Автономные автомобили уже реальность, в этом нет никаких сомнений. Они прошли путь от научной фантастики до начала материализации, хотя до этого еще далеко. Как бы то ни было, удивительно, что интеллектуальная система способна автоматически управлять транспортным средством, избегать пробок, соблюдать знаки и избегать наезда на пешеходов. За всем этим стоят великие технологии.
Поэтому мы собираемся посвятить эту статью тому, чтобы узнать немного больше. об автономном вождении и всех тех технологиях, которые делают это возможным.
Системная архитектура SDV
Автономное транспортное средство (SDV) представляет собой сложную систему, для которой требуется надежная архитектура. обрабатывать информацию, принимать решения и управлять транспортным средством. Эта архитектура обычно делится на три основные фундаментальные части: аппаратное обеспечение, промежуточное программное обеспечение и программное обеспечение.
Металлоизделия
Аппаратное обеспечение SDV является физической основой системы. Внутри аппаратные средства Включены датчики или системы, которые собирают информацию как от самого транспортного средства, так и от окружающей среды. Конечно, для обработки программного обеспечения также необходим центральный компьютер, реализующий все функции анализа, искусственного интеллекта и т. д. И делается это с помощью мощных компьютеров с процессором и графическим процессором (), так как большие объемы данных требуют немедленного выполнения.
С другой стороны, у нас также есть внутренняя сеть, которая переплетает все элементы, то есть датчики или системы ввода к компьютеру и от компьютера к выходным элементам или исполнительным механизмам. Например, когда датчик обнаруживает пешехода, он отправляет сигнал на компьютер, который обрабатывает указанную информацию и отправляет команду исполнительному механизму, управляющему тормозом, остановить транспортное средство и избежать наезда.
Кроме того, у нас есть и другие модули связи в аппаратной системе, которые служат для связи с другими элементами инфраструктуры, такими как элементы облачных или туманных вычислений, которые могут предоставлять данные о трафике, погоде и т. д.
Вычисление
Среди аппаратного обеспечения вы можете найти компьютеры с различными процессорами, в дополнение к таким продуктам, как NVIDIA Orin или Thor, чип, специально разработанный для автономного вождения и преемник Xavier, в SoC, таких как Drive AGX от NVIDIA, который включает в себя как процессор, так и процессор. (ARM) как графические процессоры (на основе архитектур Maxwell, Ampere, Ada Lovelace, Blackwell,...), которые являются частью платформа NVIDIA Drive. Другие продукты, которые мы также можем оценить, — это Intel Movidius, Qualcomm Ride и т. д.
В общем, автономные транспортные компьютеры Они в основном отвечают за обработку подавляющего большинства информации, необходимой для принятия решений в режиме реального времени, таких как обнаружение объектов, планирование маршрута и управление транспортными средствами. Это связано с тем, что задержка, то есть время, необходимое для передачи информации от автомобиля до центра обработки данных и наоборот, может иметь решающее значение в таких ситуациях, как предотвращение аварии. Однако центры обработки данных играют дополнительную и все более важную роль для обучения моделей обучения, вычислений, требующих высокопроизводительных вычислений, обновления карт, крупномасштабного анализа данных или больших данных и т. д.
Таким образом, бортовой компьютер не единственный, участвующий в автономном вождении, он также поддерживается облачные вычисления или облачные, туманные вычисления или туманные и периферийные вычисления или периферийные вычисления, все постоянно общаются, чтобы функционировать как система.
Sensores
Возвращаясь к теме датчики, мы можем найти некоторые устройства ввода или периферийные устройства, такие как:
- Радар: это устройство, которое использует радиоволны для обнаружения объектов на определенном расстоянии, измеряя таким образом скорость, расстояние и наличие других транспортных средств, пешеходов и препятствий, даже в условиях плохой видимости.
- LiDAR: означает «Обнаружение света и определение дальности». Это устройство, которое использует лазерные импульсы для создания трехмерных карт окружающей среды и, таким образом, знает, как передвигаться по ней. Вы можете точно измерить расстояния, быстро создать подробное представление и т. д.
- ультразвук: его также можно использовать для обнаружения объектов в реальном времени, как и предыдущие. В этом случае он излучает высокочастотные звуковые волны и измеряет время, необходимое для того, чтобы прийти в норму, чтобы узнать расстояние. Они используются в качестве дополнения к предыдущим для измерения объектов, находящихся очень близко к автомобилю, например, во время парковочных маневров.
- камеры: эти камеры могут захватывать изображения окружающей среды, которые затем обрабатываются системами компьютерного зрения или искусственного зрения и, таким образом, могут идентифицировать объекты, пешеходов, дорожные знаки, полосы движения и другие элементы. Таким образом, они также смогут узнать ограничения скорости и другие типы вертикальных или горизонтальных указателей.
- Инерционные единицы измерения: эти IMU измеряют ориентацию, угловую скорость и ускорение транспортного средства. Это необходимо для отслеживания движения автомобиля, оценки его положения и возможности сориентироваться при отсутствии сигнала GPS.
- одометр- Это устройство измеряет расстояние, пройденное транспортным средством, и использует его для расчета положения автомобиля в сочетании с другими датчиками. Кроме того, может быть полезно определить износ шин, пройденный километраж, оценить ревизии двигателя и т. д.
Конечно, беспилотные автомобили также имеют множество других датчиков для измерения температуры двигателя, скорости, давления в шинах и т. д.
Интерфейсы и исполнительные механизмы
С другой стороны, у нас есть так называемый Автомобильная сеть, или сеть автомобиля. Это системы связи, которые позволяют соединять различные электронные компоненты внутри автомобиля. Эти системы необходимы для координации и обмена информацией между различными системами управления транспортными средствами, включая системы автономного вождения. Например, мы можем выделить такие шины данных, как:
- CAN (сеть контроллеров): широко используется в автомобилестроении, что обеспечивает связь между различными электронными модулями.
- LIN (локальная межсетевая сеть): недорогой протокол связи, используемый для подключения низкоскоростных устройств, таких как датчики и исполнительные механизмы.
- MOST (Медиа-ориентированный системный транспорт): В данном случае именно высокая скорость используется для передачи мультимедийных данных, например аудио и видео.
Благодаря им возможен обмен данными с разных электронных модулей и ЭБУ, а также отправка распределенных сигналов управления, диагностика путем подключения устройств, способных считывать и интерпретировать коды ошибок и т. д.
Кроме того, они служат еще и для того, что называется Интерфейс привода и компоненты, т.е. приводы.. Интерфейс актуатора — это точка соединения между системой управления автономным транспортным средством и физическими исполнительными механизмами, которые управляют движением транспортного средства. Эти приводы представляют собой механические устройства, которые выполняют действия на основе электрических сигналов. Эта подсистема состоит из модуля управления мощностью, управления двигателем, сервоприводов, датчиков положения и скорости и т. д.
Электропривод – это система управления. который заменяет традиционные механические компоненты системы вождения (такие как рулевое колесо, педали и коробка передач) электронными и электрическими системами. Это обеспечивает большую гибкость и контроль при автономном вождении. Один из них может управлять рулем, другой — тормозами, акселератором или переключением передач…
ПО промежуточного слоя
El промежуточное программное обеспечение — это программный уровень, который соединяет оборудование с прикладным программным обеспечением.. В его функции входит обработка данных путем фильтрации, объединения и обработки данных, поступающих от датчиков, а также планирование и разработка управления исполнительными механизмами на основе планов движения.
Этот уровень архитектуры Не путайте это с прошивкой, поскольку это интегрированный программный уровень, который отвечает за посредничество между аппаратным и прикладным программным обеспечением. Другими словами, это уровень абстракции, который позволяет разработчикам легко использовать преимущества доступных аппаратных ресурсов на уровне программного обеспечения или приложения через API/среды разработки.
Некоторые примеры операционные системы, используемые в автономных автомобилях являются:
- ROS (операционная система роботов): система с открытым исходным кодом для разработки программного обеспечения для роботов или автоматических механизмов, которая предоставляет стандартные услуги операционной системы, такие как абстракция оборудования, межпроцессное взаимодействие и управление пакетами, облегчая создание сложных роботизированных приложений.
- Автоваре.ИИ: это программная платформа с открытым исходным кодом для разработки беспилотных транспортных средств. Как и ROS, он предоставляет модульную архитектуру и широкий набор инструментов и библиотек.
- Аполлон- Разработанная Baidu, Apollo представляет собой программную платформу с открытым исходным кодом для автономных транспортных средств, предлагающую гибкую и масштабируемую архитектуру.
- ОС NVIDIA ДРАЙВ: программная платформа NVIDIA, разработанная специально для автономных транспортных средств. Он обеспечивает прочную основу для разработки приложений для автономного вождения и тесно интегрируется с оборудованием NVIDIA.
- ROS2: Следующее поколение ROS, разработанное для устранения некоторых ограничений ROS и предлагающее большую масштабируемость и надежность для критически важных приложений.
Области применения
La прикладной уровень — это программное обеспечение SDV — это нематериальная часть системы, все те приложения, которые отвечают за обработку данных датчиков, местоположение автомобиля в реальном мире, планирование, контроль и т. д., и которые делают это, используя преимущества ресурсы аппаратного обеспечения.
Другие важные понятия об автономных автомобилях
Наконец, я также хотел бы описать другие важные концепции автономного вождения, которые я не прокомментировал в предыдущем разделе:
ADAS против ADS
не путать ADAS с ADS они не одинаковы. ADAS означает «Усовершенствованные системы помощи водителю».. Эти системы призваны помогать водителю в выполнении различных задач, повышая безопасность и комфорт вождения. Например, ABS, антипробуксовочная система и т. д., и они тоже присутствуют в автономных автомобилях.
Вместо этого, ADS (автоматизированные системы вождения) относится к системам, которые позволяют транспортному средству двигаться самостоятельно без вмешательства человека при определенных условиях. То есть это технология автономного пилотирования, и она не является заменой ADAS, а скорее дополняет...
Алгоритм ICP
El Алгоритм ICP (итеративная ближайшая точка) Это фундаментальный инструмент в области компьютерного зрения, особенно в задачах, связанных с выравниванием облаков точек. Представьте себе, что у вас есть два 3D-скана одного и того же объекта, но сделанные под разными углами или в разное время. Алгоритм ICP позволяет найти преобразование (вращение и перемещение), которое лучше всего выравнивает эти два скана, делая их максимально близкими. Таким образом, его можно использовать для выполнения 3D-реконструкций с использованием нескольких сканирований, сделанных датчиками, его также можно использовать для так называемого SLAM, о котором я расскажу позже, а также для искусственного зрения.
На базе ИНС + GPS + SLAM
навигационные системы INS (инерциальная навигационная система), GPS (система глобального позиционирования) и SLAM (одновременная локализация и картографирование) Они используются в различных приложениях, особенно в автономных транспортных средствах. У каждого есть свои сильные и слабые стороны, и они часто объединяются для достижения более точной и надежной локализации и навигации.
В то время как INS основана на внутренних датчиках, таких как акселерометры и гироскопы для измерения ускорения и угловой скорости, GPS основана на триангуляции автомобиля с помощью спутниковых сигналов (можно также говорить о других системах геолокации, таких как Galileo, ГЛОНАСС, BeiDou.. .) и системы SLAM одновременно сочетают локализацию с картографированием для построения карт окружающей среды и одновременного определения положения транспортного средства в указанной среде.
Поскольку каждая система имеет свои плюсы и минусы, а также может иметь препятствия, такие как плохой сигнал GPS из-за погоды или ориентации спутников и т. д., в автономных автомобилях для большей безопасности обычно используется комбинация нескольких систем, например INS+ GPS. , SLAM+GPS или INS+GPS+SLAM.
Другие модели позиционирования: фильтр Калмана, EKF, AMM, UKF и оценка состояния.
Вышеупомянутые – не единственные системы расчета статуса. Алгоритм Фильтр Калмана — это рекурсивная система, которая оценивает состояние динамической системы (например, положение и скорость) на основе измерений. Он работает, прогнозируя будущее состояние, а затем обновляя этот прогноз новыми измерениями. Широко используется в системах управления и навигации.
EKF (расширенный фильтр Калмана) является расширением фильтра Калмана, который используется, когда модель движения нелинейна. Линеаризуйте модель на каждом временном шаге, чтобы применить уравнения фильтра Калмана. Он широко используется в мобильной робототехнике.
Расширенная модель движения — это математическое представление, описывающее, как состояние системы меняется с течением времени. Он может включать такие факторы, как ускорение, угловая скорость и внешние силы. С другой стороны,
Вместо этого, UKF (фильтр Калмана без запаха) является альтернативой EKF. что позволяет избежать линеаризации модели. Вместо этого он использует набор точек выборки (сигма-точек) для представления распределения вероятностей состояния. Эти точки распространяются по нелинейной модели, а затем используются для расчета среднего значения и ковариации оцененного состояния.
Разведка автомобиля
Конечно, чтобы воспользоваться преимуществами оборудования и всей этой инфраструктуры автономных автомобилей, интеллектуальная система, которая может принимать решения, а для этого необходимы другие технологии, такие как искусственный интеллект. Хотя, как вы понимаете, еще многое предстоит улучшить, так как все еще прорывная технология и нуждается в улучшении. Для этого автономные автомобили полагаются на такие парадигмы, как:
- Машинное обучение: — это отрасль искусственного интеллекта, которая занимается разработкой алгоритмов, обучающихся на основе данных. Эти алгоритмы могут находить закономерности в данных и делать прогнозы или решения.
- Контролируемое обучение: тип машинного обучения, при котором алгоритм учится сопоставлять входные данные с желаемыми выходными данными. Ему предоставляется набор обучающих данных с правильными входными и выходными данными, и алгоритм учится обобщать новые данные.
- Красный нейронал: вычислительная модель, вдохновленная биологическим мозгом. Он состоит из сети взаимосвязанных узлов, которые обрабатывают информацию. Нейронные сети способны изучать сложные представления данных и используются в самых разных задачах, таких как распознавание изображений и обработка естественного языка.
Картирование (сетка занятости, объекты, реляционные карты…)
Все эти технологии фундаментально отображают окружающую среду, чтобы иметь возможность принимать решения о ней. Это не заранее запрограммированные карты, поскольку все может меняться в любой момент в зависимости от движения транспорта, пешеходов, работ, препятствий и т. д. Вот почему необходимо выполнять это представление в реальном времени. Внутри отображение У нас есть:
- Сетка заполняемости: представляет собой представление пространства, которое делит среду на сетку и присваивает каждой ячейке вероятность занятости.
- Карты объектов: Это изображения, которые фокусируются на определенных особенностях окружающей среды, таких как углы, линии или объекты.
- Реляционные карты: представляет отношения между различными объектами или местами в окружающей среде.
Фильтры Калмана, EKF/UKF и картографирование тесно связаны между собой, как и машинное обучение, которое отвечает за понимание указанной среды и принятие решений на ее основе.
Изображения | Канва | NVIDIA | GeeksForGeeks | FlexАвтомобильная промышленность