自动驾驶的奥林匹克
分享一个将在NIPS2018举行的自动驾驶领域的比赛AI driving olympics (AI-“DO”)。
它由开源平台DuckieTown举办，旨在交互式的环境下探索机器学习的前沿边界。通过将近来深度学习、机器学习和强化学习领域的巨大进步应用于机器人领域，利用基于学习的系统来提高真实环境中机器人的能力。同时利用AI和仿真环境模拟真实世界的驾驶问题，并通过挑战这些真实世界的难题来解决目前自动驾驶中存在的问题。这个比赛为机器学习的研究人员提供了一个在实践中检验自己算法的机会。通过综合考虑算力、延时和系统工程来将机器学习算法与实践中的自动驾驶结合起来。
这一比赛的目标一方面在于能够为应用于真实世界的物理实体建立一套准确的基准指标，同时能够让更多的研究人员注意到机器学习算法在真实世界的物理实体中应用的问题，不断推动这一领域的进步
这一自动驾驶挑战赛主要分为了四个方面的任务:
- 车道线检测与跟踪
- 动态交通工具下的车道线跟随
- 动态障碍下的导航
- 按需自动化
这四个任务基本上覆盖了自动驾驶常见的场景和问题，包括了城市中直线、弯道、跟车等各种路况。所有的比赛都有开源的软硬件平台相匹配，其中硬件平台包括了树莓派3（也可以增加Movidius 来提高算力）和小车底盘，并构建了模拟真实路况的车道和各种交通标志。
同时还包括了仿真环境和可以远程接入的robotarium，分布在全球5个大学的机器人可供参赛者远程接入调试算法。
具体资源请移步这里：
http://docs.duckietown.org/AIDO/out/embodied_tasks.html
Lane following
这一任务主要的目标是在模拟的道路上按照车道线行驶。主要的评价指标在于三个方面，即是否按照交通规则行驶、行驶的速度和行驶过程中的平滑控制。这对应了真实情况下的法规、效率和舒适性等评价指标。
同时，比赛要求这一任务的算法需要按照响应式的方式来设计，而不能依赖于过程观测的记忆信息。
Lane following + Dynamic vehicles
这一任务比先前的任务加入了更多的规则和动态的车辆，以及静态的障碍物。这个任务需要小车之间进行相互交互，所以不再要求响应式编程。小车之间的交互将由主办方来提供。
Navigation + Dynamic vehicles
这一任务涉及到了自动驾驶中真正的从A2B的导航问题，通过已有的地图来规划出一条尽可能高效的路线，并与周围的车辆协同交互，尽可能安全快捷的到达目的地。
这里的评价指标除了规则外最重要的就是从A到B的时间了。比赛会采样一系列起终点来综合评价。
比赛的前三个任务可以在docker环境中实现，这里给出了详细的配置和更新说明：
http://docs.duckietown.org/AIDO/out/modifying_gym_server.html
Autonomous Mobility-on-Demand
这是一个更具挑战的任务，其目的是在单个城市运行一个自动驾驶车队，尽可能高效的将城市里的乘客送到目的地。比先前更为复杂的是，现在除了需要考虑整个车队的运行状况，同时还需要兼顾客户需求，除了控制之外涉及了一系列社会问题。问题的难度从如何控制好一台机器人变为了如何更高的控制机器人们来服务好顾客！
在这一任务中，在一个更大范围的模拟环境中实现基于需求的自动驾驶任务（自动驾驶出租车），在这个环境中实现自动驾驶的配置和调度以及控制面临着以下挑战：
1.运行的环境巨大而且复杂，并且交通状况是随时间变化的；
2.决策之间是相互影响的；
3.运营好一个自动驾驶出租车队需要平衡汽车的数量、资金投入和乘客的等待时间。
整套系统在仿真平台AMoD上运行，很多传统算法都无法完成这一任务，这也是在NIPS上提出这个比赛的原因，期待机器学习能够给出更好的解决方案。
你可以在这里找到这个仿真平台：
https://github.com/idsc-frazzoli/amodeus
这个比赛于8月7号发布，将于10月1号正式开始比赛（十一假期的娱乐项目有了！），并与11月30日截止提交。如果想要参加，可以到这里
https://www.duckietown.org/research/ai-driving-olympics/ai-do-register
参考链接：
竞赛网站AI-DO：https://www.duckietown.org/research/AI-Driving-Olympics
nips：https://nips.cc/Conferences/2018/CompetitionTrack
DuckieTown：https://www.duckietown.org/about/mission
远程机器人平台Robotarium：https://www.robotarium.gatech.edu/