[论文解读] Digital Twins and Testbeds for Supporting AI Research with Autonomous Vehicle Networks

Anıl Gürses, Gautham Reddy+8 more|arXiv (Cornell University)|Apr 1, 2024

Digital Transformation in Industry被引用 5

一句话总结

论文对自动驾驶车辆网络（AVNs）中的 AI 的开发环境进行了比较（仿真、SITL 数字孪生、沙箱 HITL，以及物理测试床），主张以真实世界数据校准的 SITL 基 DT，并在 AERPAW 平台上展示了一个基于 DT 的 AI 定位案例研究。

ABSTRACT

Digital twins (DTs), which are virtual environments that simulate, predict, and optimize the performance of their physical counterparts, hold great promise in revolutionizing next-generation wireless networks. While DTs have been extensively studied for wireless networks, their use in conjunction with autonomous vehicles featuring programmable mobility remains relatively under-explored. In this paper, we study DTs used as a development environment to design, deploy, and test artificial intelligence (AI) techniques that utilize real-world (RW) observations, e.g. radio key performance indicators, for vehicle trajectory and network optimization decisions in autonomous vehicle networks (AVN). We first compare and contrast the use of simulation, digital twin (software in the loop (SITL)), sandbox (hardware-in-the-loop (HITL)), and physical testbed (PT) environments for their suitability in developing and testing AI algorithms for AVNs. We then review various representative use cases of DTs for AVN scenarios. Finally, we provide an example from the NSF AERPAW platform where a DT is used to develop and test AI-aided solutions for autonomous unmanned aerial vehicles for localizing a signal source based solely on link quality measurements. Our results in the physical testbed show that SITL DTs, when supplemented with data from RW measurements and simulations, can serve as an ideal environment for developing and testing innovative AI solutions for AVNs.

研究动机与目标

• 提供对自动驾驶车辆网络（AVNs）开发环境的比较性概览。
• 展示数字孪生（DT）如何在 AVNs 中利用实时观测来设计、部署和测试 AI 技术。
• 展示一个端到端工作流：DT 使用真实世界数据进行校准并实现向物理测试床的迁移。
• 在 AERPAW 平台上展示一个具体的 AI-aided 定位案例研究，以验证 DT+PT 方法。

提出的方法

• 比较仿真、数字孪生（SITL）、沙箱（HITL）和物理测试床环境在 AVNs 中的 AI 应用。
• 描述 AVN 开发周期，以及 DT 如何提供 PtV 与 VtP 连接。
• 解释 AERPAW 的 DT 驱动研究工作流的架构与运作。
• 给出一个使用 DT 开发并以 RW 数据校准、部署至 PT 的 AI 辅助信号源定位案例研究。

Figure 1 : DT assisted AVN technology development cycle from idea to RW deployment, including continuous refinement of DT through validation and tuning.

实验结果

研究问题

• RQ1 不同开发环境（仿真、DT SITL、沙箱 HITL、PT）在 AVNs 的 AI 开发中有何差异？
• RQ2 数字孪生在降低成本和加速 AVN AI 开发中的作用？
• RQ3 RW 数据如何用于校准 DT，以提升定位等 AVN 任务的 AI 算法？
• RQ4 基于 DT 的开发循环能否实现 AI 解决方案从仿真无缝迁移到物理测试床？
• RQ5 使用 AERPAW DT 进行无人机和地面车辆网络实验的收益与局限？

主要发现

• DTs 在用 RW 数据校准并辅以仿真时，相较于仅使用 PT，可以加速 AVN 的 AI 开发。
• AERPAW 展示了一种工作流，其中 DT 开发先于沙箱测试和最终的 PT 验证，实现跨环境的软件无缝迁移。
• 基于 DT 的 AI 定位方法（如粒子滤波和基于 CNN 的指纹识别）可以通过 RW 数据提升泛化能力，超越仅 DT 训练。
• RW 数据日志对于调整仿真器和 DT 模型以考虑 RW 实验中观察到的深度衰落和非理想信道条件至关重要。
• 研究表明，SITL DT 是 AVN AI 研究的强大开发环境，较单独进行 PT 实验具有可扩展性和成本优势。

Figure 2 : Interactions between PT , digital twin, sandbox, and simulation for experiment development and testing.