Los Autonomiset autot ovat jo todellisuutta, siitä ei ole epäilystäkään. Ne ovat muuttuneet tieteiskirjallisuudesta alkaneet toteutua, vaikka matkaa on vielä pitkä. Oli miten oli, on yllättävää, että älykäs järjestelmä pystyy automaattisesti ohjaamaan ajoneuvoa, välttämään liikennettä, kunnioittamaan merkkejä ja välttämään jalankulkijoiden törmäämistä. Kaiken takana on loistava tekniikka.
Siksi aiomme omistaa tämän artikkelin oppimiseen hieman enemmän autonomisesta ajamisesta ja kaikista sen mahdollistavista teknologioista.
SDV:n järjestelmäarkkitehtuuri
Autonominen ajoneuvo (SDV) on monimutkainen järjestelmä, joka vaatii vankan arkkitehtuurin käsitellä tietoja, tehdä päätöksiä ja hallita ajoneuvoa. Tämä arkkitehtuuri on yleensä jaettu kolmeen pääosaan: laitteistoon, väliohjelmistoon ja ohjelmistoon.
Palvelimet
SDV:n laitteisto on järjestelmän fyysinen perusta. Sisällä laitteisto Mukana ovat anturit tai järjestelmät, jotka keräävät tietoa itse ajoneuvosta sekä ympäristöstä. Ohjelmiston käsittelyyn tarvitaan tietysti myös keskustietokone, joka toteuttaa kaikki analyysitoiminnot, AI jne. Ja tämä tehdään tehokkailla tietokoneilla, joissa on CPU ja GPU (), koska suuria tietomääriä on suoritettava välittömästi.
Toisaalta meillä on myös sisäinen verkosto, joka yhdistää kaikki elementit, eli anturit tai syöttöjärjestelmät tietokoneeseen ja tietokoneesta lähtöelementteihin tai toimilaitteisiin. Esimerkiksi, kun anturi havaitsee jalankulkijan, se lähettää signaalin tietokoneelle, joka käsittelee mainitut tiedot ja lähettää käskyn jarrua ohjaavalle toimilaitteelle pysäyttää ajoneuvo ja välttää yliajo.
Samoin meillä on muitakin viestintämoduulit laitteistojärjestelmässä, joka palvelee kommunikointia muiden infrastruktuurin osien kanssa, kuten pilvi- tai sumulaskentaelementit, jotka voivat tarjota liikennetietoja, säätietoja jne.
tietojenkäsittely
Laitteiston joukosta löydät muun muassa tietokoneita erilaisilla prosessoreilla, sekä tuotteita, kuten NVIDIA Orin tai Thor, erityisesti autonomiseen ajamiseen suunniteltu siru ja Xavierin seuraaja, SoC:ista, kuten NVIDIA Drive AGX, joka sisältää molemmat suorittimet (ARM) GPU:na (perustuu Maxwell-, Ampere-, Ada Lovelace-, Blackwell-,...-arkkitehtuureihin), jotka ovat osa NVIDIA Drive -alustalla. Muita tuotteita, joita voimme myös arvostaa, ovat Intel Movidius, Qualcomm Ride jne.
Yleensä autonomiset ajoneuvotietokoneet He ovat pääasiassa vastuussa suurimman osan reaaliaikaisten päätösten tekemiseen tarvittavista tiedoista, kuten kohteen havaitsemisesta, reitin suunnittelusta ja ajoneuvon ohjauksesta. Tämä johtuu siitä, että latenssi eli aika, joka kuluu tiedon kulkeutumiseen ajoneuvosta datakeskukseen ja päinvastoin, voi olla kriittinen tilanteissa, kuten onnettomuuden välttämisessä. Palvelinkeskuksilla on kuitenkin täydentävä ja yhä tärkeämpi rooli oppimismallien koulutuksessa, HPC:tä vaativissa laskelmissa, karttapäivityksissä, laajamittaisessa data-analyysissä tai Big Datassa jne.
Siksi ajotietokone ei ole ainoa, joka osallistuu autonomiseen ajamiseen, vaan sitä tukee myös pilvilaskenta tai pilvi, sumulaskenta tai sumu ja reunalaskenta tai reuna, kaikki kommunikoivat jatkuvasti toimiakseen järjestelmänä.
anturit
Palataan aiheeseen anturit, voimme löytää joitain syöttölaitteita tai oheislaitteita, kuten:
- Tutka: Tämä on laite, joka käyttää radioaaltoja havaitsemaan tietyllä etäisyydellä olevat kohteet, mikä mittaa nopeuden, etäisyyden ja muiden ajoneuvojen, jalankulkijoiden ja esteiden läsnäolon, vaikka näkyvyys olisi huono.
- LiDAR: tarkoittaa Light Detection and Rangingia, ja se on laite, joka käyttää laserpulsseja ympäristön 3D-karttojen luomiseen ja siten osaa liikkua sen ympärillä. Voit mitata etäisyydet tarkasti, luoda yksityiskohtaisen esityksen nopeasti jne.
- Ultraäänet: Sitä voidaan käyttää myös kohteiden havaitsemiseen reaaliajassa, kuten edellisetkin. Tässä tapauksessa se lähettää korkeataajuisia ääniaaltoja ja mittaa aikaa, joka kuluu palautumiseen tietääkseen etäisyydet. Niitä käytetään täydentämään aiempia mittaamaan kohteita, jotka ovat hyvin lähellä ajoneuvoa, esimerkiksi pysäköinnin aikana.
- kamerat: Nämä kamerat voivat tallentaa kuvia ympäristöstä tietokonenäön tai keinotekoisen näköjärjestelmän avulla ja siten tunnistaa esineet, jalankulkijat, liikennemerkit, kaistat ja muut elementit. Tällä tavalla he voivat myös tietää nopeusrajoitukset ja muun tyyppiset pysty- tai vaakaopasteet.
- Inertiaaliset mittayksiköt: Nämä IMU:t mittaavat ajoneuvon suuntaa, kulmanopeutta ja kiihtyvyyttä. Tämä on tarpeen auton liikkeen seuraamiseksi, sen sijainnin arvioimiseksi ja orientoitumiseksi, kun GPS-signaalia ei ole saatavilla.
- matkamittari- Tämä laite mittaa ajoneuvon kulkeman matkan ja laskee tämän avulla auton sijainnin yhdessä muiden antureiden kanssa. Lisäksi voi olla hyödyllistä määrittää renkaiden kuluminen, ajetut kilometrit moottorien versioiden arvioimiseksi jne.
Tietysti autonomisissa autoissa on myös monia muita antureita, jotka mittaavat moottorin lämpötilaa, nopeutta, rengaspainetta jne.
Liitännät ja toimilaitteet
Toisaalta meillä on ns Ajoneuvon sisäinen verkkotai ajoneuvoverkostoon. Ne ovat viestintäjärjestelmiä, jotka mahdollistavat erilaisten elektronisten komponenttien yhdistämisen ajoneuvon sisällä. Nämä järjestelmät ovat välttämättömiä ajoneuvojen eri ohjausjärjestelmien, myös autonomisten ajojärjestelmien, välisen koordinoinnin ja tiedonvaihdon kannalta. Voimme esimerkiksi korostaa dataväyliä, kuten:
- CAN (Controller Area Network): Sitä käytetään laajalti autoteollisuudessa, mikä mahdollistaa viestinnän eri elektronisten moduulien välillä.
- LIN (paikallinen yhteenliittämisverkko): edullinen tiedonsiirtoprotokolla, jota käytetään hitaiden laitteiden, kuten antureiden ja toimilaitteiden, liittämiseen.
- MOST (Media Oriented Systems Transport): Tässä tapauksessa sitä käytetään suurta nopeutta multimediadatan, kuten äänen ja videon, siirtämiseen.
Niiden ansiosta voidaan vaihtaa tietoja eri elektronisista moduuleista ja ECU:ista sekä lähettää hajautettuja ohjaussignaaleja, diagnosoida kytkemällä laitteita, jotka pystyvät lukemaan ja tulkitsemaan virhekoodeja jne.
Lisäksi ne palvelevat myös ns Toimilaitteen käyttöliittymä ja komponentit eli toimilaitteet. Toimilaiteliitäntä on yhteyspiste autonomisen ajoneuvon ohjausjärjestelmän ja ajoneuvon liikettä ohjaavien fyysisten toimilaitteiden välillä. Nämä toimilaitteet ovat mekaanisia laitteita, jotka suorittavat toimintoja sähköisten signaalien perusteella. Tämä alajärjestelmä koostuu tehonsäätömoduulista, moottorin ohjauksesta, servotoimilaitteista, asento- ja nopeusantureista jne.
Drive-by-wire on ohjausjärjestelmä joka korvaa ajojärjestelmän perinteiset mekaaniset komponentit (kuten ohjauspyörän, polkimet ja vaihteiston) elektronisilla ja sähköisillä järjestelmillä. Tämä mahdollistaa suuremman joustavuuden ja hallinnan autonomisessa ajossa. Meillä voi olla yksi ohjaamaan ohjauspyörää, toinen jarruja, kaasupoljinta tai vaihteiden vaihtoa varten...
middleware
El väliohjelmisto on ohjelmistokerros, joka yhdistää laitteiston sovellusohjelmistoon. Sen toimintoihin kuuluu tietojenkäsittely suodattamalla, yhdistämällä ja prosessoimalla antureilta tulevaa tietoa sekä toimilaitteiden ohjauksen suunnittelua ja kehittämistä ajosuunnitelmien perusteella.
Tämä arkkitehtuurin kerros Älä sekoita sitä laiteohjelmistoon, koska se on integroitu ohjelmistokerros, joka vastaa välittämisestä laitteiston ja sovellusohjelmiston välillä. Toisin sanoen se on abstraktiokerros, jonka avulla kehittäjät voivat hyödyntää saatavilla olevia laitteistoresursseja helposti ohjelmisto- tai sovelluskerroksesta API/kehityskehysten kautta.
Joitakin esimerkkejä autonomisissa autoissa käytetyt käyttöjärjestelmät ääni:
- ROS (robottien käyttöjärjestelmä): on avoimen lähdekoodin järjestelmä robottien tai automaattisten mekanismien ohjelmistojen kehittämiseen, joka tarjoaa käyttöjärjestelmän vakiopalveluja, kuten laitteiston abstraktion, prosessien välisen viestinnän ja pakettien hallinnan, mikä helpottaa monimutkaisten robottisovellusten luomista.
- Autoware.AI: on avoimen lähdekoodin ohjelmistoalusta autonomisten ajoneuvojen kehittämiseen. Kuten ROS, se tarjoaa modulaarisen arkkitehtuurin ja laajan valikoiman työkaluja ja kirjastoja.
- Apollo– Baidun kehittämä Apollo on avoimen lähdekoodin ohjelmistoalusta autonomisille ajoneuvoille, joka tarjoaa joustavan ja skaalautuvan arkkitehtuurin.
- NVIDIA DRIVE OS: on NVIDIAn ohjelmistoalusta, joka on suunniteltu erityisesti autonomisille ajoneuvoille. Se tarjoaa vankan perustan autonomisten ajosovellusten kehittämiselle, ja se on integroitu tiiviisti NVIDIA-laitteistoon.
- ROS2: ROS:n seuraavan sukupolven, joka on suunniteltu korjaamaan joitakin ROS:n rajoituksia ja tarjoamaan paremman skaalautuvuuden ja kestävyyden kriittisiin sovelluksiin.
Hakemus
La sovelluskerros on ohjelmisto SDV on järjestelmän aineeton osa, kaikki ne sovellukset, jotka vastaavat antureiden havainnon käsittelystä, auton sijainnista todellisessa maailmassa, suunnittelusta, ohjauksesta jne., ja jotka tekevät sen hyödyntämällä laitteistoresursseja.
Muita tärkeitä käsitteitä autonomisista autoista
Lopuksi haluaisin myös kuvata muita tärkeitä autonomisen ajamisen käsitteitä, joita en ole kommentoinut edellisessä osiossa:
ADAS vs ADS
ei pidä hämmentää ADAS ADS:n kanssa ne eivät ole samoja. ADAS tulee sanoista Advanced Driver Assistance Systems.. Nämä järjestelmät on suunniteltu auttamaan kuljettajaa erilaisissa tehtävissä ja parantamaan ajoturvallisuutta ja -mukavuutta. Esimerkiksi ABS, luistonesto jne., ja niitä on myös autonomisissa autoissa.
Sen sijaan, ADS (Automated Driving Systems) viittaa järjestelmiin, joiden tarkoituksena on sallia ajoneuvon ajaa itse ilman ihmisen puuttumista tietyissä olosuhteissa. Eli se on autonomisen pilotoinnin tekniikka, eikä se korvaa ADAS:ia, vaan täydentää...
ICP-algoritmi
El ICP (Iterative Closest Point) -algoritmi Se on keskeinen työkalu tietokonenäön alalla, erityisesti tehtävissä, joihin liittyy pistepilvien kohdistaminen. Kuvittele, että sinulla on kaksi 3D-skannausta samasta kohteesta, mutta otettu eri kulmista tai eri aikoina. ICP-algoritmin avulla voit löytää muunnoksen (kierto ja käännös), joka parhaiten kohdistaa nämä kaksi skannausta, jolloin ne vastaavat mahdollisimman tarkasti. Tällä tavoin sillä voidaan tehdä 3D-rekonstruktioita useiden antureiden tekemien skannausten avulla, sitä voidaan käyttää myös ns. SLAM:iin, jota kuvailen myöhemmin, sekä keinonäkemiseen.
INS + GPS + SLAM-pohjainen
navigointijärjestelmät INS (Inertial Navigation System), GPS (Global Positioning System) ja SLAM (Simultaneous Localization and Mapping) Niitä käytetään erilaisissa sovelluksissa, erityisesti autonomisissa ajoneuvoissa. Jokaisella on omat vahvuutensa ja heikkoutensa, ja ne usein yhdistyvät tarkemman ja kestävämmän lokalisoinnin ja navigoinnin saavuttamiseksi.
Kun INS perustuu sisäisiin sensoreihin, kuten kiihtyvyysantureihin ja gyroskooppeihin kiihtyvyyden ja kulmanopeuden mittaamiseen, GPS perustuu ajoneuvon kolmiomittaukseen satelliittisignaalien avulla (voidaan puhua myös muista geopaikannusjärjestelmistä, kuten Galileo, GLONASS, BeiDou.. .) ja SLAM-järjestelmät yhdistävät lokalisoinnin kartoitukseen samanaikaisesti ympäristön karttojen muodostamiseksi samalla kun määritetään ajoneuvon sijainti mainitussa ympäristössä.
Koska jokaisella järjestelmällä on hyvät ja huonot puolensa, ja sillä voi olla esteitä, kuten huono GPS-signaali, joka johtuu säästä tai satelliittien suunnasta jne., autonomiset autot käyttävät yleensä useiden yhdistelmää turvallisuuden parantamiseksi, kuten INS+ GPS. , SLAM+GPS tai INS+GPS+SLAM.
Muut paikannusmallit: Kalman-suodatin, EKF, AMM, UKF ja tilaestimointi
Yllä olevat eivät ole ainoita tilan laskentajärjestelmiä. Algoritmi Kalman suodatin on rekursiivinen järjestelmä, joka arvioi dynaamisen järjestelmän tilan (kuten paikan ja nopeuden) mittauksista. Se toimii ennustamalla tulevaa tilaa ja päivittämällä tämän ennusteen uusilla mittauksilla. Sitä käytetään laajalti ohjaus- ja navigointijärjestelmissä.
EKF (laajennettu Kalman-suodatin) on Kalman-suodattimen laajennus, jota käytetään, kun liikemalli on epälineaarinen. Linearisoi malli jokaisessa aikavaiheessa soveltaaksesi Kalman-suodatinyhtälöitä. Sitä käytetään yleisesti mobiilirobotiikassa.
Kehittynyt liikemalli on matemaattinen esitys, joka kuvaa kuinka järjestelmän tila muuttuu ajan myötä. Se voi sisältää sellaisia tekijöitä kuin kiihtyvyys, kulmanopeus ja ulkoiset voimat. Toisaalta
Sen sijaan, UKF (Unscented Kalman Filter) on vaihtoehto EKF:lle joka välttää mallin linearisoinnin. Sen sijaan se käyttää joukkoa näytteenottopisteitä (sigmapisteitä) edustamaan tilan todennäköisyysjakaumaa. Nämä pisteet levitetään epälineaarisen mallin läpi ja niitä käytetään sitten estimoidun tilan keskiarvon ja kovarianssin laskemiseen.
Ajoneuvon älykkyys
Tietysti hyödyntääksemme autonomisten autojen laitteistoa ja kaikkea tätä infrastruktuuria, a älykäs järjestelmä, joka voi tehdä päätöksiä, ja tätä varten tarvitaan muita teknologioita, kuten tekoälyä. Vaikka, kuten tiedät, parannettavaa on vielä paljon, koska se on edelleen häiritsevä tekniikka ja vaatii parannusta. Tätä varten autonomiset autot luottavat paradigmoihin, kuten:
- Koneoppiminen: on tekoälyn haara, joka keskittyy datasta oppivien algoritmien kehittämiseen. Nämä algoritmit voivat löytää kuvioita tiedosta ja tehdä ennusteita tai päätöksiä.
- Ohjattu oppiminen: on koneoppimisen tyyppi, jossa algoritmi oppii yhdistämään syötteen haluttuun lähtöön. Sille annetaan harjoitustietojoukko oikeilla tuloilla ja lähdöillä, ja algoritmi oppii yleistämään uudet tiedot.
- Punainen neuronaali: on laskennallinen malli, joka on saanut inspiraationsa biologisista aivoista. Se koostuu toisiinsa yhdistettyjen solmujen verkosta, jotka käsittelevät tietoja. Neuroverkot pystyvät oppimaan monimutkaisia tiedon esityksiä, ja niitä käytetään monenlaisissa tehtävissä, kuten kuvantunnistuksessa ja luonnollisen kielen käsittelyssä.
Kartoitus (käyttöasteruudukko, ominaisuus, relaatiokartat…)
Kaikki nämä tekniikat kartoittavat ympäristöä pohjimmiltaan, jotta voimme tehdä sitä koskevia päätöksiä. Ne eivät ole esiohjelmoituja karttoja, koska kaikki voi muuttua hetkestä toiseen riippuen liikenteestä, jalankulkijoista, rakentamisesta, esteistä jne. Siksi tämä esitys on suoritettava reaaliajassa. Sisällä kartoitus Meillä on:
- Käyttöaste ruudukko: on esitys avaruudesta, joka jakaa ympäristön ruudukoksi ja määrittää kullekin solulle käyttötodennäköisyyden.
- Ominaisuuskartat: Ne ovat esityksiä, jotka keskittyvät ympäristön tiettyihin ominaisuuksiin, kuten kulmiin, viivoihin tai esineisiin.
- Relaatiokartat: edustaa ympäristön eri esineiden tai paikkojen välisiä suhteita.
Kalman-suodattimet, EKF/UKF ja kartoitus liittyvät läheisesti toisiinsa, samoin kuin koneoppiminen, joka vastaa mainitun ympäristön ymmärtämisestä ja sen perusteella tehtyjen päätösten tekemisestä.
Kuvat | Canva | NVIDIA | GeeksForGeeks | FlexAutomotive