Forschung arXiv – cs.AI

DMAVA: Mehrere autonome Fahrzeuge synchron simulieren – neue Architektur

Die neu entwickelte Distributed Multi-AV Architecture (DMAVA) ermöglicht es, mehrere autonome Fahrzeuge gleichzeitig und in Echtzeit zu simulieren, ohne dass ein zentraler Steuerungsserver nötig ist. Jede Fahrzeuginstan…

≈1 Min. Lesezeit Originalquelle
Visuelle Illustration fuer KI-Kontext
Kernaussagen
Das nimmst du aus dem Beitrag mit
  • Die neu entwickelte Distributed Multi-AV Architecture (DMAVA) ermöglicht es, mehrere autonome Fahrzeuge gleichzeitig und in Echtzeit zu simulieren, ohne dass ein zentral…
  • Jede Fahrzeuginstanz läuft mit ihrem kompletten Autoware-Stack auf einem eigenen Host und agiert völlig unabhängig von den anderen.
  • Die Koordination zwischen den Fahrzeugen wird über eine datenzentrierte, Low‑Latency-Kommunikationsschicht realisiert, die auf Zenoh basiert.

Die neu entwickelte Distributed Multi-AV Architecture (DMAVA) ermöglicht es, mehrere autonome Fahrzeuge gleichzeitig und in Echtzeit zu simulieren, ohne dass ein zentraler Steuerungsserver nötig ist. Jede Fahrzeuginstanz läuft mit ihrem kompletten Autoware-Stack auf einem eigenen Host und agiert völlig unabhängig von den anderen.

Die Koordination zwischen den Fahrzeugen wird über eine datenzentrierte, Low‑Latency-Kommunikationsschicht realisiert, die auf Zenoh basiert. Durch die Kombination von ROS 2 Humble, Autoware Universe, AWSIM Labs und einer Unity‑basierten Umgebung können mehrere Autoware‑Stacks gleichzeitig in einer gemeinsamen virtuellen Welt betrieben werden.

In Tests mit mehreren Hosts zeigte DMAVA stabile Lokalisierung, zuverlässige Inter‑Host-Kommunikation und vollständig synchronisierte geschlossene Regelkreise. Darüber hinaus dient die Architektur als Basis für Multi‑Vehicle Autonomous Valet Parking und demonstriert damit die Erweiterbarkeit auf höhere Ebenen kooperativer Autonomie.

Demo‑Videos und der komplette Quellcode sind auf GitHub verfügbar: https://github.com/zubxxr/distributed-multi-autonomous-vehicle-architecture.

Einordnen in 60 Sekunden

Welche Linse du auf diese Meldung legen solltest

Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.

Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.

Was veraendert sich praktisch?
Ist das eher Signal, Produkt oder nur kurzfristiger Hype?
Begriffe zum Einordnen

Kontext ohne Glossar-Suche

Distributed Multi-AV Architektur
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Autoware
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Zenoh
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
arXiv – cs.AI
Diese Quelle setzt den Ausgangspunkt fuer die Meldung. Pruefe immer, ob sie eher Forschung, Produktmarketing oder Praxisperspektive liefert.
Naechste Schritte

Aehnliche Entwicklungen zum Weiterlesen