Off-Road Autonomy Validation Using Scalable Digital Twin Simulations Within High-Performance Computing Clusters

本文提出了一种利用可扩展数字孪生模拟和高性能计算（HPC）集群来验证越野自主系统的方法，以解决传统方法在验证越野自主系统时面临的挑战。由于越野环境的不可预测和动态性，传统方法往往难以在规定的时间限制内全面评估越野自主系统的性能和安全性。通过利用HPC集群的计算能力，我们的方法旨在提供一种可扩展和高效的手段来验证越野自主算法，从而在各种条件下实现快速迭代和算法测试。我们通过性能评估HPC集群的模拟并展示了候选越野自主算法的系统变异性分析，以识别自主堆栈的感知、规划和控制模块的潜在漏洞，证明了我们的框架的有效性。

如何验证越野自主驾驶系统在复杂环境中的性能和安全性？

利用可扩展的数字孪生模拟和高性能计算集群来验证越野自主驾驶系统的性能和安全性

论文提出的方法可以在较短时间内验证越野自主驾驶算法的性能和安全性，实验结果表明该方法具有可扩展性和高效性。实验使用了HPC集群和候选越野自主驾驶算法进行模拟和变量分析。

最近相关研究包括：1.Off-Road Autonomous Vehicle Control Using Reinforcement Learning；2. A Survey of Autonomous Off-Road Vehicles: Present and Future Trends