Потребительский спрос на более умные технологии вождения, вызванный необходимостью повышения безопасности дорожного движения, резко вырос. Согласно отчету ВОЗ о глобальной безопасности дорожного движения, ежегодно более миллиона человек гибнут в дорожно-транспортных происшествиях по всему миру. Наиболее частыми причинами несчастных случаев являются отвлечение водителя от управления автомобилем, превышение скорости, вождение в нетрезвом виде и безрассудное вождение — все это человеческая ошибка, обычно имеющая человеческую природу.
Автономные автомобили (АВ) будут играть фундаментальную роль в сокращении количества аварий, чтобы сделать вождение более безопасным для всех. Хотя отрасль все еще находится в “зародыше”, компании работают над разработкой безопасных, надежных и экономичных решений для автоматизированного вождения для транспорта будущего.
В дополнение к растущему интересу к использованию автономных авто для снижения количества аварий, вспышка COVID-19 заставила многих потребителей избегать общественного транспорта и искать более безопасные и надежные виды транспорта. Беспилотные автомобили, такие как робо-такси, — это один из способов передвижения людей, при этом сохраняя социальное дистанцирование беспилотные авто и другие приложения для самостоятельного вождения уже доказали свою полезность в борьбе с вирусом в Китае, доставляя основные медицинские принадлежности и продукты питания медицинским работникам.
Хотя массовое развертывание полностью автономных транспортных средств может занять некоторое время, технология автономности вождения уровня 4 обещает открыть сегодня более безопасный и интеллектуальный вид транспорта. В этой статье будут рассмотрены различные типы аппаратных компонентов и программных решений, которые используют ведущие автопроизводители, поставщики первого уровня, а также компании, занимающиеся мобильностью и логистикой, в процессе тестирования и коммерциализации беспилотных автомобилей четвертого уровня.
Умные датчики используются для обнаружения объектов в реальном времени
Автономный автомобиль может использовать ряд аппаратных компонентов — инерциальный измерительный блок (IMU), глобальную навигационную спутниковую систему (GNSS), несколько датчиков, включая LiDAR и радар, и высокодинамичные камеры — для безопасной работы на дорогах. Некоторые поставщики автономных технологий объединяют все эти компоненты в одну полную систему управления, чтобы компаниям было проще интегрировать эти компоненты в автомобили (рисунок ниже).
Технологию LiDAR часто считают стержнем автономного вождения, поскольку большинство компаний используют ее, чтобы помочь транспортным средствам увидеть окружающий мир. LiDAR помогает в навигации транспортных средств, собирая и измеряя трехмерные данные с высоким пространственным разрешением вокруг автомобиля.
Одна из наблюдаемых нами тенденций заключается в том, что компании используют различные типы датчиков LiDAR для снижения общей стоимости системы и веса систем с автономным управлением. Например, поставщики технологий беспилотного вождения могут использовать 64-строчный LiDAR-датчик с более высоким разрешением и большим радиусом действия в центре крыши авто, чтобы дать автомобилю обзор окружающего мира с “высоты птичьего полета”, а также использовать более доступные и более легкие 16-строчные LiDAR-решения по бокам кузова для отображения данных о слепых зонах автомобиля.
Радар полезен для автономного авто для определения скорости движущихся объектов. Однако, хотя радар может обнаруживать впереди остановившееся транспортное средство или велосипедиста, радар не может определять точное положение объекта, например, находится ли остановившееся транспортное средство или велосипедист на той же полосе, что и водитель. Объединение информации о скорости от радарных датчиков, 3D данных и информации о местоположении от датчиков LiDAR решает эту проблему.
Автомобильные камеры полезны для сбора подробной информации об окружающей среде, в которой находится автомобиль, например, о цвете светофора или тексте на знаке. Однако, в отличие от систем LiDAR, камеры не могут определить расстояние до объекта, потому что может быть трудно определить, что это за объект на самом деле. Вот почему большинство поставщиков технологий автономного вождения используют комбинацию LiDAR, радаров, камер, GNSS и IMU, чтобы воспользоваться преимуществами присущих каждому компоненту оборудования.
Сходства и различия между различными технологическими решениями для беспилотного вождения обычно сводятся к нескольким ключевым моментам: стоимость, энергоэффективность, точность и настраиваемость. В зависимости от варианта использования компании может потребоваться более экономичное решение; таким образом, необходимо использовать более доступные аппаратные компоненты. Если точность является высшим приоритетом, например, автономные устройства, используемые для промышленных приложений с тяжелым оборудованием, компании могут выбрать более высокопроизводительные решения, такие как датчики LiDAR на 64 или 128 строк, а также компоненты, которые могут выдерживать суровые условия.
Мы обнаружили, что, учитывая широкий спектр вариантов использования автономного вождения, многие компании ищут настраиваемые решения, чтобы они могли комбинировать и подбирать решения, соответствующие их конкретным требованиям приложений.
Сочетание различных датчиков — это основа беспилотных автомобилей
Для достижения высокой надежности автономные автомобили должны уметь точно воспринимать окружающий мир. Это включает в себя понимание того, какие объекты являются динамическими объектами, например, другие автомобили, велосипедисты и пешеходы, а какие объекты являются статическими, например, дорожный мусор, светофоры и строительное оборудование. Различные типы аппаратных компонентов системы автономного вождения собирают ценные данные, которые необходимо объединить и проанализировать в режиме реального времени, что называется слиянием датчиков, чтобы автомобиль имел наиболее точную картину окружающей среды.
Контроллер усовершенствованной синхронизации данных (ADS) — это один из типов решений, позволяющих автомобилям добиться объединения различных датчиков (рисунок ниже). Контроллеры ADS синхронизируют данные, собранные аппаратными компонентами, такими как облако точек от датчиков LiDAR, информацию о скорости от радарных датчиков и цветные изображения с камер, и немедленно обрабатывают эту информацию с помощью автономной вычислительной системы автомобиля.
Есть разные способы достичь слияния датчиков. Традиционный метод объединяет информацию от каждого отдельного датчика после того, как он что-то обнаруживает, что иногда дает неполные данные — результат не будет таким точным, и беспилотный автомобиль в конечном итоге неправильно оценит то, что происходит на дороге перед ними (рисунок ниже). Напротив, раннее объединение с глубоким обучением, которое объединяется на уровне необработанных данных для хранения соответствующей информации между различными типами датчиков, обеспечивает гораздо более точную информацию.
Например, после того, как беспилотное транспортное средство синхронизирует временные и пространственные данные, технология DeepRoute объединяет данные на исходном уровне и выводит эти данные по восьми измерениям, включая цвет, текстуру, скорость и так далее. Этот тип подхода имеет полную избыточность и значительно улучшает как точность, так и отзывчивость. Кроме того, модель глубокого обучения может точно прогнозировать траекторию движения транспортных средств, велосипедистов и пешеходов, повышая надежность и безопасность движения авто.
От данных к вождению
Всем беспилотным автомобилям требуется карта высокого разрешения (HD) и обработка информации о местоположении в режиме реального времени. HD-карта собирает точные данные от различных аппаратных компонентов авто. Данные карты должны иметь чрезвычайно высокую точность на сантиметровом уровне — даже когда сигналы GNSS слабые из-за небоскребов и высоких зданий в городах — чтобы машина могла распознавать окружающую среду и принимать решения самостоятельно.
В то время как датчики и контроллер ADS в транспортном средстве собирают и передают данные для синхронизации и калибровки, программный модуль восприятия транспортного средства отвечает за объединение всех методов восприятия для создания точного трехмерного представления окружающей среды транспортного средства. Вывод программного обеспечения для восприятия состоит из точных трехмерных положений всех объектов — их скоростей, ускорений и семантики — включая метки типа объекта (автомобиль, пешеходы, велосипедисты и так далее). Пока модуль восприятия собирает свои выходные данные, модель глубокого обучения сообщает о том, что ждет впереди, позволяя автомобилю устанавливать решающие параметры, которые предсказывают его траекторию.
Используя данные от модуля восприятия и информацию от транспортного средства (например, скорость, текущее местоположение и угол развала), модуль планирования и управления будет решать, как автомобиль должен работать, а затем маневрировать транспортным средством.
Беспилотные авто сильно зависят от их способности обрабатывать данные эффективно и в реальном времени. Независимо разработанный и запатентованный механизм вывода DeepRoute, DeepRoute-Engine, является примером высокоэффективного механизма, который сокращает объем вычислений на вычислительной платформе, так что автономная машина может достичь уровня 4 автономного вождения (рисунок ниже).
Облачная платформа и инфраструктура также являются фундаментальной частью технологии самоуправления. Облачная платформа предоставляет хранилище данных, среду разработки, инструменты и систему мониторинга, необходимые для автономной системы. Модуль инфраструктуры предоставляет автономной операционной системе ресурсы и планирование времени выполнения, системы визуализации для тестирования и симулятор для виртуального тестирования. Эти дополнительные модули обеспечивают полную разработку системы и ее безопасную и надежную работу.
Автоматизированное испытание автономных автомобилей и моделирование
Безопасность является главным приоритетом для поставщиков технологий автономного вождения, автомобильных OEM-производителей, а также компаний, занимающихся мобильностью и логистикой. Автономное вождение просто не будет успешным, если оно небезопасно. Многие компании, включая DeepRoute, проводят тесты автономных модулей различными способами, чтобы убедиться в безопасности транспортных средств. Например, компании будут тестировать автономные автомобили на закрытых трассах, чтобы оценить производительность в различных сценариях, на дорогах общего пользования, чтобы проверить производительность в реальных условиях, и даже с помощью моделирования. Моделирование дает инженерам возможность виртуально протестировать технологию, чтобы они могли управлять конкретными сценариями, такими как поворот под дождем, чтобы оценить реакцию системы.
По мере того как компании оценивают, какие типы беспилотных систем использовать, им важно тщательно учитывать различные цели и задачи для своих конкретных приложений. Например, промышленные варианты использования будут иметь другие требования к производительности и стоимости, чем потребительские автомобили. Компании должны тщательно оценивать различия между различными решениями и алгоритмами, используемыми для обработки данных. Мы рады видеть невероятный прогресс, уже достигнутый в индустрии “автономного автомобилестроения», и с нетерпением ждем появления устройств уровня 4, производимых в массовом масштабе, чтобы сделать дороги безопаснее для всех.
Оставьте комментарий