affects latency in comparison to a real-world testing environment. We also suggest the implementation of an automated load-balancing system for automatically scaling the simulation to multiple computation nodes based on demand.Vaikka uusimmista automalleista löytyy jo itsestään ajavien autojen ominaisuuksia, robottiautot vaativat vielä runsaasti kehitystä ennen kuin ne kykenevät ajamaan liikenteessä täysin itsenäisesti. Robottiautojen ohella ajoneuvojen ja infrastruktuurin välinen (V2X) kommunikaatio ja tuleva 5G mobiiliverkkoteknologia sekä mobiiliverkkojen tukiasemien yhteyteen sijoitettavat laskentapilvet mahdollistavat liikenteen turvallisuuden ja sujuvuuden parantamisen. Tätä V2X kommunikaatiota voidaan esimerkiksi hyödyntää varoittamalla ajoneuvoja nurkan takaa tulevista pyöräilijöistä, jalankulkijoista ja huonoista tieolosuhteista. Robottiautojen ja V2X kommunikaation hyödyntämistä on hankala tutkia oikeassa liikenteessä. Fyysisten autojen ja tieverkostoa ympäröivän infrastruktuurin rakentaminen on kallista, lisäksi virhetilanteista johtuvat onnettomuudet voivat aiheuttaa henkilö- ja tavaravahinkoja. Yksi ratkaisu on virtuaalisten testausympäristöjen käyttö. Tällaiset simulaattorit kykenevät mallintamaan ajoneuvojen käyttäytymistä reaaliaikaisen fysiikkamoottorin avulla ja tuottamaan valokuvamaista grafiikkaa simulaatioympäristöstä. Robottiauton ohjelmisto voi hallita simuloidun auton käyttäytymistä ja havainnoida simuloitua ympäristöä virtuaalisten kameroiden ja tutkien avulla. Tässä diplomityössä tutkitaan liikennesimulaattorien suorituskykyä. Avoimen lähdekoodin simulaattorien ongelmana on niiden huono skaalautuvuus, eikä niiden suorituskyky riitä simuloimaan useita autoja reaaliajassa. Tässä diplomityössä tehdään lyhyt katsaus olemassa oleviin simulaattoreihin, joiden joukosta valitaan parhaiten yllämainittujen ongelmien tutkimiseen soveltuva simulaattori. Simulaattorin suorituskyvyn ja skaalautuvuuden parantamiseksi suunnitellaan järjestelmä, joka hajauttaa simulaattorin työkuorman useammalle laskentapisteelle. Kyseinen järjestelmä toteutetaan ja sen toimivuutta testataan mittaamalla. Mittaustulokset osoittavat, että hajautettu laskenta parantaa simulaattorin suorituskykyä ja että reaaliaikaisesti simuloitujen autojen lukumäärää voidaan kasvattaa lisäämällä laskentapisteiden lukumäärää. Jatkotutkimukseksi ehdotetaan tutkimaan simulaation hajauttamisen vaikutusta viiveisiin, ja kuinka simulaattorin aiheuttamat ylimääräiset viiveet suhtautuvat tosielämän viiveisiin. Lisäksi suositellaan automaattisen kuormituksentasaajan toteuttamista, jonka avulla simulaatiota voidaan automaattisesti hajauttaa useille laskentapisteille tarvittavan laskentakapasiteetin mukaisesti.Description
Supervisor
Hirvisalo, VesaThesis advisor
Hanhirova, JussiKeywords
autonomous driving, machine learning, performance, game engine
