CC BY
1
2023 Электротехника, информационные технологии, системы управления № 48 Научная статья
DOI: 10.15593/2224-9397/2023.4.04 УДК 519.876.5
И.С. Сыркин, Д.М. Дубинкин, В.Ю. Садовец
Кузбасский государственный технический университет им. Т.Ф. Горбачева, Кемерово, Российская Федерация
ОБОСНОВАНИЕ ВЫБОРА СИМУЛЯТОРА ДЛЯ ИССЛЕДОВАНИЯ АВТОНОМНОГО УПРАВЛЕНИЯ БЕСПИЛОТНОГО КАРЬЕРНОГО САМОСВАЛА
Разработка и внедрение беспилотного карьерного самосвала в технологию добычи полезных ископаемых открытым способом являются неотъемлемой задачей на пути создания автоматизированного горного предприятия. Существующие системы, обеспечивающие движение автомобиля в беспилотном режиме, не представляется возможным адаптировать для карьерного самосвала в связи с особенностями конструкции и условиями его эксплуатации. В сложившейся ситуации на помощь разработчику системы управления беспилотным карьерным самосвалом должен прийти симулятор, позволяющий имитировать условия эксплуатации и особенности конструкции карьерного самосвала в части установки сенсорики на борту. Цель работы: обосновать выбор симулятора для проведения исследования работы и взаимодействия систем автономного управления беспилотного карьерного самосвала на основе многокритериального анализа. Для проведения многокритериального анализа проводится оценка альтернатив по ряду критериев с использованием метода TOPSIS. В качестве альтернатив выбраны наиболее доступные симу-ляторы системы управления беспилотными автомобилями, а в качестве критериев оценки -сформированные требования к системе управления беспилотным карьерным самосвалом. Выявлены отличительные особенности расстановки сенсорики на карьерном самосвале, а также особенности окружающей обстановки при его движении, на основе которых сформулированы требования к симулятору, используемому при обучении нейросетевых алгоритмов для систем управления создаваемых беспилотных карьерных самосвалов. Результаты: на основании полученных результатов анализа для дальнейших научных исследований в области разработки системы управления карьерным самосвалом выбран CARLA simulator. Стоит отметить, что данный симулятор позволяет создавать карты местности и имитировать условия работы карьерного самосвала на горнодобывающем предприятии. Среди основных задач дальнейших исследований в этой области - определение влияния количества и мест установки датчиков на область обзора вокруг беспилотного карьерного самосвала, а также подготовка данных для обучения нейронных сетей и подсистемы восприятия окружающей обстановки.
Ключевые слова: автономное управление, симулятор, беспилотный карьерный самосвал.
I.S. Syrkin, D.M. Dubinkin, V.Yu. Sadovets
T.F. Gorbachev Kuzbass State Technical University Kemerovo, Kemerovo Russian Federation
JUSTIFICATION OF THE CHOICE OF SIMULATOR FOR RESEARCH OF AUTONOMOUS CONTROL OF UNMANNED DUMP TRUCK
The development and implementation of an unmanned mining dump truck into open-pit mining technology is an integral part on the path to creating an automated mining enterprise. It does not seem possible to adapt existing systems that ensure vehicle movement in unmanned mode for a mining dump truck due to the design features and operating conditions. In this situation, the developer of a control system for an unmanned mining dump truck should be helped by a simulator that allows them to simulate the operating conditions and design features of a mining dump truck in terms of installing sensors on board. Purpose of the work: to justify the choice of a simulator for conducting a study of the operation and interaction of autonomous control systems of an unmanned mining dump truck based on multi-criteria analysis. To carry out multi-criteria analysis, alternatives are assessed against a number of criteria using the TOPSIS method. The most accessible simulators of the control system for unmanned vehicles were selected as alternatives, and the formed requirements for the control system for an unmanned mining dump truck were used as evaluation criteria. Distinctive features of the placement of sensors on a mining dump truck have been identified, as well as features of the environment during its movement, on the basis of which the requirements for the simulator used in training neural network algorithms for control systems of created unmanned mining dump trucks have been formulated. Results: based on the obtained analysis results, the CARLA simulator was selected for further scientific research in the development of a mining dump truck control system. It is worth noting that this simulator allows you to create terrain maps and simulate the operating conditions of a mining dump truck at a mining enterprise. One of the main tasks of further research in this area is to determine the influence of the number and installation locations of sensors on the field of view around an unmanned mining dump truck, as well as to prepare data for training neural networks and the environment perception subsystem.
Keywords: autonomous control, simulator, unmanned dump truck.
Введение
В настоящее время в мире ведутся активные разработки по созданию беспилотных транспортных средств, признанных обеспечить безопасность людям при передвижении по дорогам общего пользования. Создание беспилотного транспорта требует установки на него большого количества дополнительного оборудования, которое можно разделить на две группы: предназначенное для «очувствления» автомобиля и оборудования для обработки поступающей информации, способное принимать самостоятельные решения при движении. К первой группе относятся различные радары, лидары, камеры, ко второй - вычислительные блоки на базе персональных или промышленных компьютеров [1-4].
При разработке программного обеспечения для системы управления беспилотным транспортным средством всегда возникают ошибки, которые не позволяют установленному оборудованию выполнять свои функции. Поэтому их необходимо выявлять и устранять. Во время непосредственного управления беспилотным автомобилем ошибки программного обеспечения могут привести к плачевным последствиям, что недопустимо. Кроме этого большая часть беспилотных систем управления основана на использовании алгоритмов искусственного интеллекта, например нейронных сетей. Для правильного функционирования в системе управления беспилотного транспортного средства эти сети необходимо обучить, т.е. настроить на выполнение конкретных задач [5]. Работа по настройке нейронных сетей всегда занимает много времени и представляет собой процесс, предполагающий использование огромного массива данных (например, изображения большого числа дорожных знаков).
Одной из задач, возникающих при создании систем управления беспилотными автомобилями, является создание модуля восприятия дорожной ситуации. Базовыми элементами данного модуля являются нейронные сети различных архитектур, позволяющие по показаниям различных датчиков (камер, лидаров) определять типы объектов вокруг беспилотного автомобиля, а также их взаимное расположение. Несмотря на известную проблему и наличие большого числа данных для обучения (dataset), представленных различными компаниями, в открытом доступе нет данных для обучения нейронных сетей, характерных для карьерных самосвалов [6]. По этой причине необходим инструмент, позволяющий создать такой набор данных для предварительного обучения нейронных сетей в составе модуля восприятия дорожной обстановки. Кроме создания таких наборов данных исследования по созданию систем управления карьерными самосвалами на базе обучения нейронных сетей с подкреплением требуют имитационной среды, позволяющей проводить оценку поведения системы [7-10].
Обучение и настройку систем управления можно проводить в реальных дорожных условиях. Однако потенциальное наличие ошибок в программном обеспечении делает процесс обучения в реальных дорожных условиях небезопасным. Кроме этого необходимо учитывать получение большого массива данных для обучения нейронных сетей. Следовательно, разработчику необходимо проехать на беспилотном
транспортном средстве огромный путь, что в начале разработки программного обеспечения совершенно небезопасно [11]. В итоге получается замкнутый круг: для обучения системы управления нужно проехать достаточно много километров, но этого нельзя сделать вследствие небезопасности движения беспилотного транспортного средства, а поскольку ездить нельзя, то получить исходные данные для обучения нейронных сетей не получится.
Выбраться из этого замкнутого круга возможно с использованием дополнительных инструментов - симуляторов беспилотных автомобилей. Симулятор позволяет системе управления совершать ошибки, и поскольку они не будут критичными, например после совершения ДТП, симулятор будет перезапущен, и ни один автомобиль или пешеход не пострадает. При этом можно запустить виртуальный автомобиль в большом числе различных вариантов дорожной обстановки, включая различную местность, погодные условия и ограничения видимости. Результатом применения симуляторов будет возможность создать систему автономного управления беспилотным транспортным средством в короткие сроки и полностью безопасно для окружающего мира.
Особенно актуальной становится задача разработки систем управления при создании беспилотных карьерных самосвалов, что обусловлено особенностями работы транспортного средства в карьере. Следовательно, целью данной статьи является обоснованный выбор симулятора для проведения научных исследований в области разработок систем управления беспилотным карьерным самосвалом. Для достижения поставленной цели необходимо выбрать, минимум, десять вариантов симуляторов беспилотных автомобилей и сформулировать требования к симулятору, основываясь на конструктивных особенностях и условиях работы карьерного самосвала. Сопоставление на соответствие симулятора требованию предлагается провести методом многокритериального анализа [12].
Несмотря на то, что беспилотный карьерный самосвал по структуре системы управления и внешнему виду похож на любой другой беспилотный автомобиль, есть отличительные особенности самой конструкции автомобиля и области его применения. К таким основным особенностям можно отнести большие габариты карьерного самосвала, конструкцию несущей системы самосвала, которая существенно отличается от кузова легкового автомобиля, а также функционирование в условиях горнодобывающего предприятия [1, 7].
Особенности конструкции несущей системы карьерного самосвала определяют различия расстановки сенсорики на самосвале и на легковом автомобиле. Окружающая обстановка в карьерах так же отличается от окружающей обстановки, в которой функционируют легковые беспилотные автомобили.
Представленные отличия определяют ряд требований к симуля-торам для исследования автономного управления карьерными самосвалами:
- гибкость задания моделей беспилотных автомобилей;
- наличие большого числа моделей датчиков системы сенсорики беспилотного автомобиля, а также гибкость настройки их параметров;
- возможность динамического управления дополнительными объектами на карте местности (другие автомобили, люди, и т.д.);
- возможность симуляции различных погодных условий, включая изменение условий освещения, туман, дождь, снег;
- возможность гибкого создания карт местности, в том числе с использованием функциональной генерации;
- возможность генерации фотореалистичных изображений, передаваемых на виртуальный датчик камеры;
- наличие программного интерфейса (API) для возможности интеграции результатов симуляции с системой управления карьерным самосвалом (SIL, software-in-the-loop);
- поддержка и развитие программного обеспечения со стороны разработчиков;
- использование возможностей современного оборудования (процессоров, видеокарт);
- наличие свободной лицензии для возможности модификации симулятора с целью модификации программного обеспечения;
- для платного программного продукта необходима доступность его на территории Российской Федерации.
Выявленные особенности и разработанные требования позволили сформулировать цель данной работы: обосновать выбор симулятора для проведения исследования работы и взаимодействия систем управления автономного управления беспилотного карьерного самосвала на основе многокритериального анализа MCDA.
Основное содержание статьи
Для достижения поставленной цели необходимо было выделить существующие симуляторы, которые бы соответствовали предъявляемым требованиям к системе управления беспилотным карьерным самосвалом. Проведенные исследования по поиску различных симулято-ров выделили популярные программы, которые используются для обучения нейронных сетей:
- SVL simulator;
- CARLA simulator [9];
- Simcenter Prescan [10];
- AutonoVi-Sim [11]
- VISTA Driving Simulator [12];
- Gazebo simulator [13];
- Flow simulator [14];
- AVSandbox [15];
- COGNATA [16];
- Ansys Autonomous Vehicle Simulation [17];
- MORAI [18].
Помимо перечисленных на рынке представлен также ряд других программных средств, однако круг решаемых ими задач достаточно ограничен. Ниже представлены возможности перечисленных симуляторов.
Поскольку LG simulator является платным программным продуктом, тестирование его не представляется возможным.
CARLA simulator. Симулятор представляет программу моделирования дорожного движения. Основой служит игровой движок Unreal Engine, который генерирует трехмерное изображение окружающего мира. При помощи плагина к движку обеспечивается возможность взаимодействия пользовательских программ по управлению беспилотными автомобилями и игровым миром [9].
• Масштабируемость за счет серверной мультиклиентной архитектуры: несколько клиентов в одном или разных узлах могут управлять разными участниками.
• Гибкий API: CARLA предоставляет мощный API, который позволяет пользователям контролировать все аспекты, связанные с моделированием, включая генерацию трафика, поведение пешеходов, погоду, датчики и многое другое.
• Набор датчиков для автономного вождения: пользователи могут настраивать различные наборы датчиков, включая лидары, несколько камер, датчики глубины и GPS.
• Быстрое моделирование для планирования и управления: этот режим отключает рендеринг, чтобы предложить быстрое выполнение моделирования дорожного движения и поведения дороги, для которых графика не требуется.
• Генерация карт: пользователи могут легко создавать свои собственные карты в соответствии со стандартом OpenDrive с помощью таких инструментов, как RoadRunner.
• Моделирование сценариев дорожного движения: наш движок ScenarioRunner позволяет пользователям определять и выполнять различные дорожные ситуации на основе модульного поведения.
• Интеграция с ROS: для CARLA предусмотрена интеграция с ROS через ROSмост.
Ядром симулятора CARLA является 3D-движок Unreal Engine. Благодаря этому появляется возможность создания очень гибкого в конфигурировании приложения по работе с трехмерной графикой. Пользователю доступны два режима работы с симулятором. В первом режиме пользователь выполняет роль разработчика системы управления беспилотным автомобилем. Для этого он запускает сам симулятор, как показано на рис. 1. После этого можно запустить отдельные программы, написанные на языке Python, которые будут взаимодействовать с симулятором и управлять различными параметрами, например, изменять погоду или добавлять пешеходов и прочие объекты. Главной задачей разработчика будет запуск основной программы, которая помещает в симулируемый мир модель беспилотного автомобиля, размещает на ней различные датчики и на основе показаний, полученных с них, принимает решения о подаче управляющих воздействий на исполнительные.
Внешний вид программы, решающей данную задачу, приведен на рис. 2.
Вторым режимом работы с симулятором является режим модификации трехмерных моделей карт, автомобилей и прочих объектов. Для этого запускается редатор Unreal Engine, в результате чего пользователю предоставляется весь спектр возможностей данного движка.
Рис. 1: Внешний вид CARLA-симулятора
Рис. 2: Внешний вид программы для автономного управления.
SVL simulator. SVL Simulator - платформа моделирования, используемая для разработки автономных транспортных средств и ро-бототехнических систем. Поскольку разработка усовершенствованных транспортных средств, автономных агентов становится все более сложной, возникает потребность в тестировании разработанных алгоритмов.
Рис. 3: Внешний вид редактора Unreal Engine с картой для Carla simulator
SVL Simulator состоит из программного обеспечения для моделирования, программных инструментов, экосистемы контента и плагинов, которые позволяют настраивать варианты использования, а также облачной среды, которая позволяет моделировать и тестировать сценарии в любом масштабе. Симулятор позволяет симулировать витруаль-ную среду, в которой находится одно или несколько транспортных средств или автономных систем, их датчики. Программное обеспечение для моделирования обеспечивает цельный и настраиваемый интерфейс с тестируемой системой пользователя. Это позволяет разработчику отлаживать, выполнять модульное тестирование и интеграционное тестирование.
Simcenter Prescan. Simcenter Prescan- платформа моделирования на основе физики, используемая для разработки и проверки функциональности ADAS и беспилотных транспортных средств [10].
Simcenter Prescan позволяет разрабатывать виртуальные верификации для передовых систем помощи водителю (ADAS) и автономных транспортных средств. Используя наши инструменты, инженеры следуют систематическому подходу к разработке с более короткими циклами обратной связи и адаптации, охватывая при этом все возможные сценарии.
Для подтверждения безопасности и надежности современных систем помощи водителю (ADAS) и автоматизированных транспортных средств могут потребоваться миллиарды испытательных километров, включающих все возможные сценарии при любых обстоятельствах. Это возможно только в том случае, если основная часть работ по проверке будет проводиться виртуально быстрее, чем в реальном времени, - с использованием моделирования; поэтому инженерам необходима комплексная физическая платформа, которая позволит им следовать систематическому подходу. Используйте возможности моделирования с легкостью Используя Simcenter Prescan, инженеры могут провести виртуальную проверку систем ADAS и автономных транспортных средств за пять шагов:
Во-первых, они могут в течение нескольких минут воспроизвести реальные сценарии движения, используя элементы базы данных Simcenter Prescan (с дорогами, компонентами инфраструктуры, действующими лицами, погодой и источниками света) через графический интерфейс или с помощью API. Затем они могут добавлять модели датчиков. Программное обеспечение может подключаться к «эгоавто-мобилю» для тестирования взаимодействия между автомобилем и окружающей средой [19].
Отличительной особенностью Siemens Prescan является модульная архитектура системы, состоящая из редактора сценариев, системы симуляции, системы взаимодействия с MatLab. Внешний вид редактора сценариев приведен на рис. 4. Преимуществом Prescan по сравнению с CARLA является визуальная настройка параметров датчиков, устанавливаемых на автомобиль, и визуализация поля их «зрения» что показано на рис. 5. Несмотря на это достоинство, важным недостатком для решения поставленных задач является ограниченный набор объектов, которые можно установить на карту.
AutonoVi-Sim. AutonoVi-Sim представляет собой новую высокоточную платформу моделирования для генерации данных автономного вождения и тестирования стратегии вождения. AutonoVi-Sim представляет собой набор расширяемых модулей высокого уровня, которые позволяют быстро разрабатывать и тестировать конфигурации транспортных средств и облегчают создание сложных сценариев дорожного движения. AutonoviSim поддерживает несколько транспортных средств. Пользователь может создать нужный автомобиль.
Рис. 4. Редактор сценариев Siemens Prescan
Рис. 5. Настройка параметров камеры в Siemens Prescan
В данном симуляторе представлены различные датчики системы сенсорики беспилотного автомобиля, а также предусмотрена смена времени суток и погодных условий. Несмотря на указанные преимущества, существенным недостатком данного программного продукта является его недоступность к скачиванию, он представляет собой внутреннюю разработку университета Северной Каролины, США.
VISTA Driving Simulator. VISTA отличается от других симуля-торов тем, что представляет собой механизм моделирования, управляемый данными. Принимая в качестве входных данных реальные данные о физическом мире, VISTA стремится реконструировать этот мир и синтезировать новые точки зрения на окружающую среду. Поскольку VISTA построена на основе реальных данных, она позволяет избежать типичных проблем, связанных с фотореализмом и возможностью переноса из модели в реальность [20].
VISTA предоставляет гибкий интерфейс для обработки больших наборов данных и построения целых виртуальных миров. В этих мирах могут создаваться виртуальные агенты, обрабатываться данные системы сенсорики, определяться новые задачи и цели по мере того, как агенты перемещаются и взаимодействуют друг с другом и с окружающей средой.
Согласно сайту документации, API приставляет собой описание четырех классов с несколькими десятками методов в каждом из них. Анализ сигнатур данных методов показал, что их недостаточно для решения поставленных в начале исследования задач.
Gazebo simulator. Симулятор Gazebo создавался как среда моделирования робототехнических систем для изучения основ робототехники и служит официальным симулятором на робототехнических соревнованиях DARPA. Данный симулятор обладает развитыми API, хорошо интегрируется с системой ROS, которая является базовым программным продуктом для разработки систем управления роботами в исследовательских целях (рис. 6) [21].
Недостатками данного, симулятора согласно предъявляемым требованиям, являются низкое качество графики, невозможность создания фотореалистичного изображения.
Flow simulator. Flow - это платформа глубокого обучения с подкреплением для трафика со смешанной автономией. Симулятор представляет собой платформу для сравнительного анализа управления
трафиком, которая предоставляет набор сценариев управления трафиком (тестов), инструменты для разработки пользовательских сценариев трафика и интеграцию с библиотеками глубокого обучения с подкреплением и библиотеками микросимуляции трафика. Поскольку данная система симулирует исключительно трафик, ее применение для решения поставленных задач нецелесообразно.
AVSandbox. Платформа разработки AVSandbox [22] предназначена для моделирования и тестирования поведения и характеристик автономных транспортных средств и систем ADAS. Она является мощной, масштабируемой и гибкой системой и содержит все необходимое для интеграции с другими инструментами моделирования. Платформа поддерживает фотореалистичные изображения, есть возможность создавать собственные модели транспортных средств и карт местности. Внешний вид системы приведен на рис. 7.
Рис. 7: Внешний вид симулятора AVSandbox
Несмотря на указанные выше преимущества программного продукта, он обладает некоторыми недостатками. К основным относится закрытая информация о встроенном API, в открытом доступе нет информации о возможностях интеграции симулятора с другим ПО; он является платным; производителем ПО является компания, базирующаяся в Великобритании.
COGNATA. Программное обеспечение COGNATA [23] представляет собой платформу для ускорения разработок беспилотных транспортных систем в автомобилестроении, сельском хозяйстве, строительстве и добыче полезных ископаемых. Поддерживает различные режимы симуляции, в том числе «Hardware in the loop», «Driver in the loop», симуляцию системы ADAS (помощи водителю), поддерживает фотореалистичное изображение, приведенное на рис. 8.
Несмотря на эти преимущества, данный симулятор обладает недостатками, аналогичными AVSandbox, - отсутствием подробной документации в открытом доступе, производитель, базируется в США.
Ansys Autonomous Vehicle Simulation. Программное обеспечение предоставляет комплексное решение, специально разработанное для поддержки разработки, тестирования и проверки технологий безопасного автоматического вождения. Это решение для моделирования автономного транспортного средства позволяет экономить значительное время и затраты по сравнению с традиционными методами разработки и тестирования, позволяя тестировать конструкции привода на виртуальном транспортном средстве в реальной среде с помощью си-мулятора вождения по вашему выбору. Симулятор ANSYS [24] являет-
Рис. 8: Внешний вид симулятора COGNATA
ся многофункциональным программным продуктом, по функционалу удовлетворяет большинству представленных требований. Однако основным недостатком является недоступность ПО на территории РФ.
MORAI. Симулятор MORAI [25] позволяет строить цифровые двойники окружающей среды, обладает реалистичной моделью как самих транспортных средств, так и датчиков. Помимо этого отмечена сертификация ПО согласно стандарту ISO 26262 - международному стандарту по функциональной безопасности дорожных транспортных средств. Основным недостатком является недоступность ПО на территории РФ (рис. 8).
Рис. 8. Внешний вид симулятора MORAI
Проведение анализа соответствия возможностей рассмотренных симуляторов к предъявляемым требованиям производится методом TOPSIS, использование которого обосновано в работе [7]. Он относится к методам многокритериального анализа (MCDA).
Метод TOPSIS основывается на пяти этапах вычислений. На первом этапе обрабатывается эффективность выбранных вариантов по требованиям. Полученные характеристики должны быть нормализованы на втором этапе. Нормализованные показатели сравниваются с наилучшим результатом. Далее рассчитывается приближенность каждого показателя варианта с идеальным и антиидеальным показателем. И, наконец, определяется относительный коэффициент приближенности для каждого варианта симулятора [7].
Исходными данными для выбора симулятора методом TOPSIS является матрица решений (табл. 1), включающая в себя оценки альтернатив (па) по критериям (кг), а также веса критериев (^г).
Таблица 1
Матрица решений
Альтернативы Критерии
ki k2 k3 kt
Вес критерия
w1 w2 w3 Wi
«i x11 x12 x13 x3i
П2 x21 x22 x23 x2i
«а Ха1 ха2 ха3 xai
Примем за альтернативы в нашем случае варианты рассмотренных симуляторов, а критериями будут требования к ним.
Для упрощения каждому из рассмотренных симулятора присвоим следующее обозначения:
- SVL simulator - «А1»;
- CARLA simulator - «А2»;
- Simcenter Prescan - «А3»;
- AutonoVi-Sim - «А4»;
- VISTA Driving Simulator - «А5»;
- Gazebo simulator - «А6»;
- Flow simulator - «А7»;
- AVSandbox - «А8»;
- COGNATA - «А9»;
- Ansys Autonomous Vehicle Simulation - «А10»;
- MORAI - «А11»;
Для упрощения проведения анализа введем обозначение для каждого требования:
- гибкость задания моделей беспилотных автомобилей - «Б 1»;
- наличие большого числа моделей датчиков системы сенсорики беспилотного автомобиля, а также гибкость настройки их параметров - «Б2»;
- возможность динамического управления дополнительными объектами на карте местности (другие автомобили, люди, и т.д.) - «Б3»;
- возможность симуляции различных погодных условий, включая изменение условий освещения, туман, дождь, снег, - «Б4»;
- возможность гибкого создания карт местности, в том числе с использованием функциональной генерации - «Б5»;
- возможность генерации фотореалистичных изображений, передаваемых на виртуальный датчик камеры, «Б6».
- наличие программного интерфейса (API) для возможности интеграции результатов симуляции с системой управления карьерным самосвалом (SIL, software-in-the-loop) - «Б7»;
- поддержка и развитие программного обеспечения со стороны разработчиков - «Б8»;
- использование возможностей современного оборудования (процессоров, видеокарт) - «Б9»;
- наличие свободной лицензии для возможности модификации симулятора с целью модификации программного обеспечения - «Б10»;
- для платного программного продукта необходима доступность его на территории Российской Федерации - «Б 11».
Составим сводную матрицу решений (табл. 2) с принятыми весами критериев и поставим экспертные оценки.
Таблица 2
Сводная матрица решений
Критерии оценки
Альтернативы Б1 Б2 Б3 Б4 Б5 Б6 Б7 Б8 Б9 Б10 Б11
Вес критерия wi
0,9 0,9 0,6 0,6 0,8 0,8 0,7 0,6 0,8 0,5 0,9
А1 5 6 7 5 4 4 1 6 5 5 6
А2 7 7 6 6 8 8 6 7 6 8 8
A3 6 5 4 6 8 6 4 7 4 6 6
A4 5 6 5 5 7 1 1 3 5 4 3
А5 6 6 5 4 5 7 2 6 4 6 3
А6 4 5 5 4 1 1 3 5 4 5
А7 7 8 3 6 7 2 2 4 4 4 4
А8 1 6 4 6 2 3 4 4 4 4 5
А9 1 5 4 5 7 6 2 3 3 3 2
А10 4 3 1 5 7 5 5 1 1 1 1
А11 5 4 1 5 1 4 5 1 1 1 1
Вес показателя соответствия определялся по оценочной шкале от 1 до 9 при тестировании демонстрационной версии каждого программного продукта и имеет, с большей долей вероятности, субъективный характер.
Для сравнения разных оценок альтернатив выполняется метод идеальной нормализации.
На этапе нормализации по выражению (1) происходит деление оценок на наибольшую в каждом столбце:
rai = XaJUat (1)
где Uai = max(xai) для a = 1,..., n.
Рассчитанные значения rai сведем в табл. 4.
На третьем этапе рассчитываются весовые коэффициенты по выражению (2) путем умножения rai на их соответствующие веса wl:
Vi = rai ' Wi , (2)
Весовые коэффициенты используются для сравнения каждого показателя с наибольшим и наименьшим коэффициентом. Для этого составляем табл. 5.
Таблица 3
Рассчитанные значения rai при идеальной нормализации
Альт. Б1 Б2 Б3 Б4 Б5 Б6 Б7 Б8 Б9 Б10 Б11
А1 0,71 0,75 1,00 0,83 0,50 0,50 0,17 0,86 0,83 0,63 0,75
А2 1,00 0,88 0,86 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
A3 0,86 0,63 0,57 1,00 1,00 0,75 0,67 1,00 0,67 0,75 0,75
A4 0,71 0,75 0,71 0,83 0,88 0,13 0,17 0,43 0,83 0,50 0,38
А5 0,86 0,75 0,71 0,67 0,63 0,88 0,33 0,86 0,67 0,75 0,38
А6 0,57 0,63 0,43 0,83 0,50 0,13 0,17 0,43 0,83 0,50 0,63
А7 1,00 1,00 0,43 1,00 0,88 0,25 0,33 0,57 0,67 0,50 0,50
А8 0,14 0,75 0,57 1,00 0,25 0,38 0,67 0,57 0,67 0,50 0,63
А9 0,14 0,63 0,57 0,83 0,88 0,75 0,33 0,43 0,50 0,38 0,25
А10 0,57 0,38 0,14 0,83 0,88 0,63 0,83 0,14 0,17 0,13 0,13
А11 0,71 0,50 0,14 0,83 0,13 0,50 0,83 0,14 0,17 0,13 0,13
Таблица 4
Весовая нормализованная матрица решений
Альт. Б1 Б2 Б3 Б4 Б5 Б6 Б7 Б8 Б9 Б10 Б11
А1 0,64 0,68 0,60 0,50 0,40 0,40 0,12 0,51 0,67 0,31 0,68
А2 0,90 0,79 0,51 0,60 0,80 0,80 0,70 0,60 0,80 0,50 0,90
А3 0,77 0,56 0,34 0,60 0,80 0,60 0,47 0,60 0,53 0,38 0,68
А4 0,64 0,68 0,43 0,50 0,70 0,10 0,12 0,26 0,67 0,25 0,34
А5 0,77 0,68 0,43 0,40 0,50 0,70 0,23 0,51 0,53 0,38 0,34
А6 0,51 0,56 0,26 0,50 0,40 0,10 0,12 0,26 0,67 0,25 0,56
Окончание табл. 4
Альт. Б1 Б2 Б3 Б4 Б5 Б6 Б7 Б8 Б9 Б10 Б11
А7 0,90 0,90 0,26 0,60 0,70 0,20 0,23 0,34 0,53 0,25 0,45
А8 0,13 0,68 0,34 0,60 0,20 0,30 0,47 0,34 0,53 0,25 0,56
А9 0,13 0,56 0,34 0,50 0,70 0,60 0,23 0,26 0,40 0,19 0,23
А10 0,51 0,34 0,09 0,50 0,70 0,50 0,58 0,09 0,13 0,06 0,11
А11 0,64 0,45 0,09 0,50 0,10 0,40 0,58 0,09 0,13 0,06 0,11
Таблица 5
Матрица наибольших и наименьших коэффициентов
Б1 Б2 Б3 Б4 Б5 Б6 Б7 Б8 Б9 Б10 Б11
0,90 0,90 0,60 0,60 0,80 0,80 0,70 0,60 0,80 0,50 0,90
Ч 0,13 0,34 0,09 0,40 0,10 0,10 0,12 0,09 0,13 0,06 0,11
Вычисляется приближенность каждого показателя табл. 5 к наибольшему и наименьшему коэффициенту по выражениям:
(Ч -)2, где а = (3)
> где а = 1,-,т. (4)
Вычисленные данные сводятся в табл. 6.
Расчет относительного коэффициента приближенности каждого варианта к наибольшему коэффициенту, Производится по выражению:
Са • (5)
Относительные коэффициенты приближенности записываются в таблицу приближенности показателей (табл. 6).
Таблица 6
Приближенность показателей
А1 А2 А3 А4 А5 А6 А7 А8 А9 А10 А11
К 0,948 0,141 0,654 1,229 0,930 1,301 1,052 1,300 1,372 1,541 1,651
d-ä 1,296 1,965 1,507 1,125 1,292 0,938 1,319 0,925 0,938 0,947 0,771
Ca 0,578 0,933 0,697 0,478 0,582 0,419 0,556 0,416 0,406 0,381 0,318
По итогам анализа результатов, представленных в табл. 5, наиболее полно удовлетворяет требованиям к симуляторам для создания беспилотных карьерных самосвалов вариант «А2» - CARLA simulator.
Заключение
Для обоснования выбора симулятора, необходимого при проведении научных исследований в области разработок систем управления беспилотным карьерным самосвалом, были сформулированы требования к симулятору и выделены одиннадцать вариантов существующих и доступных симуляторов. Основываясь на сформулированных требованиях и вариантах симулятора проведен анализ методом TOPSIS. На основании полученных результатов из существующих симуляторов был определен CARLA simulator, который будет являться основой для проведения научных исследований в области разработки системы управления карьерным самосвалом. Стоит отметить, что в CARLA simulator существует возможность создания карты местности, симулирующей условия работы карьерного самосвала на горнодобывающем предприятии.
Дальнейшим направлением исследований является применение CARLA simulator для решения задач по разработке системы управления беспилотным карьерным самосвалом, в том числе исследования влияния количества и мест установки датчиков на область обзора вокруг беспилотного карьерного самосвала и подготовку данных для обучения нейронных сетей и подсистемы восприятия окружающей обстановки беспилотного карьерного самосвала.
Библиографический список
1. Дубинкин Д.М., Аксенов В.В., Пашков Д.А. Тенденции развития беспилотных карьерных самосвалов // Уголь. - 2023. -№ 6 (1168). - С. 72-79. DOI: 10.18796/0041-5790-2023-6-72-79
2. Концепция управления беспилотными транспортными средствами в условиях открытых горных работ / И.В. Чичерин, Б.А. Федо-сенков, И.С. Сыркин [и др.] // Известия высших учебных заведений. Горный журнал. - 2020. - № 8. - С. 109-120. DOI: 10.21440/0536-10282020-8-109-120
3. Чичерин И.В., Федосенков Б.А. Формирование сигналов текущих траекторий в автоматизированной системе модального управления движением беспилотных транспортных средств в условиях открытых горных работ // Вестник Астрахан. гос. техн. ун-та. Сер.: Управление, вычислительная техника и информатика. - 2021. - № 4. - С. 35-44. DOI: 10.24143/2072-9502-2021 -4-35-44
4. Shadrin S.S., Ivanov A.M., Varlamov O.O. Experimental autonomous road vehicle with logical artificial intelligence // Journal of Advanced Transportation. - 2017. - Vol. 2017. - P. 2492765. DOI: 10.1155/2017/2492765
5. Increasing the technical level of mining haul trucks / Yu. Voronov,
A. Voronov, S. Grishin, A. Bujankin // E3S Web of Conferences: the Second International Innovative Mining Symposium, Kemerovo, 20-22 November 2017. - Kemerovo: EDP Sciences, 2017. - Vol. 21. DOI: 10.1051/e3sconf/20172103015
6. Best open-source autonomous driving datasets. - 2023 - URL: https://medium.com/analytics-vidhya/15-best-open-source-autonomous-drivi-ng-datasets-34324676c8d7
7. Folkers A., Rick M., Buskens C. Controlling an autonomous vehicle with deep reinforcement learning // 2019 IEEE Intelligent Vehicles Symposium (IV). - IEEE, 06.2019. DOI: 10.1109/ivs.2019.8814124
8. Application of Reinforcement Learning for Control of Autonomous Vehicles / I. Basu [et al.] // 2022 Interdisciplinary Research in Technology and Management (IRTM). - 2022. - P. 1-3. DOI: 10.1109/IRTM54583.2022.9791531
9. Zhao J., Qu T., Xu F. A deep reinforcement learning approach for autonomous highway driving // IFAC-PapersOnLine. - 2020. - Vol. 53, no. 5. - P. 542-546. - URL: https://www.sciencedirect.com/science/article/ pii/S240589632100272X; 3rd IFAC Workshop on Cyber-Physical & Human Systems CPHS 2020. DOI: 10.1016/j.ifacol.2021.04.142
10. DQN-based reinforcement learning for vehicle control of autonomous vehicles interacting with pedestrians / B. Ben Elallid [et al.]. -2022. - No. 11.
11. Measures, performance assessment, and enhancement of TFDs /
B. Boashash, N. Khan, S. Touati [et al.] // Time-Frequency Signal Analysis and Processing: A Comprehensive Reference, 2015. - P. 387-452. DOI: 10.1016/B978-0-12-398499-9.00007-8
12. Садовец В.Ю. Ананьев К.А., Пашков Д.А. Выбор метода оценки крепевозводящего модуля геохода // Природные и интеллектуальные ресурсы Сибири. Сибресурс 2014: материалы XV Междунар. науч.-практ. конф., Кемерово, 06-07 ноября 2014 г. - Кемерово: Изд-во Кузбас. гос. техн. ун-та им. Т.Ф. Горбачева, 2014. - С. 62.
13. Проектирование систем управления / Г.К. Гудвин, С.Ф. Гре-бе, М.Э. Сальгадо / пер. с англ. А.М. Епанешникова. - М.: БИНОМ. Лаборатория знаний, 2004. - 911 с.
14. CARLA: An open urban driving simulator / A. Dosovitskiy [et al.] // Proceedings of the 1st Annual Conference on Robot Learning. -2017. - P. 1-16.
15. Simcenter Prescan software. - 2023. - URL: https://plm.sw.siem-ens.com/en-US/simcenter/autonomous-vehicle-solutions/prescan/ (accessed 10 October 2023).
16. AutonoVi-Sim: autonomous vehicle simulation platform with weather, sensing, and traffic control / A. Best [et al.] // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). - 2018. - P. 1161-11618. DOI: 10.1109/CVPRW.2018.00152
17. Learning interactive driving policies via data-driven simulation / T.-H. Wang [et al.] // 2022 International Conference on Robotics and Automation (ICRA). - IEEE. 2022.
18. Koenig N., Howard A. Design and use paradigms for Gazebo, an open-source multirobot simulator // 2004 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) (IEEE Cat. No.04CH37566). -2004. - Vol. 3. - P. 2149-2154. DOI: 10.1109/IR0S.2004.1389727
19. Flow: Architecture and benchmarking for reinforcement learning in traffic control / C. Wu [et al.] // CoRR. - 2017. - Vol. abs/1710.05465. -arXiv: 1710.05465. - URL: http://arxiv.org/abs/1710.05465
20. AVSanbox. - 2023. - URL: https://www.avsandbox.com/ (accessed 10 October 2023).
21. Cognata. - 2023. - URL: https://www.cognata.com/ (accessed 10 October 2023).
22. Ansys Autonomous Vehicle Simulation. - 2023. - URL: https://www.ansys.com/products/av-simulation (accessed 10 October 2023).
23. Morai, Simulation Platform for Everything. - 2023. - URL: https://www.morai.ai/ (accessed 10 October 2023).
24. Model of an automated educational and methodological complex based on a semantic network / G. Alkhanova [et al.] // Journal of Theoretical and Applied Information Technology. - 2021. - Vol. 99, No. 24. -P. 5713-5723. - URL: www.scopus.com
25. VISTA simulator. API documentation. - 2023. - URL: https://vista. csail.mit.edu/api_documentation/index.html (accessed 10 October 2023).
References
1. Dubinkin D.M., Aksenov V.V., Pashkov D.A. Tendentsii razvitiia bespilotnykh kar'ernykh samosvalov [Trends in the development of un-
H. C. CbipKUH, ff.M. ffy6unuH, B.W. Садоeец
manned mining dump trucks]. Ugol', 2023, no. 6 (1168), pp. 72-79. DOI: 10.18796/0041 -5790-2023-6-72-79
2. Chicherin I.V., Fedosenkov B.A., Syrkin I.S. et al. Kontseptsiia upravleniia bespilotnymi transportnymi sredstvami v usloviiakh otkrytykh gornykh rabot [The concept of driving unmanned vehicles in open-pit mining]. Izvestiia vysshikh uchebnykh zavedenii. Gornyi zhurnal, 2020, no. 8, pp. 109-120. DOI: 10.21440/0536-1028-2020-8-109-120
3. Chicherin I.V., Fedosenkov B.A. Formirovanie signalov tekushchikh traektorii v avtomatizirovannoi sisteme modal'nogo upravleniia dvizheniem bespilotnykh transportnykh sredstv v usloviiakh otkrytykh gornykh rabot [Generation of signals of current trajectories in an automated modal motion control system for unmanned vehicles in open-pit mining]. Vestnik Astrakhanskogo gosudarstvennogo tekhnicheskogo universiteta. Upravlenie, vychislitel'naia tekhnika i informatika, 2021, no. 4, pp. 35-44. DOI: 10.24143/2072-9502-2021 -4-35-44
4. Shadrin S.S., Ivanov A.M., Varlamov O.O. Experimental autonomous road vehicle with logical artificial intelligence. Journal of Advanced Transportation, 2017, vol. 2017, 2492765 p. DOI: 10.1155/2017/2492765
5. Increasing the technical level of mining haul trucks / Yu. Voronov, A. Voronov, S. Grishin, A. Bujankin. E3S Web of Conferences: the Second International Innovative Mining Symposium, Kemerovo, 20-22 November 2017. Kemerovo: EDP Sciences, 2017, vol. 21. DOI: 10.1051/e3sconf/20172103015
6. Best open-source autonomous driving datasets, 2023, available at: https://medium.com/analytics-vidhya/15-best-open-source-autonomous-driving-datasets-34324676c8d7
7. Folkers A., Rick M., Buskens C. Controlling an autonomous vehicle with deep reinforcement learning. 2019 IEEE Intelligent Vehicles Symposium (IV). IEEE, 06.2019. DOI: 10.1109/ivs.2019.8814124
8. Basu I. et al. Application of Reinforcement Learning for Control of Autonomous Vehicles. 2022 Interdisciplinary Research in Technology and Management (IRTM), 2022, pp. 1-3. DOI: 10.1109/IRTM54583.2022.9791531
9. Zhao J., Qu T., Xu F. A deep reinforcement learning approach for autonomous highway driving. IFAC-PapersOnLine, 2020, vol. 53, no. 5, pp. 542-546, available at: https://www.sciencedirect.com/science/article/pii/ S240589632100272X; 3rd IFAC Workshop on Cyber-Physical & Human Systems CPHS 2020. DOI: 10.1016/j.ifacol.2021.04.142
10. Elallid Ben B. et al. DQN-based reinforcement learning for vehicle control of autonomous vehicles interacting with pedestrians, 2022, no. 11.
11. Boashash B., Khan N., Touati S. et al. Measures, performance assessment, and enhancement of TFDs. Time-Frequency Signal Analysis and Processing: A Comprehensive Reference, 2015, pp. 387-452. DOI: 10.1016/B978-0-12-398499-9.00007-8
12. Sadovets V.Iu. Anan'ev K.A., Pashkov D.A. Vybor metoda otsenki krepevozvodiashchego modulia geokhoda [Choosing a method for evaluating the geohod mounting module]. Prirodnye i intellektual'nye resursy Sibiri. Sibresurs 2014. Materialy XV Mezhdunarodnoi nauchno-prakticheskoi konferentsii, Kemerovo, 06-07 November 2014. Kemerovo: Kuzbasskii gosudarstvennyi tekhnicheskii universitet imeni T.F. Gorbacheva, 2014, 62 p.
13. Gudvin G.K., Grebe S.F., Sal'gado M.E. Proektirovanie sistem upravleniia [Design of control systems]. Moscow: BINOM. Laboratoriia znanii, 2004, 911 p.
14. Dosovitskiy A. et al. CARLA: An open urban driving simulator. Proceedings of the 1st Annual Conference on Robot Learning,
2017, pp. 1-16.
15. Simcenter Prescan software, 2023, available at: https://plm.sw.siem-ens.com/en-US/simcenter/autonomous-vehicle-solutions/prescan/ (accessed 10 October 2023).
16. Best A. et al. AutonoVi-Sim: autonomous vehicle simulation platform with weather, sensing, and traffic control. 2018IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW),
2018, pp. 1161-11618. DOI: 10.1109/CVPRW.2018.00152
17. Wang T.-H. et al. Learning interactive driving policies via data-driven simulation. 2022 International Conference on Robotics and Automation (ICRA). IEEE, 2022.
18. Koenig N., Howard A. Design and use paradigms for Gazebo, an open-source multirobot simulator. 2004IEEE/RSJInternational Conference on Intelligent Robots and Systems (IROS) (IEEE Cat. No.04CH37566), 2004, vol. 3, pp. 2149-2154. DOI: 10.1109/IROS.2004.1389727
19. Wu C. et al. Flow: Architecture and benchmarking for reinforcement learning in traffic control. CoRR, 2017, vol. abs/1710.05465, arXiv: 1710.05465, available at: http://arxiv.org/abs/1710.05465
20. AVSanbox, 2023, available at: https://www.avsandbox.com/ (accessed 10 October 2023).
21. Cognata, 2023, available at: https://www.cognata.com/ (accessed 10 October 2023).
22. Ansys Autonomous Vehicle Simulation. - 2023, available at: https://www.ansys.com/products/av-simulation (accessed 10 October 2023).
23. Morai, Simulation Platform for Everything, 2023, available at: https://www.morai.ai/ (accessed 10 October 2023).
24. Alkhanova G. et al. Model of an automated educational and methodological complex based on a semantic network. Journal of Theoretical and Applied Information Technology, 2021, vol. 99, no. 24, pp. 57135723. - URL: www.scopus.com
25. VISTA simulator. API documentation. - 2023, available at: https://vista.csail.mit.edu/api_documentation/index.html (accessed 10 October 2023).
Сведения об авторах
Сыркин Илья Сергеевич (Кемерово, Российская Федерация) -кандидат технических наук, доцент кафедры информационных и автоматизированных производственных систем Кузбасского государственного технического университета имени Т.Ф. Горбачева (650000, Кемерово, ул. Весенняя, 28, e-mail: syrkin@kuzstu.ru).
Дубинкин Дмитрий Михайлович (Кемерово, Российская Федерация) - кандидат технических наук, доцент, доцент кафедры «Горные машины и комплексы» Кузбасского государственного технического университета им Т.Ф. Горбачева (650000, Кемерово, ул. Весенняя, 28, e-mail: ddm.tm@kuzstu.ru).
Садовец Владимир Юрьевич (Кемерово, Российская Федерация) - кандидат технических наук, доцент, доцент кафедры «Информационные и автоматизированные производственные системы» Кузбасского государственного технического университета им. Т.Ф. Горбачева (650000, Кемерово, ул. Весенняя, 28, e-mail: svyu.pmh@kuzstu.ru).
About the authors
Ilya S. Syrkin (Kemerovo, Russian Federation) - Ph. D. in Technical Sciences, Associate Professor Department of Information and Automated Production Systems Kuzbass State Technical University named after T.F. Gorbachev (650000, Kemerovo, 28, Vesennaya str., e-mail: syrkin@kuzstu.ru).
Dmitry M. Dubinkin (Kemerovo, Russian Federation) - Ph. D. in Technical Sciences, Associate Professor, Associate Professor of the Department of Mining Machines and Complexes Kuzbass State Technical
University named after T.F. Gorbachev (650,000, Kemerovo, 28, Vesennaya str., e-mail: ddm.tm@kuzstu.ru).
Vladimir Yu. Sadovets (Kemerovo, Russian Federation) - Ph. D. in Technical Sciences, Associate Professor Department of Information and Automated Production Systems Kuzbass State Technical University named after T.F. Gorbachev (650000, Kemerovo, 28, Vesennaya str., e-mail: svyu.pmh@kuzstu.ru).
Поступила: 23.10.2023. Одобрена: 01.12.2023. Принята к публикации: 10.12.2023.
Финансирование. Работа выполнена при финансовой поддержке Министерства науки и высшего образования РФ по соглашению от 30.09.2022 № 075-15-20221198 с ФГБОУ ВО «Кузбасский государственный технический университет имени Т.Ф. Горбачева» в рамках Комплексной научно-технической программы полного инновационного цикла «Разработка и внедрение комплекса технологий в областях разведки и добычи твердых полезных ископаемых, обеспечения промышленной безопасности, биоремедиации, создания новых продуктов глубокой переработки из угольного сырья при последовательном снижении экологической нагрузки на окружающую среду и рисков для жизни населения» (КНТП «Чистый уголь - Зеленый Кузбасс») в рамках реализации мероприятия «Разработка и создание беспилотного карьерного самосвала челночного типа грузоподъемностью 220 т» в части выполнения научно-исследовательских и опытно-конструкторских работ.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов по отношению к статье.
Вклад авторов. Все авторы сделали эквивалентный вклад в подготовку статьи.
Просьба ссылаться на эту статью в русскоязычных источниках следующим образом:
Сыркин, И.С. Обоснование выбора симулятора для исследования автономного управления беспилотного карьерного самосвала / И.С. Сыркин, Д.М. Дубинкин, В.Ю. Садовец // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. - 2023. - № 48. - С. 72-97. DOI: 10.15593/2224-9397/2023.4.04
Please cite this article in English as:
Syrkin I.S., Dubinkin D.M., Sadovets V.Yu. Justification of the choice of simulator for research of autonomous control of unmanned dump truck. Perm National Research Polytechnic University Bulletin. Electrotechnics, information technologies, control systems, 2023, no. 48, pp. 72-97. DOI: 10.15593/2224-9397/2023.4.04
