[论文解读] A New Era of Mobility: Exploring Digital Twin Applications in Autonomous Vehicular Systems

Sabir Hossain, Sohag Kumar Saha+2 more|arXiv (Cornell University)|May 9, 2023

Digital Transformation in Industry被引用 4

一句话总结

本文对数字孪生（DT）在自动驾驶车辆系统中的应用进行了系统性综述，提出了一种两级框架，将实时物理数据与高保真虚拟仿真相结合，以提升自动驾驶汽车（AV）的开发效率。主要贡献在于对DT技术、方法及挑战的全面分析——尤其在数据保真度、实时处理和标准化方面——展示了DT在显著降低测试时间与成本（达数量级减少）的同时，提升智能交通中安全性和可靠性的潜力。

ABSTRACT

Digital Twins (DTs) are virtual representations of physical objects or processes that can collect information from the real environment to represent, validate, and replicate the physical twin's present and future behavior. The DTs are becoming increasingly prevalent in a variety of fields, including manufacturing, automobiles, medicine, smart cities, and other related areas. In this paper, we presented a systematic reviews on DTs in the autonomous vehicular industry. We addressed DTs and their essential characteristics, emphasized on accurate data collection, real-time analytics, and efficient simulation capabilities, while highlighting their role in enhancing performance and reliability. Next, we explored the technical challenges and central technologies of DTs. We illustrated the comparison analysis of different methodologies that have been used for autonomous vehicles in smart cities. Finally, we addressed the application challenges and limitations of DTs in the autonomous vehicular industry.

研究动机与目标

• 探究数字孪生在智慧城市建设中推动自动驾驶汽车（AV）开发与部署中的作用。
• 识别并分析有效实现AV数字孪生所必需的核心技术组件——数据采集、实时分析与仿真。
• 评估基于数字孪生的AV测试最新技术方法，对比虚拟仿真与物理测试的优劣。
• 解决DT驱动的AV系统中关键挑战，如数据保真度、通信延迟、标准化及高实施成本问题。
• 提供成熟度等级（TRL）的结构化分析，并突出互操作性、人工智能集成及大规模部署准备度方面的差距。

提出的方法

• 提出一种两级数字孪生框架：物理层用于通过传感器和执行器获取真实世界数据，数字层用于仿真、数据处理与机器学习。
• 将来自车辆、基础设施、天气及交通参与者的实时数据整合至全局坐标系，实现同步建模。
• 采用Wi-Fi与蓝牙实现物理与数字组件之间的通信，支持双向数据流与动态模型更新。
• 利用高保真虚拟环境模拟复杂交通场景，包括恶劣天气与激进驾驶行为，超越传统模拟器的覆盖范围。
• 应用机器学习与大数据分析技术处理大规模传感器与运行数据，提升模型精度与预测能力。
• 开展基于仿真的测试与物理测试的对比分析，指出当前模拟器在传感器保真度与行为真实性方面的局限性。

Figure 1: History of digital twin technology

实验结果

研究问题

• RQ1 数字孪生技术如何在保持安全性和可靠性的同时，显著缩短自动驾驶汽车的开发时间并降低成本？
• RQ2 实现AV中有效数字孪生所必需的关键技术使能因素（如实时数据处理、高保真仿真与通信协议）是什么？
• RQ3 在环境真实感、传感器保真度与行为复杂性方面，当前基于仿真的数字孪生与物理测试相比如何？
• RQ4 在标准、成本与基础设施方面，数字孪生在自动驾驶车辆系统中广泛采用的主要障碍是什么？
• RQ5 在多样化的现实条件下，数字孪生在端到端AV系统验证（包括感知、决策与控制模块）方面能发挥多大程度的支持作用？

主要发现

• 通过在虚拟环境中对极端天气与罕见交通事件等复杂场景进行可扩展、可重复的测试，数字孪生可使AV开发时间与成本降低数量级。
• 当前模拟器在复现真实世界传感器行为（如激光雷达的反射与散射）方面存在不足，导致数据保真度低，限制了模型验证的准确性。
• 将物理车辆的实时数据集成至数字孪生可实现动态模型更新，但需依赖5G等高性能通信基础设施以实现低延迟、高可靠性的连接。
• 缺乏标准化框架与互操作性指南，阻碍了数字孪生系统的可扩展性与采纳，尤其在TRL 3–5级别。
• 由于需要大量传感器与先进计算资源，实施成本高昂，仍是低资源地区的主要障碍。
• 人工智能与大数据技术对于处理数字孪生产生的海量数据流至关重要，可实现预测分析与自主系统控制，但需统一的数据规则与标准才能充分发挥效能。

Figure 2: General framework of the digital twin system for connected vehicles [ 11 ]