首页/文章/ 详情

ChatGPT帮我写了一个AEB程序

李慢慢

1年前浏览644

大家好，我是李慢慢。

最近有机会试用了下国外的新技术。

结合自己的本职工作，做了一点探索，这里来把结果跟大家分享一下。我主要目的是想试下，chatGPT能否帮助我工作，因此先提问了一些简单的基础的问题，又问了些很刁钻的，最后直接让它写代码。结果还是很满意的。

过程如下。

问题：你能解释一下什么是汽车AEB功能吗？

问题：你推荐AEB使用哪种传感器方案呢？

问题：再问一遍，你推荐AEB使用哪种传感器方案呢？

问题：有哪些比较推荐的传感器搭配方案？

问题：1R1V的配置方案下，你知道如何将两种传感器的数据进行融合，来计算TTC吗？

问题：目前AEB系统中最常用的传感器融合算法是什么？

问题：AEB经常发生误触发，你有什么建议吗？

好了，通过以上问题，我确定chatGPT已经很了解AEB了，然后我准备开始引导它写一些程序来实现这个功能。

为了方便测试，我准备拿一个开源的仿真软件Carla来进行验证，所以，首先我得问问它知不知道这个东西。

问题：你知道Carla仿真模拟器吗？

确定chatGPT知道Carla后，我尝试根据上面的聊天内容，让它设计一个针对1R1V布置方案的AEB程序，输入信号从Carla中拿，输出信号继续控制Carla中的主车。

问题：你能针对一个Radar和一个Camera的方案，你能用python脚本在Carla中创建出来主车和目标物吗？

import carlaimport numpy as npimport cv2
# Connect to the Carla simulatorclient = carla.Client('localhost', 2000)client.set_timeout(5.0)world = client.get_world()
# Spawn the ego vehicleego_bp = world.get_blueprint_library().find('vehicle.audi.etron')ego_transform = carla.Transform(carla.Location(x=5.0, y=5.0, z=2.0), carla.Rotation(yaw=0.0))ego_vehicle = world.spawn_actor(ego_bp, ego_transform)
# Add a camera sensor to the ego vehiclecam_bp = world.get_blueprint_library().find('sensor.camera.rgb')cam_bp.set_attribute('image_size_x', '640')cam_bp.set_attribute('image_size_y', '480')cam_bp.set_attribute('fov', '90')cam_transform = carla.Transform(carla.Location(x=1.5, z=2.4))cam_sensor = world.spawn_actor(cam_bp, cam_transform, attach_to=ego_vehicle)
# Add a radar sensor to the ego vehicleradar_bp = world.get_blueprint_library().find('sensor.other.radar')radar_bp.set_attribute('horizontal_fov', '30')radar_bp.set_attribute('vertical_fov', '10')radar_bp.set_attribute('points_per_second', '12000')radar_bp.set_attribute('range', '100')radar_transform = carla.Transform(carla.Location(x=0.8, z=1.0))radar_sensor = world.spawn_actor(radar_bp, radar_transform, attach_to=ego_vehicle)
# Define a function to process the radar datadef process_radar_data(data):    # Convert the radar data to a NumPy array    radar_data = np.frombuffer(data.raw_data, dtype=np.dtype('f4'))    radar_data = np.reshape(radar_data, (len(data), 4))
    # Filter the radar data to remove noise    radar_data = radar_data[radar_data[:, 3] > 0.1]
    # Calculate the time-to-collision for each detected object    ttc_list = []    for obj in radar_data:        obj_pos = carla.Location(x=obj[0], y=obj[1], z=obj[2])        obj_dist = obj_pos.distance(ego_vehicle.get_location())        obj_speed = obj[3]        if obj_speed > 0:            ttc = obj_dist / obj_speed            ttc_list.append(ttc)
    # If there are any objects with a low TTC, trigger the AEB system    if len(ttc_list) > 0 and min(ttc_list) < 2.0:        print("AEB triggered!")
# Define a function to process the camera datadef process_camera_data(data):    # Convert the camera data to a NumPy array    img = np.frombuffer(data.raw_data, dtype=np.uint8)    img = np.reshape(img, (data.height, data.width, 4))    img = img[:, :, :3]
    # Apply object detection to the camera image    # ...
# Register the radar and camera sensors with the simulatorradar_sensor.listen(process_radar_data)cam_sensor.listen(process_camera_data)
# Start the simulationworld.tick()
# Stop the simulation and cleanupradar_sensor.stop()cam_sensor.stop()ego_vehicle.destroy()

看到chatGPT一句一句打印出来这些脚本，我还是很震惊的，一是它真的能写代码，而且用的正是Carla提供的API。不过仔细阅读下代码，发现它只是简单的根据Radar探测到的数据进行了TTC计算，满足触发条件后给了个print信息而已。并没有用到Camera数据，也没有输出控制指令给到Carla中的主车。所以我继续发问。

问题：你没有综合考虑毫米波雷达和摄像头数据，而且你应该根据TTC计算结果将刹车控制应用到主车上。

import carla
RADAR_RANGE = 30.0  # Maximum radar range in metersCAMERA_FOV = 90.0   # Camera field of view in degreesBRAKE_THRESHOLD = 0.1   # Threshold for triggering the AEB system
def calculate_ttc(vehicle, radar_data, camera_data):    # Find the closest obstacle in the path of the vehicle    closest_obstacle = None    closest_obstacle_distance = float('inf')    for obstacle in radar_data:        distance = obstacle.depth        if distance < closest_obstacle_distance:            closest_obstacle = obstacle            closest_obstacle_distance = distance
    # Calculate TTC based on closest obstacle    ttc = closest_obstacle_distance / closest_obstacle.relative_velocity.x
    # Use camera data to check if closest obstacle is within camera FOV    closest_obstacle_in_fov = False    for detection in camera_data:        if detection.bounding_box.contains(closest_obstacle.transform.location):            closest_obstacle_in_fov = True            break
    # If closest obstacle is in FOV and TTC is below threshold, trigger AEB    if closest_obstacle_in_fov and ttc < BRAKE_THRESHOLD:        vehicle.apply_control(carla.VehicleControl(brake=1.0))    else:        vehicle.apply_control(carla.VehicleControl(throttle=1.0))
# Connect to Carla simulatorclient = carla.Client('localhost', 2000)client.set_timeout(10.0)world = client.get_world()
# Spawn ego carego_bp = world.get_blueprint_library().find('vehicle.tesla.model3')ego_transform = carla.Transform(carla.Location(x=30.0, y=0.0, z=0.0), carla.Rotation(yaw=180.0))ego_vehicle = world.spawn_actor(ego_bp, ego_transform)
# Spawn other obstaclesobstacle_bp = world.get_blueprint_library().find('vehicle.audi.etron')obstacle_transform = carla.Transform(carla.Location(x=50.0, y=-5.0, z=0.0))obstacle_vehicle = world.spawn_actor(obstacle_bp, obstacle_transform)obstacle_vehicle.set_velocity(carla.Vector3D(x=-10.0, y=0.0, z=0.0))
# Create radar sensorradar_bp = world.get_blueprint_library().find('sensor.other.radar')radar_bp.set_attribute('range', f'{RADAR_RANGE}')radar_transform = carla.Transform(carla.Location(x=2.5, z=0.0))radar_sensor = world.spawn_actor(radar_bp, radar_transform, attach_to=ego_vehicle)
# Create camera sensorcamera_bp = world.get_blueprint_library().find('sensor.camera.rgb')camera_bp.set_attribute('fov', f'{CAMERA_FOV}')camera_transform = carla.Transform(carla.Location(x=2.5, y=0.0, z=1.5))camera_sensor = world.spawn_actor(camera_bp, camera_transform, attach_to=ego_vehicle)
# Define function to handle sensor datadef sensor_callback(radar_data, camera_data):    calculate_ttc(ego_vehicle, radar_data, camera_data)
# Register callback for sensor dataradar_sensor.listen(lambda data: sensor_callback(data, camera_sensor.get_transform().transform(camera_sensor.get_unfiltered_image())))
# Keep script running to receive sensor datawhile True:    world.tick()

这一次感觉它get到了我意思，而且在这一个程序里将所有我的所有要求满足了，只是还有很多细节需要深入而已。但我依然想继续挑战它。因为我想到实车上AEB算法其实是运行在域控里，所以我希望chatGPT能将AEB算法程序单独拎出来。这个AEB算法的输入是传感器数据，输出是驾驶控制指令。所以我再次向它提问。

问题：你能把AEB算法控制程序分离出来，单独用一个进程来运行吗？这个AEB算法程序的输入是传感器数据（毫米波雷达和摄像头数据），输出是驾驶控制指令（如制动、加速、转向）。

完整代码如下：

import multiprocessing as mp
def aeb_algorithm(sensor_data, driving_commands):    while True:        # Read sensor data        radar_data, camera_data = sensor_data.get()
        # Process sensor data and calculate TTC        ttc = process_sensor_data(radar_data, camera_data)
        # Control driving commands        if ttc < threshold:            brake()            driving_commands.put("BRAKE")        else:            driving_commands.put("DRIVE")
def brake():    # Code to apply brakes
if __name__ == "__main__":    # Create sensor data queue    sensor_data = mp.Queue()
    # Create driving commands queue    driving_commands = mp.Queue()
    # Start AEB algorithm process    p = mp.Process(target=aeb_algorithm, args=(sensor_data, driving_commands))    p.start()
    while True:        # Read sensor data from Carla simulator and put it in the sensor data queue        radar_data, camera_data = read_sensor_data_from_carla()        sensor_data.put((radar_data, camera_data))
        # Read driving commands from the driving commands queue and control the ego car        command = driving_commands.get()        if command == "BRAKE":            brake()        else:            drive()
    # Cleanup    p.terminate()

我大概理了理它这个框架，如下：

理了理这个代码，感觉它真的懂了我的意思，它新建了两个队列，并在aeb算法中从一个队列中拿传感器数据，向另一个队列中放控制指令。逻辑很畅通，我感觉这个框架是非常不错的。

其实关于信号交互，有很多手段，比如套接字、管道、共享内存等，然后我就顺手问了下它，此处为何选择了用队列来通信，而不是其它？

问题：进程间的通信，你为什么选择了队列，而不是其它，比如套接字、共享内存、管道？

其实我还做了很多尝试性提问：

比如同一个问题不断地提问，它每次回答都会有所改变，直到自己得到自己想要的答案。

也比如让chatGPT输出更完善的代码，但是貌似它的回答是受到字数限制的，因此无法大规模生成代码给我，但我觉得作为我的代码助手，它是绰绰有余的。

但更让人觉得惊喜的是，它很开放，总是能找到一些让自己都没想到的答案，比如上面代码中的队列通信，是我从前都不知道的。

chatGPT是能成为工作的好助手的，它能帮我，也能教我。

这次探索就先这样，至于更完整的代码的运行效果，我觉得是没问题的，只是需要自己再组装下代码而已，实现一个基础的AEB功能的demo程序及仿真效果。这个代码我准备后面加入到之前的本号立项的OpenSIL项目中去，欢迎大家持续关注。

最后的最后，希望国内的AI助手（如文言一心）能早日成熟，帮助我们提高工作效率，早点下班。

瑞斯拜。

来源：车路慢慢

汽车 python 通信控制

著作权归作者所有，欢迎分享，未经许可，不得转载

首次发布时间：2023-06-22