sok Az autonóm autók már valóságnak számítanak, ehhez nem fér kétség. A tudományos-fantasztikus irodalomból elkezdtek megvalósulni, bár még hosszú út áll előttünk. Bárhogy is legyen, meglepő, hogy egy intelligens rendszer képes automatikusan vezetni egy járművet, elkerülni a forgalmat, betartani a táblákat és elkerülni a gyalogosok elütését. Mindezek mögött nagyszerű technológia áll.
Ezért ezt a cikket egy kicsit további tanulásnak szenteljük az autonóm vezetésről és mindazokról a technológiákról, amelyek ezt lehetővé teszik.
Az SDV rendszer architektúrája
Az autonóm jármű (SDV) egy összetett rendszer, amely robusztus architektúrát igényel információkat dolgoz fel, döntéseket hoz és irányítja a járművet. Ez az architektúra általában három fő részre oszlik: hardverre, köztes szoftverre és szoftverre.
hardver
Az SDV hardvere a rendszer fizikai alapja. Belül a hardver Olyan érzékelőket vagy rendszereket tartalmaznak, amelyek magáról a járműről, valamint a környezetről gyűjtenek információkat. Természetesen a szoftver feldolgozásához egy központi számítógép is szükséges, amely minden elemző funkciót megvalósít, AI stb. És ez nagy teljesítményű CPU-val és GPU-val () rendelkező számítógépekkel történik, mivel nagy mennyiségű adatot kell azonnal végrehajtani.
Másrészt nekünk is van az összes elemet összefonó belső hálózat, azaz az érzékelők vagy bemeneti rendszerek a számítógéphez és a számítógéptől a kimeneti elemekhez vagy működtetőkhöz. Például, amikor egy érzékelő gyalogost észlel, jelet küld a számítógépnek, amely feldolgozza az információt, és parancsot küld a féket vezérlő működtetőnek, hogy állítsa le a járművet és kerülje el az ütközést.
Hasonlóképpen, van más is kommunikációs modulok a hardverrendszerben, amelyek az infrastruktúra más elemeivel való kommunikációt szolgálják, például felhő vagy köd számítástechnikai elemekkel, amelyek forgalmi adatokat, időjárást stb.
számítástechnika
A hardverek között megtalálhatók a különféle processzorokkal felszerelt számítógépek, többek között olyan termékek mellett, mint az NVIDIA Orin vagy a Thor, a kifejezetten autonóm vezetésre tervezett chip és a Xavier utódja, olyan SoC-kben, mint az NVIDIA Drive AGX, amely mindkét CPU-t tartalmazza. (ARM) GPU-ként (Maxwell, Ampere, Ada Lovelace, Blackwell,... architektúrákon alapul), amelyek részei az NVIDIA Drive platform. A további termékek, amelyeket szintén értékelhetünk, az Intel Movidius, a Qualcomm Ride stb.
Általában: autonóm jármű számítógépek Főleg a döntések valós idejű meghozatalához szükséges információk túlnyomó többségének feldolgozásáért felelősek, mint például az objektumészlelés, az útvonaltervezés és a járművezérlés. Ennek az az oka, hogy a késleltetés, vagyis az az idő, amely alatt az információ eljut a járműből az adatközpontba és fordítva, kritikus lehet olyan helyzetekben, mint például a balesetek elkerülése. Az adatközpontok azonban kiegészítő és egyre fontosabb szerepet töltenek be a tanulási modellek képzésében, a HPC-t igénylő számításokban, a térképfrissítésekben, a nagyszabású adatelemzésben vagy a Big Databan stb.
Ezért nem csak a fedélzeti számítógép vesz részt az autonóm vezetésben, hanem támogatja a számítási felhő vagy felhő, köd számítástechnika vagy köd és élszámítás vagy szél, mindegyik folyamatosan kommunikál, hogy rendszerként működjön.
Sensores
Visszatérve a az érzékelőket, találhatunk néhány beviteli eszközt vagy perifériát, például:
- Radar: Ez egy olyan eszköz, amely rádióhullámok segítségével érzékeli a bizonyos távolságban lévő tárgyakat, így méri a sebességet, távolságot és más járművek, gyalogosok és akadályok jelenlétét, még akkor is, ha rossz látási viszonyok vannak.
- LIDAR: a Light Detection and Ranging rövidítése, és ez egy olyan eszköz, amely lézerimpulzusokat használ a környezet 3D-s térképeinek elkészítéséhez, és így tudja, hogyan mozogjon körülötte. Pontosan mérhet távolságokat, gyorsan készíthet részletes ábrázolást stb.
- ultrahang: Az előzőekhez hasonlóan valós idejű objektumok észlelésére is használható. Ebben az esetben magas frekvenciájú hanghullámokat bocsát ki, és méri a visszapattanáshoz szükséges időt a távolságok megismeréséhez. Az előzőek kiegészítéseként használják a járműhöz nagyon közel lévő tárgyak mérésére, például parkolási manőverek során.
- kamerák: Ezek a kamerák a környezetről számítógépes látással vagy mesterséges látórendszerrel feldolgozandó képeket képesek rögzíteni, és így képesek azonosítani a tárgyakat, gyalogosokat, közlekedési táblákat, sávokat és egyéb elemeket. Így megismerhetik a sebességkorlátozásokat, és más típusú függőleges vagy vízszintes jelzéseket is.
- Inerciális mértékegységek: Ezek az IMU-k mérik a jármű tájolását, szögsebességét és gyorsulását. Ez szükséges az autó mozgásának nyomon követéséhez, helyzetének becsléséhez, és tájékozódni tudjunk, ha a GPS-jel nem elérhető.
- Úthosszmérő- Ez a készülék méri a jármű által megtett távolságot, és ennek segítségével számítja ki az autó helyzetét más érzékelőkkel kombinálva. Ezenkívül hasznos lehet meghatározni a gumiabroncsok kopását, a megtett kilométereket a motor átdolgozásának becsléséhez stb.
Természetesen az autonóm autókban sok más érzékelő is található, amelyek mérik a motor hőmérsékletét, sebességét, abroncsnyomását stb.
Interfészek és működtetők
Másrészt nálunk az ún Járműbe épített hálózat, vagy a járműhálózat. Ezek olyan kommunikációs rendszerek, amelyek lehetővé teszik különböző elektronikus alkatrészek összekapcsolását a járművön belül. Ezek a rendszerek nélkülözhetetlenek a különböző járművezérlő rendszerek, köztük az autonóm vezetési rendszerek közötti koordinációhoz és információcseréhez. Például kiemelhetünk adatbuszokat, mint például:
- CAN (Controller Area Network): Széles körben használják az autóiparban, amely lehetővé teszi a kommunikációt a különböző elektronikus modulok között.
- LIN (helyi összekötő hálózat): alacsony költségű kommunikációs protokoll, amelyet kis sebességű eszközök, például érzékelők és aktuátorok csatlakoztatására használnak.
- MOST (Média-orientált rendszerek szállítása): Ebben az esetben nagy sebességű multimédiás adatok, például hang és kép továbbítására szolgál.
Ezeknek köszönhetően különböző elektronikus modulokból és ECU-kból lehet adatot cserélni, valamint elosztott vezérlőjeleket küldeni, hibakódokat olvasni és értelmezni képes eszközök csatlakoztatásával diagnosztizálni stb.
Ezen kívül arra is szolgálnak, amit ún Működtető interfész és a komponensek, azaz az aktuátorok. Az aktuátor interfész az autonóm jármű vezérlőrendszere és a jármű mozgását vezérlő fizikai aktuátorok közötti kapcsolódási pont. Ezek az aktuátorok olyan mechanikus eszközök, amelyek elektromos jelek alapján hajtanak végre műveleteket. Ez az alrendszer teljesítményszabályozó modulból, motorvezérlésből, szervo-aktorokból, helyzet- és sebességérzékelőkből stb. áll.
A Drive-by-wire egy vezérlőrendszer amely a vezetési rendszer hagyományos mechanikus alkatrészeit (például a kormányt, a pedálokat és a sebességváltót) elektronikus és elektromos rendszerekkel helyettesíti. Ez nagyobb rugalmasságot és kontrollt tesz lehetővé az autonóm vezetés során. Lehet egy a kormány vezérlésére, egy másik a fékre, a gázpedálra, vagy a sebességváltásra...
middleware
El A köztes szoftver egy szoftverréteg, amely a hardvert az alkalmazásszoftverekkel köti össze. Funkciói közé tartozik az érzékelőkről érkező adatok szűrésével, összevonásával, feldolgozásával történő adatfeldolgozás, az aktuátorok vezérlésének tervezése és fejlesztése vezetési tervek alapján.
Ez az építészeti réteg Ne keverje össze a firmware-rel, mivel ez egy integrált szoftverréteg, amely a hardver és az alkalmazásszoftver közötti közvetítésért felelős. Más szóval, ez egy absztrakciós réteg, amely lehetővé teszi a fejlesztők számára, hogy egy API-n/fejlesztési keretrendszeren keresztül egyszerűen kihasználják a rendelkezésre álló hardvererőforrásokat a szoftver- vagy alkalmazásrétegből.
Néhány példa autonóm autókban használt operációs rendszerek hang:
- ROS (robot operációs rendszer): egy nyílt forráskódú rendszer robotok vagy automatikus mechanizmusok szoftverének fejlesztésére, amely egy operációs rendszer szabványos szolgáltatásokat nyújt, például hardveres absztrakciót, folyamatok közötti kommunikációt és csomagkezelést, megkönnyítve összetett robotalkalmazások létrehozását.
- Autoware.AI: egy nyílt forráskódú szoftverplatform autonóm járművek fejlesztésére. A ROS-hoz hasonlóan moduláris architektúrát, valamint eszközök és könyvtárak széles skáláját kínálja.
- Apollo- A Baidu által kifejlesztett Apollo egy nyílt forráskódú szoftverplatform autonóm járművekhez, amely rugalmas és méretezhető architektúrát kínál.
- NVIDIA DRIVE OS: az NVIDIA szoftverplatformja, amelyet kifejezetten autonóm járművekhez terveztek. Szilárd alapot biztosít az autonóm vezetési alkalmazások fejlesztéséhez, és szorosan integrálódik az NVIDIA hardverrel.
- ROS2: A ROS következő generációja, amelyet úgy terveztek, hogy kezelje a ROS bizonyos korlátait, és nagyobb méretezhetőséget és robusztusságot kínál a kritikus alkalmazások számára.
Alkalmazás
La az alkalmazási réteg a szoftver Az SDV a rendszer immateriális része, mindazok az alkalmazások, amelyek felelősek az érzékelők érzékelésének, az autó valós világbeli helyzetének feldolgozásáért, a tervezésért, vezérlésért stb., és amelyek ezt kihasználva hardver erőforrások.
Egyéb fontos fogalmak az autonóm autókkal kapcsolatban
Végül szeretném leírni az autonóm vezetés más fontos fogalmait is, amelyeket az előző részben nem kommentáltam:
ADAS kontra ADS
hogy ne legyen összetévesztve ADAS ADS-szel ezek nem ugyanazok. Az ADAS az Advanced Driver Assistance Systems rövidítése.. Ezeket a rendszereket arra tervezték, hogy segítsék a vezetőt a különböző feladatokban, javítva a vezetés biztonságát és kényelmét. Például ABS, kipörgésgátló stb., és ezek az autonóm autókban is jelen vannak.
Ehelyett, ADS (automatizált vezetési rendszerek) Olyan rendszerekre utal, amelyek célja, hogy a jármű bizonyos körülmények között emberi beavatkozás nélkül vezessen. Vagyis az autonóm pilotálás technológiája, és nem helyettesíti az ADAS-t, hanem inkább kiegészítő...
ICP algoritmus
El ICP (Iteratív Closest Point) algoritmus Alapvető eszköz a számítógépes látás területén, különösen a pontfelhők beállításával járó feladatoknál. Képzelje el, hogy ugyanarról az objektumról két 3D-s szkennelést készít, de különböző szögekből vagy különböző időpontokban. Az ICP-algoritmus lehetővé teszi, hogy megtalálja azt a transzformációt (forgatás és fordítás), amely a legjobban összehangolja ezt a két vizsgálatot, így a lehető legjobban illeszkedik egymáshoz. Ily módon több, a szenzorok által készített szkenneléssel 3D-s rekonstrukciókat lehet vele végezni, használható a későbbiekben ismertetésre kerülő úgynevezett SLAM-hez, valamint mesterséges látáshoz is.
INS + GPS + SLAM alapú
navigációs rendszerek INS (Inerciális Navigációs Rendszer), GPS (Global Positioning System) és SLAM (egyidejű lokalizáció és térképezés) Különböző alkalmazásokban használják, különösen autonóm járművekben. Mindegyiknek megvannak a maga erősségei és gyengeségei, és ezek gyakran kombinálódnak a pontosabb és robusztusabb lokalizáció és navigáció érdekében.
Míg az INS belső érzékelőkre, például gyorsulásmérőkre és giroszkópokra épül a gyorsulás és szögsebesség mérésére, addig a GPS a jármű műholdjelek segítségével történő háromszögelésén alapszik (más földrajzi helymeghatározó rendszerekről is beszélhetünk, mint a Galileo, GLONASS, BeiDou. .) , és a SLAM rendszerek a lokalizációt a térképezéssel egyidejűleg kombinálják a környezet térképeinek elkészítéséhez, miközben meghatározzák a jármű helyzetét a környezetben.
Mivel minden rendszernek megvannak a maga előnyei és hátrányai, és lehetnek akadályok, például az időjárás vagy a műholdak tájolása miatti gyenge GPS-jel stb., az autonóm autók általában több kombinációt használnak a nagyobb biztonság érdekében, mint például az INS+ GPS. , SLAM+GPS vagy INS+GPS+SLAM.
Egyéb pozicionálási modellek: Kalman-szűrő, EKF, AMM, UKF és állapotbecslés
A fentiek nem az egyedüli rendszerek az állapot kiszámítására. Az algoritmus Kálmán szűrő egy rekurzív rendszer, amely mérésekből becsüli meg egy dinamikus rendszer állapotát (például pozíciót és sebességet). Úgy működik, hogy előrejelzi a jövőbeli állapotot, majd frissíti ezt az előrejelzést az új mérésekkel. Széles körben használják vezérlő- és navigációs rendszerekben.
EKF (kiterjesztett Kálmán-szűrő) a Kalman-szűrő kiterjesztése, amelyet akkor használnak, ha a mozgásmodell nemlineáris. Linearizálja a modellt minden egyes időlépésben a Kalman-szűrő egyenletek alkalmazásához. Általában a mobil robotikában használják.
Speciális mozgásmodell egy matematikai ábrázolás, amely leírja, hogyan változik a rendszer állapota az idő múlásával. Tartalmazhat olyan tényezőket, mint a gyorsulás, a szögsebesség és a külső erők. Másrészt,
Ehelyett, Az UKF (illatosítatlan Kálmán-szűrő) az EKF alternatívája amely elkerüli a modell linearizálását. Ehelyett mintavételi pontokat (szigmapontokat) használ az állapot valószínűségi eloszlásának ábrázolására. Ezeket a pontokat a nemlineáris modellen keresztül továbbítják, majd felhasználják a becsült állapot átlagának és kovarianciájának kiszámításához.
Jármű intelligencia
Természetesen, hogy kihasználjuk az autonóm autók hardverét és mindezt az infrastruktúrát, a intelligens rendszer, amely képes döntéseket hozni, és ehhez más technológiákra van szükség, mint például a mesterséges intelligencia. Bár, mint tudod, van még mit javítani, hiszen még mindig van bomlasztó technológia, és fejlesztésre szorul. Ennek érdekében az autonóm autók olyan paradigmákra támaszkodnak, mint például:
- Gépi tanulás: a mesterséges intelligencia egyik ága, amely az adatokból tanuló algoritmusok fejlesztésére összpontosít. Ezek az algoritmusok mintákat találhatnak az adatokban, és előrejelzéseket vagy döntéseket hozhatnak.
- Felügyelt tanulás: a gépi tanulás egyik típusa, amelyben az algoritmus megtanulja leképezni a bemenetet a kívánt kimenetre. Kap egy betanítási adatkészletet megfelelő bemenetekkel és kimenetekkel, és az algoritmus megtanul új adatokra általánosítani.
- neurális hálózat: egy számítási modell, amelyet a biológiai agy ihletett. Összekapcsolt csomópontok hálózatából áll, amelyek információkat dolgoznak fel. A neurális hálózatok képesek az adatok összetett reprezentációinak megtanulására, és sokféle feladatban használják őket, például képfelismerésben és természetes nyelvi feldolgozásban.
Leképezés (foglaltsági rács, jellemzők, relációs térképek…)
Mindezek a technológiák alapvetően leképezik a környezetet, hogy döntéseket tudjanak hozni vele kapcsolatban. Ezek nem előre programozott térképek, hiszen minden változhat egyik pillanatról a másikra, forgalomtól, gyalogosoktól, építkezéstől, akadályoktól stb. Ezért szükséges ezt az ábrázolást valós időben végrehajtani. Belül a térképészet Van:
- Foglaltsági rács: a tér reprezentációja, amely a környezetet rácsra osztja, és minden cellához hozzárendeli a foglaltság valószínűségét.
- Jellemző térképek: Ezek olyan ábrázolások, amelyek a környezet meghatározott jellemzőire, például sarkokra, vonalakra vagy objektumokra összpontosítanak.
- Relációs térképek: a környezet különböző objektumai vagy helyei közötti kapcsolatokat ábrázolja.
A Kálmán-szűrők, az EKF/UKF és a leképezés szorosan összefüggnek egymással, csakúgy, mint a gépi tanulás, amely az említett környezet megértéséért és az alapján hozott döntésekért felelős.
Képek | Canva | NVIDIA | GeeksForGeeks | FlexAutomotive