CC BY
15Перспективы развития беспилотных наземных транспортных средств
В.А. Жмудь 1 2 3
1 АО «Новосибирский институт программных систем», Россия 2 Институт лазерной физики СО РАН, Россия 3 Алтае-Саянский филиал Федерального государственного бюджетного учреждения науки
Геофизической службы РАН
Аннотация: Множество проектов развития беспилотных транспортных средств регулярно выставляется в качестве потенциальных тем научных исследований аспирантов. К сожалению, в ситуации, когда во всем мире усиленными темпами осуществляется развитие этой тематики, инициатива отдельного исследователя хотя и весьма похвальна, но все-таки не может обещать больших достижений без существенной финансовой поддержки и без опоры на современный научно-исследовательский коллектив, обеспеченный необходимой инфраструктурой, материально-технической базой и соответствующим руководством. Данная статья анализирует современное состояние проблемы.
Ключевые слова: управление, робототехника, беспилотные транспортные средства, дроны, автоматика
Введение
В публикациях по управлению беспилотными транспортными средствами (БТС) прослеживаются противоположные концепции. В данной статье сделана попытка анализа проблемы с позиции возможности и эффективности реализации различных концепций управления БТС.
Первая концепция
Первая концепция состоит в использовании единой программы для обработки сигналов от всех датчиков и для управления всеми приводами. Примером такого технического решения служит направление, которое, по-видимому, реализует корпорация Intel. В публикациях говорится о том, что критическое время отклика составляет 140 мс, если время отклика будет больше, это угрожает безопасности пассажиров и других участников движения. Указанные характеристики видятся недостаточно обоснованными, поскольку, во-первых, едва ли можно всерьез говорить о скорости реакции среднего водителя автомобиля на уровне 0,14 с, во-вторых, время реакции исполнительных устройств автомобиля заведомо намного выше. Тем не менее, следует согласится, что запаздывание в системе автоматического регулирования всегда является крайне нежелательным явлением, с ним следует бороться, чем оно меньше, тем надежнее управление при прочих равных условиях. Технические средства электроники позволяют осуществлять реакцию управляющих контроллеров на изменения сигналов датчиков, как минимум, в тысячи раз быстрее. Для механических исполнительных устройств такое быстродействие чрезмерно.
Вторая концепция
Вторая концепция состоит в использовании нейронных вычислительных средств. Нейронные компьютеры предположительно являются не просто многоядерными (многопроцессорными) компьютерами, а такими вычислительными средствами, в которых каждое ядро идентично всем остальным ядрам, исключается понятие «ведущий» и «ведомый», вместо него можно использовать понятие временных постановщиков задачи и временных исполнителя задачи, обращая внимание на тот факт, что функции постановщика и исполнителя никак аппаратно не зафиксированы, все зависит лишь от истории решения данной конкретной задачи. Отдельные решающие устройства названы нейронами, все они равноправны изначально, тот из нейронов, который получает задачу извне, ищет два (или больше) свободных соседних нейрона, и раздает им части целой задачи, а после выполнения всех частей он собирает ее в окончательное решение. При этом нейрон не знает, является ли полученная им задача частью большей задачи, или это отдельная (самостоятельная) задача. В этом смысле каждый из нейронов, получивших подзадачу, действует точно также, то есть трактует ее как целую задачу и при наличии свободных соседей перераспределяет между ними ее часть, а при отсутствии таковых решает всю задачу самостоятельно. Эта идеология долгое время оставалась лишь теоретической, моделирование работы такой вычислительной системы осуществлялось на обычной вычислительной машине. Со временем стали появляться аппаратные решения для создания таких вычислительных машин, что привело к существенному прогрессу вычислительной
техники. Специально созданные вычислительные средства - микропроцессоры, специально предназначенные для объединения в нейронные сети (в некоторых случаях называемые транспьютерами, но, по-видимому, полного тождества между этими терминами нет) позволяют в действительности извлечь наконец-то пользу из этого подхода, уже не в теории, а на практике. Сложность состоит в том, что в настоящее время такие системы не получили еще достаточно широкого применения, можно сказать, что имеется «зоопарк» отдельных решений от отдельных фирм, эти технические средства не стандартизованы. Для их стыковки нет простого стандартного решения, они развиваются конкурентно и изолировано друг от друга на различных фирмах. Это определяет их высокую цену, недоступность для использования как средство для решения других задач.
ТРЕТЬЯ КОНЦЕПЦИЯ
Практически не встречается третья концепция, которая могла бы состоять в создании сети далеко не нейронной, сети с жестко закрепленными задачами и приоритетами, некоторого вычислительного дерева, которое решало бы поставленные задачи от частного к общему и от общего к частному.
Поясним нашу мысль. Если требуется интеллектуальное решение какой-либо актуальной задачи, мы берем те технические средства, которые в наибольшей степени подходят для этого, но при этом обращаем внимание и на цену этих средств, на их доступность, на возможность приобретения их за доступную цену. Если требуемых вычислительных средств не имеется, или они недоступны, то для решения поставленной задачи требуется также и разработка этих средств. Время и деньги, которые разработчик мог потратить только на решение поставленной задачи, он вынужден тратить и на разработку необходимых комплектующих изделий для решения этой задачи. При разработке интеллектуальной техники (в данном случае -беспилотного наземного транспортного средства, БНТС) требуется еще и разработка собственно вычислительного средства, в данном случае нейрокомпьютера. При такой постановке задачи вместо выбора наилучшего для данной задачи нейрокомпьютера мы приходим к задаче разработки технического задания на создание такого нейрокомпьютера, который бы удовлетворял требованиям, которые к нему предъявляются.
Этот подход порочен принципиально.
Аналогия
Рассмотрим аналогию. Если для разработки автомобилей требуется разработка автомобильного двигателя, то, безусловно, прогресс в деле
производства двигателей будет частично определять и прогресс в производстве автомобилей. Но для развития промышленности, занятой производством двигателей, требуется растущий рынок сбыта. Безусловно, здесь прогресс может и должен происходить во взаимосвязи, поскольку без хороших двигателей не будет хороших автомобилей, а без технического решения по созданию хороших автомобилей не появится и требуемых хороших двигателей просто потому, что для них нет рынка сбыта, то есть эти работы не получат достаточного финансирования. По-видимому, в постановке задачи разработки нейрокомпьютера для БНТС присутствует идентичное видение. Но вспомним, как развивалась вычислительная техника. Победителем в борьбе за рынок сбыта стали не те фирмы, которые ориентировались на имеющийся спрос, а те, которые начали создавать предложение, опережающее спрос на несколько порядков. Во все времена развития вычислительной техники пользователям предлагалась техника, превышающая фактические потребности этих потенциальных пользователей, и пока они осваивали эти предоставляемые возможности, разработчики создавали все более и более эффективные вычислительные средства и приучали рынок к необходимости отказа от устаревших моделей и приобретения новых. Аналогично развивался рынок телефонов, планшетов, аналогично же развивалась сеть интернет в целом и социальные сети, и иные интернет-услуги, в частности. Следовательно, точно также будут развиваться и уже развиваются нейрокомпьютеры. Они не ориентированы на ограниченную по возможностям задачу, их разработчики ориентированы на получение таких производительных характеристик, какие только возможно, при этом быстрей, чем конкуренты. Поэтому нецелесообразно ставить ограниченные рамки разработчикам этих видов техники. Следует поступать иначе: начинать использование в первых БНТС тех вычислительных средств, которые уже сегодня доступны для таких экспериментов (если они доступны). По мере их использования непременно будут возрастать потребности в их возможностях - по увеличению количества задач, быстродействия, надежности и так далее. Безосновательно было бы полагать, что для развития нейрокомпьютеров требуется какое-то конкретное техническое задание на их быстродействие, надежность, количество параллельных процессов и так далее. Для развития нейрокомпьютеров требуется только одно, а именно - их развитие. Если ко времени, когда мы сможем просто взять нейрокомпьютер и установить его на БНТС в качестве «мозга», этот мозг будет обладать несколько избыточными вычислительными возможностями, это не будет проблемой - задачи для него
найдутся немедленно. Если же он будет обладать «недостаточными» возможностями, это также не будет проблемой, поскольку часть задач можно будет перепоручить другому вычислительному устройству, как вариант это может быть не один, а два более примитивных нейрокомпьютера.
Таким образом, нет такой ситуации, что производитель еще не может приступать к разработке БНТС по той причине, что еще не имеется требуемого нейрокомпьютера, как и нет такой проблемы, что разработчики нейрокомпьютера не могут приступать к его разработке, поскольку нет еще технических требований для него. Совершенствование нейрокомпьютеров может происходить самостоятельно, совершенствование БНТС также может идти своей дорогой, и на любом этапе централизованная система может быть заменена на нейрокомпьютер, как только таковой появится и будет доступен для этих целей. При отсутствии в широком доступе нейрокомпьютеров целесообразно обсудить возможность реализации третьей концепции, о которой сказано выше.
Суть третьей концепции
Суть третьей концепции состоит в том, что имеется раз и навсегда выделенный центральный вычислительный элемент, который решает главную задачу управления БНТС. Он связан (жестко в функциональном смысле) с некими подчиненными вычислительными средствами, которые решают вспомогательные задачи. Этих средств может быть ровно столько, сколько имеется подзадач, либо их больше с целью повышения надёжности. Центральный вычислительный элемент также может быть дублирован, причем, при необходимости даже многократно.
Приведем пример. Предлагаем нашему читателю на некоторое время поставить карандаш вертикально перед своей переносицей на расстоянии 20-30 см. Безусловно, карандаш послужит препятствием для распространения света, каждый глаз нашего читателя не сможет рассмотреть часть предметов или их детали, находящиеся на линии, проходящей от этого глаза через середину карандаша. Но тем не менее, читатель увидит все, что находится за карандашом, поскольку та часть сцены, которая закрыта для левого глаза, оказывается открытой для правого глаза и наоборот. Человеческий мозг восстанавливает полную картину, беря недостающие фрагменты из других источников информации. Такое препятствие, как карандаш, не мешает прочитать текст на экране компьютера полностью, если он находится примерно на половине расстояния между нашими глазами и экраном.
Аналогичное правило может и должно действовать в любой вычислительной системе, управление которой в случае ошибки может нанести вред здоровью или жизни людей и (или) ущерб дорогостоящему имуществу. Следовательно, для обеспечения надежности управления требуется дублирование и алгоритм совмещения результатов дублированных вычислений таким образом, чтобы никакая ошибка не приводила к фатальным последствиям.
При таком подходе никакой сверхнадежный компьютер сам по себе не даст достаточной надежности, поскольку он целиком может быть неисправен, например, вследствие обесточи-вания. Напротив, применение, например, трех или большего количества решающих устройств с собственными автономными источниками питания позволяет в случае, если одно из решающих устройств неисправно или дает неверную команду, игнорировать его команду и довериться другим решающим устройствам хотя бы по принципу простого большинства (двум решениям доверяем больше, чем одному).
Предположительно, система управления БНТС может строиться по принципу зафиксированной иерархии между несколькими решающими устройствами. Хотя, безусловно, при соответствующем быстродействии и производительности вычислительного устройства все эти функции могут быть, вероятно, могут быть выполнены единственным вычислительным устройством.
Рассмотрим отдельные уровни этой иерархии.
Верхний уровень, первый
Питание процессора верхнего уровня должно обеспечиваться системой бесперебойного питания. Вся система должна быть такой, чтобы ей было достаточно наличия напряжения на одном из двух или более источников питания. Формируемое питание должно быть достаточно стабильным для его использования, при переключении от одного источника к другому не должно возникать скачков напряжения, превышающих заранее регламентированный уровень. В случае обесточивания любого уровня должно автоматически включаться резервное питание с минимальной задержкой, которая также должна быть регламентирована по требованиям для бесперебойной работы вычислительной системы. В случае каких-либо проблем этого процессора должна включаться программа безопасной парковки БТС, реализованная на альтернативных вычислительных средствах таким образом, чтобы вероятность одновременной неисправности этих средств и процессора верхнего уровня была ничтожной. При включении режима безопасной парковки
включаются внешние световые и звуковые индикаторы аварийного движения для предупреждения остальных участников движения.
Вероятно, можно придумать и более надежные алгоритмы аварийного поведения БТС, но на настоящем этапе обсуждения этой проблемы нам видится, что плавное торможение транспортного средства с включением сигнальных огней, оповещающих остальных участников движения о неисправности данного БТС является достаточно хорошим решением, позволяющим обеспечить наибольшую безопасность из всех возможных алгоритмов поведения неисправного БТС.
Процессор верхнего уровня анализирует исправность подчиненных процессоров (не менее трех) - контроль наличия питания, идентичность предлагаемого решения по управлению. Если идентичность в ограниченных пределах не достигнута, решение принимается на основании принципа голосования (решение большинства считается верным), при этом формируется сообщение о том, что решение одного процессора второго уровня существенно отличается от решений остальных процессоров этого уровня. В этом случае рекомендуется при первом удобном случае осуществить диагностику тракта этого процессора. Такой алгоритм предлагается на основе методов обнаружения и исправления ошибок в телемеханике, где соответствующее кодовое расстояние между разрешенными кодовыми комбинациями позволяет выявить ошибку в коде, а также исправить эту ошибку в том случае, если отличие полученного в результате ошибки кода от одного из разрешенных кодов намного меньше, чем его отличие от всех остальных разрешенных кодов.
Для неспециалистов приведем несколько упрощенную технологию. Допустим при передаче по информационному каналу передаваемое число может оказаться несколько искаженным, так, что оно может увеличиться или уменьшиться не более чем на две единицы. Тогда мы передаём по такому каналу не любое число, а только такие, которые при подобных искажениях могут быть восстановлены. Для этого исходную информацию мы перекодируем так, чтобы произвольный код преобразовывался только в какой-то разрешенный код. Например, мы могли бы принять решение передавать только целые числа, делящиеся без остатка на 5. Тогда в случае получения на приемной стороне, например, числа 22, мы бы могли принять решение о том, что было передано число 20, в случае получения числа 24, мы бы приняли решение о том, что было передано число 25, но в случае получения числа 23 мы бы не могли отдать предпочтение двум возможным вариантам, 20 или 25. Но по условиям свойства
канала таковы, что искажение передаваемого числа на три единицы невозможно. Разумеется, кодирование информации на деле осуществляется по более сложным алгоритмам, но данный пример позволяет пояснить, что имеется в виду под понятиями «кодовое расстояние» и как можно исправить ошибку, возникающую при передаче информации. Для более глубокого понимания рекомендуем обратиться к книгам по кодированию и передаче информации, да простят нас с нашим примитивным объяснением специалисты по модемам и по теории информации.
Если использовать только два решающих устройства, тогда при отличии их решений нет возможности установить, которое из двух решающих устройств ошибается. Это аналогично ситуации, например, как если бы мы передавали только четные числа, а на приемной стороне получили нечетное число, в этом случае мы не могли бы установить, которое из разрешенных чисел ближе к полученному, мы не могли бы исправить ошибку.
Эта ситуация возникает в том случае, если, например, два процессоре второго уровня рекомендуют разные действия вследствие того, например, что один вариант движения предполагает обгон, а другой вариант этот обгон не рекомендует. Требуется разработка алгоритма принятия решения в этом случае.
Близкая к этой ситуации проблема возникает в том случае, если, например, одно решающее устройство опирается на одни какие-то показатели безопасности движения, а другое -на другие показатели. Например, одно решающее устройство подсказывает, что если не затормозить немедленно, тогда наше транспортное средство врежется в другое транспортное средство, которое движется впереди. Другое решающее устройство подсказывает, что если немедленно затормозить, тогда в наше транспортное средство врежется то транспортное средство, которое движется за нами. С позиции водителя действует простое правило: следует беспокоиться только о тех участниках движения, которые впереди и сбоку, но не следует беспокоиться о тех участниках движения, которые находятся позади; их безопасное движение - это их проблема. Но общая проблема, показанная на данном примере, может быть рассмотрена и в иных аспектах. Например, вследствие ошибок управления каких-либо участников движения, может оказаться такая ситуация, что программа управления должна выбирать между двумя нежелательными вариантами, например, либо столкновение с тем, кто движется слева, либо столкновение с тем, кто движется справа. Разумеется, это очень маловероятная проблема, но при разработке программ управления следует
предусмотреть и такие коллизии, и для них также должны быть предусмотрены алгоритмы решения задачи.
Каждый из процессоров второго уровня должен наряду с рекомендацией маневра формировать показатель приоритета данной рекомендации, аналогично действию нечеткой логики, например, «настоятельно рекомендуется», или «рекомендуется», или «не рекомендуется, но возможно», или «категорически не рекомендуется», либо с численным показателем уровня рекомендации, например, от 1 до 100 баллов. В этом случае анализ всех поступивших рекомендаций по дальнейшему движению может осуществляться по законам нечеткой логики.
Иерархия остальных уровней имеет место по двум ветвям: ветвь сбора данных и ветвь управления. Рассмотрим эти ветви по отдельности.
Второй уровень сбора данных
Каждый процессор второго уровня сбора данных анализирует следующие данные:
- Поставленная цель движения;
- Данные о местонахождении ТС относительно дороги с привязкой к карте местности, получаемые от анализа всех датчиков, от геолокации, на основании имеющийся электронной карты для БПТС и всех доступных видов средств навигации (ГЛОНАСС, GPS);
- Данные о фактическом движении ТС и фактическом положении всех приводов ТС, включая выставленную скорость, углы поворота всех колес и т. п.;
- Данные о дорожных знаках, дорожной разметке;
- Данные о сигналах светофоров, регулировщиков, семафоров и других переменных обязательных команд для ТС;
- Данные о действующих в данной обстановке правилах дорожного движения с учетом приоритетов;
- Данные о всех стационарных препятствиях, обнаруженных в направлении движения;
- Данные о поверхности дороги и о ее фактическом состоянии в связи с сезонными явлениями;
- Данные о приоритетных участников движения (с проблесковыми световыми или аварийными звуковыми сигналами) и об их фактической траектории движения, а также о предположительной прогнозируемой траектории движения с учетом демонстрируемых ими световых сигналов о намерениях;
- Данные о приоритетных участников движения (на основании их приоритета вследствие их траектории и на основании правил дорожного движения) и об их фактической траектории движения, а также о предположительной прогнозируемой траектории движения с
учетом демонстрируемых ими предположительной прогнозируемой траектории движения;
- Данные о неприоритетных участниках движения и об их фактической траектории движения, а также о предположительной прогнозируемой траектории движения с учетом демонстрируемых ими сигналах о намерениях и предположительной прогнозируемой траектории движения на случай несоблюдения ими правил движения при угрозе нарушения ими этих правил с угрозой аварийной ситуации;
- Данные о положении и направлении движения подвижных участников движения, включая другие ТС, пешеходов, животных и бесконтрольно движущихся предметов (при наличии) как-то предметы, упавшие с других ТС, предметы, приведенные в движение пешеходами или стихийными силами природы;
- Данные о явлениях природы и предметах, приведенных в действия этими явлениями, включая падающие массивные ветви или стволы деревьев, фрагменты конструкции и т. п.;
- Данные о препятствиях для сбора данных (дождевые, снеговые, грязевые и т. п.),
- Данные об объектах сзади и по сторонам относительно ТС, что особенно важно для безопасной парковки,
- Данные о положении собственных элементов и частей (дверей, крышки багажника, капота, стекол, поворота зеркал, включение световой сигнализации).
На основании собранных сведений процессор второго уровня формирует команду управления в терминах приращения скорости и приращения угла поворота колес.
Третий уровень сбора данных
Процессоры третьего уровня сбора данных получают обработанные (вторичные) данные от неинтеллектуальных датчиков, данные от интеллектуальных датчиков, сведения от геоинформационных систем и от других средств восприятия действительности.
Процессоры третьего уровня осуществляют обработку получаемых данных с целью прогнозирования предполагаемого развития обстановки в ближайшие моменты времени, вплоть до времени, которое определено как минимальное время прогнозирования движения. Это время задается на основании расчетного времени движения ТС под действием сил инерции и сил всех видов приводов ТС. В частности, расчетное время торможения определяется как предположительное время до полной остановки ТС в случае резкого торможения. Расчетное время осуществления маневра (поворота, обгона, перестройки в другой ряд, парковки) также вычисляется заблаговременно. В случае, если расчет траектории ТС на все расчетное время благоприятен, формируется команда на
выполнение этого маневра. Поскольку процессоров сбора данных данного уровня, согласно данной концепции, должно быть не менее трех, для анализа предложений рекомендуется сопровождать предложение уровнем рекомендации, например, с выставлением баллов от 0 до 100, соответственно, «категорически не рекомендуется» и «категорически рекомендуется». При этом команда с уровнем баллов менее 50 не может быть единственной, она может быть лишь возможной альтернативной командой, при этом обязательно должна формироваться команда с уровнем более 50, например, «продолжать движение в данном ряду» с уровнем 75 и «совершить обгон» с уровнем 25. Более двух вариантов действий предлагать категорически не рекомендуется, при наличии такой альтернативы рекомендуется осуществлять отбраковку худшего решения на данном уровне обработки данных.
Четвертый уровень сбора
ДАННЫХ
Процессоры четвертого уровня сбора данных имеются в количестве, зависящем от количества датчиков или количества групп датчиков. Соответствующие процессоры получают сырые данные от неинтеллектуальных датчиков или данные от видеокамер или от соответствующих видов интеллектуальных датчиков, или сведения от геоинформационных систем или от других средств восприятия действительности.
Процессоры четвертого уровня осуществляют обработку получаемых данных с целью распознавания образов воспринимаемых объектов, и с целью определения их фактического положения.
Распознавание образов осуществляется по отдельности для каждого датчика (обработка потока данных от одного датчика) или путем обработки сигналов от нескольких датчиков одновременно.
В частности, например, процессор, обрабатывающий единственное изображение (кадр) от единственной видеокамеры, осуществляет кластеризацию изображения, отнесение множества пикселов к одному и тому же объекту на основании признаков цветности. Процессор, обрабатывающий видеоряд от единственной камеры, должен принимать во внимание динамику движения групп пикселов на основании скорости перемещения формируемых кластеров в кадре. На этом основании можно определять движение выделенных объектов в рамках кадра, т. е. движение «пятна» по кадру вверх, вниз, влево, вправо, или в промежуточных направлениях, например, вверх и вправо, и так далее. Вектор движения может быть определен по величине и по направлению с достаточно высокой точностью, которая зави-
сит от разрешения камеры и от правильности кластеризации (отнесения пикселов к одному и тому же объекту). По изменению угловых размеров выявленного объекта можно предварительно определить скорость его приближения.
В случае наблюдения одного и того же объекта разными камерами необходимо соотнесение изображений нескольких камер таким образом, чтобы определить принадлежность разных объектов на разных камерах к одному и тому же предмету. В этом случае можно вычислять фактическое положение каждого объекта, присутствующего, как минимум, на двух камерах, по угловому положению. Действительно, нахождение объекта в определенном телесном угле относительно одной камеры дает его возможное расположение на линии, фактическую дальность до предмета определить затруднительно, как и фактические размеры этого объекта. При нахождении объекта на экранах двух камер, можно вычислить две пересекающиеся линии, каждая из которых задается наблюдением одной камеры. Точка пересечения этих линий является точкой расположения объекта, а на основании сведений о положении объекта можно вычислить его размеры. Наличие трех или большего числа камер дает избыточность сведений, что гарантирует повышение надежности измерений (восприятия действительности). Две камеры являются минимальным набором для определения положения объекта, три или больше камеры являются набором средств с повышенной достоверностью сведений вследствие дублирования.
Наиболее надежным и достоверным средством определения предметов, принятие которых во внимание является критически важным для задачи управления БПТС, является совместное использование нескольких датчиков различного типа. Например, наряду с видеокамерой, которая фиксирует наличие объекта оптическим методом, целесообразно использовать, например, лазерный измеритель расстояния с скорости объекта относительно базы (измерителя). Эти методы аналогичны оптической локации. Также может применяться ультразвуковой метод локации (сонар), лазерный доплеровский измеритель скорости (ЛДИС) и другие средства измерений.
Важная особенность данной задачи состоит в том, что не всегда пиксели одного и того же цвета принадлежат изображению того же самого объекта, и наоборот, фрагменты изображения одного и того же объекта являются пикселами разных цветов. Кроме того, тот же самый объект в различных видеокамерах может иметь различный цвет вследствие отличия угла получения изображения, камеры могут видеть несколько различные проекции объекта, эти разные проекции могут быть по-разному освещены, и т. п.
Все эти условия формируют постановку задачи для процессоров данного уровня, поскольку рекомендуется применение датчиков реальности различного типа, следовательно, и методы обработки разных сигналов различны, следовательно также и программы обработки сигналов или групп сигналов должны быть различными. Следовательно, различными могут быть и фактические программно-аппаратные средства, обрабатывающие сигналы или группы сигналов от различных датчиков.
ПЯТЫЙ УРОВЕНЬ СБОРА ДАННЫХ
Пятый уровень сбора данных связан с управлением сигналами, необходимыми для наиболее эффективной работы датчиков или групп датчиков. Например, эти устройства формируют необходимые наборы сигналов для успешной работы лидара.
Второй уровень управления
Все процессоры управления подразделяются на основные, формирующие команды управления, и контролирующие, необходимые для обеспечения высокой надежности всей системы. Это относится и к процессорам второго уровня управления. Далее описываются только функции процессоров, формирующих команды управления.
Процессоры второго уровня управления на основании полученных ими команд для управления ТС в целом преобразует их в набор команд для отдельных исполнительных устройств:
- Команда управления скоростью двигателя в целом;
- Команда управления передачами, т. е. управление скоростью вращения каждого колеса в отдельности;
- Команда управления поворотом рулевой пары колес или при наличии возможности -управление поворотом нескольких колес по отдельности;
- Команда включения световых и звуковых (при необходимости) сигналов;
- Команда управления вспомогательными системами для комфорта пассажиров (кондиционер, стеклоподъемники, поворот зеркал при необходимости, дворники, подогрев салона или сидений и т. п.);
- Команда управления средствами подсказки водителю на случай его решения перейти на ручной режим управления.
Третий уровень управления
Процессоры третьего уровня привязаны к конкретным исполнительным устройствам. Например, процессор для управления поворотом передней колесной пары должен быть подключенным к двум разным формиро-
вателям команд: к процессору второго уровня и к датчикам рулевой колонки, формирующим команды от поворота руля, осуществляемого водителем. Если реализуется режим беспилотной навигации, датчики рулевой колонки игнорируются, а для работы используются команды от процессора второго уровня. Если же реализуется ручное управление, то игнорируются команды процессора второго уровня, а для работы используются команды от датчиков рулевой колонки. Полученные команды используются для формирования сигналов непосредственного управления приводами, например, напряжения, подаваемые на двигатель постоянного тока, или коды, подаваемые на шаговые двигатели и т. п. Для управления вращением колес автомобиля на неэлектрическом приводе, т. е. традиционного автомобиля, процессоры третьего уровня осуществляют управление двигателем через управление зажиганием, через управление заслонкой и через другие средства управления. В том числе осуществляется управление бензонасосом.
Процессоры третьего уровня управления ответственны за формирование электрических сигналов, поступающих непосредственно на исполнительные устройства. Под действием этих напряжений осуществляется поворот рулевых колес, собственно вращение колес или их блокировка для торможения, в том числе плавное торможение для исключения заносов. Также процессоры третьего уровня управляют вспомогательными техническими средствами непосредственно, а именно: управляют стеклоподъемниками, положением зеркал, кондиционером, сигнальными огнями ТС, при необходимости включают звуковые сигналы для предотвращения аварии, и т. д.
Четвертый УРОВЕНЬ УПРАВЛЕНИЯ
Четвертый и более низкие уровни управления могут иметь место. Например, такой уровень может осуществлять контроль точности управления, то есть обеспечивать управление в контуре с отрицательной обратной связью. Это позволяет обеспечить высокую точность управления механическими узлами даже в случае, если передаточная функция этих средств (т. е. зависимость выходной величины от входного воздействия) не является стационарной, т. е. даже если она изменяется спонтанно в ходе функционирования ТС или не известна.
Различные концепции
УПРАВЛЕНИЯ В СВЕТЕ НЕСКОЛЬКИХ
УРОВНЕЙ ИЕРАРХИИ ЗАДАЧ
В свете представленных нескольких уровней иерархии задач сбора данных и задач управления можно сказать, что первая концепция предполагает лишь программную
иерархию всех подзадач, при этом все вычислительные функции должно решат единственное решающее устройство.
Вторая концепция в этом случае предполагает решение всех перечисленных задач единственным нейрокомпьютером, имеющим кроме всего прочего аппаратный ускоритель.
Третья концепция предполагает наличие многих отдельных аппаратных средств для осуществления расчетов на каждом из рассмотренных уровней. При этом некоторые задачи могут быть решены с применением нейрокомпьютеров, в частности, задача распознавания образов при обработке сигналов видеокамеры.
АНАЛИЗ ОТЕЧЕСТВЕННОГО И ЗАРУБЕЖНОГО ОПЫТА ПО РАЗРАБОТКЕ БЕСПИЛОТНЫХ ТРАНСПОРТНЫХ СРЕДСТВ
В Республике Беларусь, разработаны и изготовлены многие образцы беспилотных транспортных средств (см. Рис. 1-3) [1]. В состав бортового оборудования системы
дистанционного управления самосвала входят: контроллер, приемо-передающее оборудование беспроводной связи командной и телеметрической информации, и передачи видео- и аудиоинформации, видеокамеры переднего (заднего) обзора, левого (правого) борта, шаговый двигатель управления положением передних колес через гидроусилитель потока рулевой системы, а также различные датчики. В рамках первой части проекта разработчиками реализованы алгоритмы, обеспечивающие выполнение следующих функций:
- пуск, остановка и управление оборотами дизельного двигателя;
- управление электромеханической трансмиссией;
- поворот управляемых колес в зависимости от выбранного направления движения;
- управление стояночным тормозом и рабочей тормозной системой;
- управление опрокидывающим механизмом,
- управление оборудованием системы освещения, световой и звуковой сигнализации самосвала и управление жалюзи радиатора двигателя аналогично штатному;
- аварийный останов.
Для повышения безопасности управления предусмотрена система аварийной остановки, которая обеспечивает принудительную остановку самосвала при пропадании управляющего канала радиосвязи, «зависании»
бортового контроллера или исчезновении напряжения питания бортовой сети. Структурная схема системы управления роботизированным карьерным самосвалом включает в себя две части: оборудование системы дистанционного управления рабочего места оператора и бортовое оборудование системы дистанционного и автономного управления [1]. На борту самосвала размещаются бортовой компьютер и контроллер, коммутатор Ethernet, оборудование широкополосной беспроводной передачи данных, двухканальный приемник GPS/ГЛОНАСС, системы видеообзора, предотвращения столкновений и аварийного останова. На рабочем месте для обеспечения сантиметровой точности позиционирования и автономного движения по записанному маршруту с учетом ширины дороги для данного типа самосвала устанавливается приемник GPS/ГЛОНАСС базовой навигационной станции с точными координатами для передачи поправки в режиме RTK (англ. Real Time Kinematic) на борт самосвала. RTK-поправки от базовой навигационной станции передаются в формате RTCM SC-104 со скоростью не менее 2400 бит/с и задержкой - не более 2 с., что обеспечивает точность позиционирования самосвала на цифровой карте местности (не более ±10 см). Задачей бортового компьютера является управление котроллером для осуществления движения самосвала с заданной скоростью по выбранному маршруту к месту загрузки или разгрузки в автоматическом режиме на основании данных системы высокоточной спутниковой навигации, а также снижение скорости и торможение на основании информации от системы предупреждения столкновений [1].
ГИБРИДНАЯ НАВИГАЦИОННАЯ
СИСТЕМА
Работа [2] предлагает использовать гибридную навигационную систему (рис. 4), представляющую собой симбиоз спутниковой, инерциальной и расчетно-аналитической навигации. Под последней понимается система, позволяющая определять траекторию движения на основании данных скоростей колес, скорости и ускорений центра масс автомобиля, угловой скорости рысканья и данных об управляющих воздействиях, получаемых с бортовых мультиплексных сетей [2]. Использование гибридной навигационной системы позволяет использовать преимущества и устранять недостатки каждой из навигационных подсистем.
Рис. 1. Роботизированная платформа на базе
Рис. 2. Роботизированная платформа на базе минитрактора «Беларус 132Н» Комплектация 2, общий вид
Рис. 3. Автоматизированный дистанционно управляемый огневой комплекс на мобильной платформе
Функционирование автомобильной системы контроля движения в полосе
Система контроля движения в полосе в соответствии с международной терминологией ИСО (ISO) обозначается как «Lane departure
«Беларус 132Н»
warning system» и предназначена исключительно для предупреждения водителя в то время, как система удержания в полосе движения называется «Lane keeping assistance systems» (LKAS) и уже оказывает управляющие воздействия на автомобиль. Однако, автопроизводители по причинам, связанным с вопросами охраны интеллектуальной собственности и маркетинговых стратегий, каждый по-своему называет рассматриваемые системы. Например, система контроля движения в полосе у Mercedes называется «Lane Keeping Assist» (информирует водителя вибрацией на рулевом колесе), а система удержания в полосе движения - «Active Lane Keeping Assist» (прикладывает тормозные моменты к колесам одного из бортов) [3].
Съезд с полосы движения является причиной примерно 17% от всех серьезных аварий на дорогах Германии, при этом более 33% участников таких аварий погибают. Разработанная Mercedes система контроля движения в полосе предупреждает водителя, если автомобиль случайным образом начинает покидать свою полосу движения. Камера на внутренней стороне лобового стекла (Рис. 4) отслеживает дорожную разметку методами, освещенными в [3]. Рассматриваемая система впервые появилась на серийных автомобилях Е-класса и S-класса с весны 2009 года. Система обработки видеопотока посылает данные на электронный блок управления (ЭБУ), который определяет, когда автомобиль начинает покидать свою полосу движения, соответственно влево или вправо. Также система оценивает действия водителя для фиксации факта намеренной или случайной смены полосы движения, т.е. предупреждения не последует, если, например, водитель
осуществляет обгон или въезжает на автомагистраль и т. д.
В случае, когда система определяет, что автомобиль оставляет полосу движения неумышленно, она активирует
электродвигатель, в результате чего рулевое колесо начинает вибрировать - эффективный способ быстрого информирования водителя. Момент срабатывания и время вибрации зависят от ширины полосы движения, типа дорожной разметки и пр. Рассматриваемая система работает на скоростях от 60 до 250 км/ч при обнаружении линий разметки и отключается при активации других систем активной безопасности (ABS, ESP, другие).
Из приведенного описания можно сделать вывод, что рассматриваемая система не способна функционировать:
- в условиях недостаточной видимости (задымленность, туман, дождь, грязь на лобовом стекле и пр.);
- при наличии любых проблем с дорожной разметкой (отсутствие, занесенная снегом, затертая, неправомерно нанесенная и т. д.) [3].
Рис. 4. Система контроля движения в полосе Mercedes
Приведем следующий пример системы контроля движения в полосе, именуемой компанией Citroen как «AFIL». Система функционирует на скоростях от 80 км/ч и выше. Если автомобиль пересекает дорожную разметку, а указатель поворота не включен, инфракрасные датчики, встроенные за передним бампером (Рис. 5), обнаруживают отклонение, и соответствующий ЭБУ предупреждает водителя, включая нужный вибрационный мотор, расположенный со стороны пересекаемой линии в основании сиденья.
Рис. 5. Система контроля движения в полосе Citroen
Под передним бампером размещены 6 инфракрасных датчиков (по 3 с каждой стороны). Каждый из них состоит из излучающего инфракрасного диода и детектора, фиксирующего изменения в отраженном пучке инфракрасных лучей. Датчики позволяют обнаруживать как белые или желтые, так и красные или голубые разделительные полосы, которые в европейских странах обозначают временную дорожную разметку. Система также способна различать другие знаки на дорожном полотне - стрелки или надписи, за исключением ненормированных случаев, например, граффити. В сравнении с рассмотренной ранее, данная система имеет преимущество в том, что может работать в условиях плохой видимости, соответственно недостаток заключается в существенно меньшей области технического зрения. Вместе с тем, остаются сложности функционирования при наличии любых проблем с дорожной разметкой.
Методы проверки,
РЕКОМЕНДОВАННЫЕ СТАНДАРТОМ
ISO 17361
Для соответствия стандарту ISO 17361 автотранспортное средство (АТС), на котором установлена система контроля движения в полосе, должно пройти 3 этапа испытаний:
1) проверка системы при криволинейном движении;
2) проверка системы при прямолинейном движении;
3) проверка ложных срабатываний.
Системы контроля движения в полосе в
рассматриваемом стандарте подразделяются
на два класса в зависимости от условий срабатывания (предупреждения водителя) по
критериям радиуса кривизны траектории и скорости движения [3].
Безопасные испытания на
МАКЕТАХ
В работе [4] для симуляции поведения гетерогенной группы были выбраны существующие модели роботов в Gazebo: квадрокоптер Hector Quadrotor и наземный робот Clearpath Husky. Выбор данных моделей роботов был обусловлен их широкой популярностью в исследовательских работах и наличием готовых моделей в симуляторе Gazebo и в робототехнической операционной системе ROS.
Беспилотный наземный робот Clearpath Husky [5] от канадской компании Clearpath Robotics [6] представляет собой четырехколесный малоразмерный беспилотный наземный вездеход, габаритами 99 х 67 х 37 см (длина, ширина и высота соответственно), весом около 50 кг и скоростью 1 м/с, способный везти на
себе нагрузку до 75 кг. Робот Clearpath Husky очень популярен для симуляции в Gazebo (где применяются различные сенсоры, в нашем случае - симулированный лазерный дальномер Hokuyo) и имеет поддержку в ROS, которая позволяет использовать разработанные для него алгоритмы планирования пути и локализации, такие как SLAM. Рис. 6 представляет фотографию робота (слева) и его модель в Gazebo (справа) [4].
Рис. 6. Робот Clearpath Husky: фото и модель из Gazebo
ПРИМЕНЕНИЕ НЕЙРОННЫХ ВЫЧИСЛЕНИЙ ДЛЯ распознавания ОБРАЗОВ
В статье [4] рассмотрены возможности интеллектуализации систем управления беспилотными транспортными средствами за счет использования систем технического зрения и определены основные особенности и проблемы этого подхода. Рассмотрен нейросетевой подход к построению интеллектуальной модели формирования параметров алгоритма обработки кадров в процессе движения беспилотного наземного модуля в естественной среде. Сформулированы основные правила обучения и проведено моделирование движения с обучением и без обучения. Показано, что периодическое самообучение нейронной сети, проводимое на борту автономной беспилотной системы в процессе движения, позволяет повысить точность вычисления пройденного пути и координат в пространстве за счет
постоянной адаптации к изменяющимся условиям среды.
Примеры таких систем активно разрабатываются и внедряются (поиск препятствий на железнодорожных путях [9], управление движением мобильного робота [10] и т.п.). С другой стороны, обучаемые модели принятия решений и распознавания образов позволяют решать сложные задачи обработки информации и распознавания образов за счет обобщения опыта. Примеры таких систем можно видеть в [11]. Таким образом, для повышения интеллектуальности СТЗ и снижения ее вычислительной сложности с сохранением точности будем использовать нейросетевую реализацию СТЗ, общая схема обработки информации в которой выглядит следующим образом:
- получение пар кадров в момент времени ^ и на борту мобильного объекта;
- сжатие кадров к требуемому масштабу;
- поиск сопряженных пар точек в сжатых кадрах (К - число найденных пар) на основе последовательности операций:
о линейное контрастирование,
о выделение края (параметр g - уровень отсечения по модулю градиента изображения),
о выделение угловых особенностей за счет нейросетевого фильтрах [12],
о сопоставление фрагментов за счет анализа уровня корреляции изображения (к) для угловых особенностей по кадрам в момент времени ^ и ^ [13].
- восстановление координат найденных пар точек до полного масштаба,
- повторный поиск сопряженных пар точек для окон размера 32x32 вокруг каждой точки нижнего уровня поиска,
- определение трехмерных координат для пар точек в момент времени ^ и ^+1 за счет нейросетевой стереореконструкции [14],
- определение перемещения от момента времени ^ к ^+1 в виде параметров матрицы М -поворота-переноса СТЗ.
В работах [15, 16] также рассматриваются некоторые технические решения по использованию нейросетей для распознавания образов с целью управления беспилотным транспортном.
ЗАДАЧИ УПРАВЛЕНИЯ
беспилотным автомобилем
В работе [17] рассмотрены проблемы создания беспилотных автомобилей, дан их обзор по материалам современной печати. Представлены результаты по созданию автоматической системы управления автомобилем «Нива», - описана система управления нижнего уровня, две зрительные системы, система обнаружения дорожных знаков и система
обнаружения близких соседних автомобилей. Кратко представлены эксперименты с созданным автомобилем-роботом.
Согласно литературным данным [18] первый беспилотный автомобиль уже вышел на рынок. Это модель Navia (Induct Technologies, Франция), представляющая собой шаттл для перевозки пассажиров по территориям крупных предприятий или университетских кампусов (Рис. 7).
Транспортное средство, продающееся с января 2014 года, двигается со скоростью 20 км/ч и берет восемь человек. Эксплуатация этой машины уже доказала ее экономическую целесообразность. По оценкам экспертов, Navia снижает операционные расходы на 40-60%.
"АвтоНИВА", частично реализующий элементы, представлен в пп.2, 3.
эти
Рис.1. Navia от Induct Technologies, Франция
На Рис. 8 приведен хорошо известный другой пример - беспилотный автомобиль GoogleCar (на фото справа) корпорации Google (США). Приведенные примеры - это только весьма малая часть данных, имеющихся в литературе и Всемирной Сети Интернет.
В настоящее время основные элементы системы беспилотного автомобиля прежде всего включают автоматику управления. Кроме этого, по литературным данным [19-21] к ним нужно добавить еще несколько базовых элементов. Используя эти данные, перечислим базовые элементы, они указаны в п.1. Проект
Рис. 8. GoogleCar (США) на дороге общего пользования
ЗАДАЧИ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ АВТОМОБИЛЕМ
Управление нижнего уровня. Сюда относятся модули управления подсистемами и узлами автомобиля - двигателем, трансмиссией, рулем, тормозами и т. п. Они могут основываться на микропроцессорных системах, которых уже множество устанавливается в серийные автомобили. Фактически, автоматика управления уже подготовлена.
На Рис. 9 показаны принципы организации машинного зрения из публикации [17].
Рис. 9. Принципы организации системы технического зрения БПТС [17]
ПО в автомобиле очевидно относится к области систем искусственного интеллекта (ИИ). Сегодня здесь основной элемент - системы зрения (Рис. 9). Недостаточно фиксировать ситуацию на дороге, ее требуется распознавать и, исходя из этого, принимать решения.
ПО автомобиля уже может распознавать дорожную разметку, дорожные знаки. Теперь вводятся системы для сопоставления наблюдаемых данных с информацией с карты (автолокализация) и, при обнаружении расхождений
между картой и реальностью, для корректировки своих алгоритмов поведения и карты (8ЬАМ-алгоритмы). А далее участникам движения надо освоить связь между собой.
Сети для автомобилей. Сегодня системы "общения автомобилей" У2У (vehicle-to-vehicle) существуют только в виде прототипов, но к 2017 году в США уже могут быть утверждены требования об обязательном оснащении всех новых моделей таким оборудованием. Соответствующие стандарты связи находятся в разработке.
Суть этих решений в том, что автомобили будут обмениваться с соседями по потоку движения информацией о своих географических координатах, скорости, а также ускорении или торможении. Причем обмен данными будет происходить как минимум 10 раз в секунду (см. Рис. 10).
Это позволит "умным машинам" предугадывать опасные ситуации примерно за 300 м и самостоятельно предпринимать действия, чтобы их избежать.
Следующий этап - это интерактивное взаимодействие машины с дорогой и окружением (Рис. 11). Например, возможно, что дорожный знак сможет принудительно ограничивать скорость автомобиля. Но этим функции "умной дороги" не ограничиваются. Дорога сможет контролировать и регулировать поток транспорта, давать команды машинам таким образом, чтобы они группировались в колонны, более эффективно используя дорожное полотно. Беспилотные машины могут двигаться на небольшой дистанции, и, при необходимости перегруппировываться наиболее рационально, тем самым существенно увеличивая пропускную способность дороги. И это далеко не единственные концепции умной дороги. Взаимодействие участников движения. Перечисленными элементами задачи автовождения не ограничиваются. В последнее время появились работы, изучающие характер и принципы взаимодействия роботов в большом коллективе. Автономные автомобили - один из ярких примеров этого направления. В указанной предметной области появилось, к примеру, направление РобоЭтика ([22], определяющее правила взаимодействия роботов. И хотя начиналась РобоЭтика как свод этических правил взаимоотношения роботов и людей, по-видимому, РобоЭтика может быть распространена и на отношения роботов в коллективе роботов и будет определять ПДД будущего и общее поведение роботов-автомобилей на дороге [23].
Рис. 10. Концепция У2У
ЗАДАЧИ УПРАВЛЕНИЯ БЕСПИЛОТНЫМ автомобилем В проекте "АвтоНИВА"
В Институте прикладной математики им. М.В. Келдыша РАН разрабатывается
система «АвтоНИВА», представляющая собой комплекс аппаратных и программных средств автовождения для автомобиля НИВА ВАЗ-21214. Общая структура автомобиля как автоматически управляемого транспортного средства может быть представлена в виде схемы, изображенной ниже на Рис. 12, в блоках СНУ и СВУ приведены примеры систем этих классов [17, 24].
Для изучения проблемы управления автомобилем с механической трансмиссией в проекте «АвтоНИВА» разработана
динамическая модель в среде
MATLAB\Simulink с использованием библиотеки компонентов SimScape. Для задания характеристик модели использовались технические характеристики автомобиля ВАЗ-21214 "НИВА". С помощью этой модели были решены следующие задачи:
- моделирование и исследование динамики автомобиля при заданном векторе управления трансмиссией;
- подбор параметров отдельных узлов для достижения заданных характеристик устройств управления;
- синтез алгоритмов контроллера трансмиссии.
Общая схема динамической модели автомобиля с механической трансмиссией представлена на Рис. 13 (обозначения даны в нотации Б^^тк).
Рис. 11. Элементы «умной дороги», Виржиния, США
Система управления верхнего уровня (СВУ)
навигация
Анализ ландшафта
Анализ дорожной ситуации
Принятие решений
4
Планирование и исполнение движения
Система управления нижнего уровня (СНУ)
рулевое управпение
Контроллер трансмиссии
Устройства управления трансмиссией
Диагностика узлов
управление элеет рообо(1удованием
Рис. 12. Система управления робота-автомобиля
Автоглобипь
Рис. 13. Полная динамическая модель автомобиля
Все блоки модели детализированы как субмодели, разработаны контроллеры и устройства управления узлами трансмиссии.
Примеры двух устройств приведены на Рис. 14, показаны привод сцепления (тормоза) и привод руля.
Рис. 14. Приводы сцепления (тормоза) и руля в «АвтоНИВе»
Проведенные эксперименты показали полную адекватность созданных моделей поставленной задаче. Автомобиль под управлением созданных устройств и алгоритмов обеспечивает точности движения, практически аналогичные достижимым при управлении от человека. Динамика трогания и движения на низших передачах также сохраняется.
Зрительные системы опознавания
Для опознавания дорожных знаков и соседних автомобилей "АвтоНИВЫ" разработаны базовые системы распознавания объектов дорожной ситуации - автомобилей и дорожных знаков - на видео, получаемом с движущейся монокулярной камеры. Реализовано машинное обучение, для распознавания использованы каскадные классификаторы Хаара. Использовано распознавание по цвету и форме. Примеры приведены на Рис. 15 и Рис. 16. Утверждается достаточное качество работы этих систем [17].
Обсуждение и выводы
Беспилотные транспортные средства, безусловно, приобретают всё большую
популярность. Многие научно-технические коллективы уже не только опробовали отдельные опытные образцы, но уже даже выпускают опытные партии и приступили к коммерциализации таких БТС. Однако, вопросы обеспечения безопасности при их эксплуатации, разумеется, ещё не решены в достаточной степени. Следует ориентироваться не на сегодняшнюю ситуацию на дорогах, а на завтрашнюю. Это означает необходимость прогноза большей транспортной загрузки, чем в наши дни, предположения также и той ситуации, при которой подобных БТС будет на городских дорогах относительно много - не единичные экземпляры, а большое их количество, вплоть до преобладания таких ТС над пилотируемыми. Основной принцип обеспечения безопасности эксплуатации таких БТС заключается в безусловном выполнении принципа, согласно которому такие БТС должны быть по такому важному показателю, как вероятность аварии такого ТС не такая же, как при эксплуатации пилотируемого ТС, а намного ниже. Когда вероятность аварии с пилотируемым ТС будет во многие разы выше, например, в 10 раз, чем при эксплуатации БТС,
переход на БТС будет осуществлен окончательно.
Поставленная задача может и должна решаться методом дробления её на подзадачи. Так, например, задача управления транспортным средством в целом легко делится на две подзадачи: принятие решения о том, куда следует ехать, и управления органами регулировки этого транспортного средства. Уже по одному этому можно видеть, что такую задачу можно поручить совместному действию двух автономных вычислительных средств, по одному на каждую из этих двух вторичных подзадач. Каждая из этих задач также может быть разбита, как минимум, на две подзадачи. Например, задача принятия решения о том, куда ехать, дробится на подзадачу определения текущего местоположения транспортного средства и на вычисления наилучшего прогнозируемого движения, исходя из общей цели движения. Каждая из этих задач также легко дробится на подзадачи, например
определение текущего положения, может быть поручено системе, контролирующей все датчики автомобиля и системе, контролирующей положение автомобиля по спутниковой навигационной системе, а два этих не обязательно совпадающих набора сведений должны быть собраны воедино в наиболее достоверную картину. Такое же осуществляется при фактическом движении пилотируемого ТС по навигационной системе, поскольку в случае, если система даёт сбой, это не приведет к аварии. Однако в случае, если водитель не может определить свое положение на местности, навигационная система его, как правило, выручит. Таким образом, ни одна из указанных систем не обладает абсолютным приоритетом, но обе они в совокупности увеличивают эффективность управления транспортным средством. Таким путем все относительно сложные задачи могут быть путем их разбиения на подзадачи доведены до набора относительно тривиальных подзадач.
Рис. 15. Распознавание знаков в реальной дорожной сцене
Рис. 16. Распознавание автомобилей в реальной дорожной сцене
Литература
[1] Поддубко С.Н., Мариев П.Л., Белевич А.В. Перспективы развития беспилотных транспортных систем в Республике Беларусь. Беспилотные транспортные средства: проблемы и перспективы. Сборник материалов 94 международной научно-технической конференции. Ассоциации автомобильных инженеров. 18 марта 2016 г. Нижегородский государственный технический университет им. Р.Е. Алексеева. 296 с. ISBN 978-5-502-00740-5. с. 7.
[2] Шадрин С.С., Иванов А.М., Юдин В.В. Разработка гибридной навигационной системы автономного колесного транспортного средства. Сборник материалов 94 международной научно-технической конференции. Ассоциации автомобильных инженеров. 18 марта 2016 г. Нижегородский государственный технический университет им. Р.Е. Алексеева. 296 с. ISBN 9785-502-00740-5. с. 18.
[3] Шадрин С.С., Иванов А.М., Сининкин И.В. Разработка и экспериментальные исследования автомобильной системы контроля движения в полосе. Сборник материалов 94 международной научно-технической конференции. Ассоциации автомобильных инженеров. 18 марта 2016 г. Нижегородский государственный технический университет им. Р.Е. Алексеева. 296 с. ISBN 9785-502-00740-5. с. 25.
[4] И.М. Афанасьев. А.Г. Сагитов, И.Ю. Данилов, Е.А. Магид. Навигация гетерогенной группы роботов (БПЛА и БНР) через лабиринт в 3D симуляторе GAZEBO методом вероятностной дорожной карты. В кн.: Второй Всероссийский научно-практический семинар «Беспилотные транспортные средства с элементами искусственного интеллекта (БТС-ИИ-2015)» (9 октября 2015г., г. Санкт-Петербург, Россия): Труды семинара. - Санкт-Петербург: Изд-во «Политехника-сервис», 2015. - 140 с. С.18-25.
[5] Беспилотный вездеход Clearpath Husky: www.clearpathrobotics.com/husky/
[6] Clearpath Robotics: www.clearpathrobotics.com/
[7] Е.А. Ивашина, М.О. Корлякова, А.Ю. Пилипенко, А.А. Филимонков. Подход к настройке системы технического зрения для мобильной платформы. В кн.: Второй Всероссийский научно-практический семинар «Беспилотные транспортные средства с элементами искусственного интеллекта (БТС-ИИ-2015)» (9 октября 2015 г., г. Санкт-Петербург, Россия): Труды семинара. - Санкт-Петербург: Изд-во «Политехника-сервис», 2015. - 140 с. С. 58-65.
[8] А.Д. Московский. Метод распознавания сцен для задачи навигации мобильных роботов. В кн.: Второй Всероссийский научно-практический семинар «Беспилотные транспортные средства с элементами искусственного интеллекта (БТС-ИИ-2015)» (9 октября 2015 г., г. Санкт-Петербург, Россия): Труды семинара. - Санкт-Петербург: Изд-во «Политехника-сервис», 2015. - 140 с. С. 66-73.
[9] Иванов Ю.А. Технологии компьютерного зрения для наблюдения за объектами путевой инфраструктуры // Техника железных дорог, №4 (16), 2011, -С.57-61.
[10] Девятериков Е.А., Михайлов Б.Б.: Управление движением мобильного робота с использованием данных визуального одометра // Робототехника и техническая кибернетика, №1,2013 стр.22-26.
[11] S. Ozbay and E. Ercelebi, Automatic Vehicle Identification by Plate Recognition A Neural Network // World Academy of Science, Engineering and Technology, vol. 9, (2005), p. 222-225.
[12] Корлякова, М.О., Пилипенко, А.Ю Нейросетевой поиск особых точек в стереопарах // Тезисы НТК "Техническое зрение в системах управления - 2014", Москва, 18-20 марта 2014 - с. 125-127.
http://tvcs2014.technicalvision.ru/docs/сборник тези сов ТЗСУ 2014.pdf
[13] Сырямкин В.И., Шидловский В.С. Корреляционно - экстремальные радионавигационные системы. - Томск: Изд-во Том. Ун-та, 2010. - 316 с.
[14] Кокарева Е.А., Корлякова М.О. Пилипенко А.Ю. Решение задачи стереореконструкции в
нейросетевом базисе // XIV Всероссийская научно-техническая конференция
«Нейроинформатика-2012»: Сборник научных трудов. В 3-х частях. Ч.1.- М: НИЯУ МИФИ, 2012 - стр. 160-169.
[15] Montemerlo M., Thrun S., Koller D., Wegbreit B. FastSLAM: A factored solution to the simultaneous localization and mapping problem\\ in Proc. AAAI National Conference on Artifical Intelligence, (Edmonton, Canada), AAAI, 2002. P. 593-598.
[16] Соколов, С.М. Богуславский, А.А. Интеллектуальные алгоритмы обработки изображений для решения задачи распознавания в реальном времени бортовыми системами // Тезисы докладов научно-технической конференции-семинара. Техническое зрение в системах управления мобильными объектами. -М.: КДУ. - 2011. - С.86-88.
[17] В.Е. Павловский, В.Н. Огольцов, И.А.Спиридонова. Задачи управления беспилотным автомобилем в проекте "АвтоНИВА". В кн.: Второй Всероссийский научно-практический семинар «Беспилотные транспортные средства с элементами искусственного интеллекта (БТС-ИИ-2015)» (9 октября 2015г., г. Санкт-Петербург, Россия): Труды семинара. - Санкт-Петербург: Изд-во «Политехника-сервис», 2015. - 140 с. С. 107-114.
[18] http://navya-technology.com/?lang=en.
[19] http://dic.academic.ru/dic.nsf/ruwiki/1619790.
[20] Д.А. Козорез, Д.М. Кружков. Состав и структура автономных систем навигации и
управления роботизированного прототипа автомобиля. // Спецтехника и Связь. 2012, №3, с.15-18.
[21] В.П. Носков, И.В. Рубцов. Ключевые вопросы создания интеллектуальных мобильных роботов. // Инженерный журнал: наука и инновации. -2013. № 3(15).
[22] Робоэтика: философские, социальные и этические последствия робототехники. http://edurobotics.ru/archives/1028 .
[23] The Ethics of Autonomous Cars. http://www.theatlantic.com/technology/archive/2013/ 10/the-ethics-of-autonomous-cars/280360/.
[24] В.Е.Павловский, В.Н.Огольцов, Н.С. Огольцов. Система управления нижнего уровня для автомобиля с механической трансмиссией. // Препринт ИПМ № 103, Москва, 2013 г. 28 с.
Вадим Жмудь - заместитель директора АО «НИПС», доцент, доктор технических наук, главный научный сотрудник ИЛФ СО РАН.
E-mail: oao nips@bk.ru
630090, Новосибирск, просп. Академика Лаврентьева, Д. 6/1
Статья поступила 03.11.2021.
Prospects for the Development of Unmanned Ground Vehicles
V.A. Zhmud 1 2 3 1 Novosibirsk Institute of Program Systems, Russia 2 Institute of Laser Physics SB RAS, Russia 3 Altae-Sayan Branch of the Federal State Budgetary Institution of Science of the Geophysical
Service of the RAS
Abstract: Many projects for the development of unmanned vehicles are regularly exposed as potential research topics for graduate students. Unfortunately, in a situation where the development of this topic is carried out at an accelerated pace throughout the world, the initiative of an individual researcher, although very commendable, still cannot promise great achievements without substantial financial support and without reliance on a modern research team, provided with the necessary infrastructure, material and technical base and appropriate management. This article analyzes the current state of the problem.
Key words: control, robotics, unmanned vehicles, drones, automation
References
[1] Poddubko S.N., Mariyev P.L., Belevich A.V. Perspektivy razvitiya bespilotnykh transportnykh sistem v Respublike Belarus'. Bespilotnyye transportnyye sredstva: problemy i perspektivy. Sbornik materialov 94 mezhdunarodnoy nauchno-tekhnicheskoy konferentsii. Assotsiatsii avtomobil'nykh inzhenerov. 18 marta 2016 g. Nizhegorodskiy gosudarstvennyy tekhnicheskiy universitet im. R.Ye. Alekseyeva. 296 s. ISBN 978-5502-00740-5. s. 7.
[2] Shadrin S.S., Ivanov A.M., Yudin V.V. Razrabotka gibridnoy navigatsionnoy sistemy avtonomnogo kolesnogo transportnogo sredstva. Sbornik materialov 94 mezhdunarodnoy nauchno-tekhnicheskoy
konferentsii. Assotsiatsii avtomobil'nykh inzhenerov. 18 marta 2016 g. Nizhegorodskiy gosudarstvennyy tekhnicheskiy universitet im. R.Ye. Alekseyeva. 296 s. ISBN 978-5-502-00740-5. s. 18.
[3] Shadrin S.S., Ivanov A.M., Sininkin I.V. Razrabotka i eksperimental'nyye issledovaniya avtomobil'noy sistemy kontrolya dvizheniya v polose. Sbornik materialov 94 mezhdunarodnoy nauchno-tekhnicheskoy konferentsii. Assotsiatsii avtomobil'nykh inzhenerov. 18 marta 2016 g. Nizhegorodskiy gosudarstvennyy tekhnicheskiy universitet im. R.Ye. Alekseyeva. 296 s. ISBN 978-5502-00740-5. s. 25.
[4] I.M. Afanas'yev. A.G. Sagitov, I.YU. Danilov, Ye.A. Magid. Navigatsiya geterogennoy gruppy robotov (BPLA i BNR) cherez labirint v 3D simulyatore
GAZEBO metodom veroyatnostnoy dorozhnoy karty. V kn.: Vtoroy Vserossiyskiy nauchno-prakticheskiy seminar «Bespilotnyye transportnyye sredstva s elementami iskusstvennogo intellekta (BTS-II-2015)» (9 oktyabrya 2015g., g. Sankt-Peterburg, Rossiya): Trudy seminara. - Sankt-Peterburg: Izd-vo «Politekhnika-servis», 2015. - 140 s. S.18-25.
[5] Bespilotnyy vezdekhod Clearpath Husky: www.clearpathrobotics.com/husky/
[6] Clearpath Robotics: www.clearpathrobotics.com/
[7] Ye.A. Ivashina, M.O. Korlyakova, A.YU. Pilipenko, A.A. Filimonkov. Podkhod k nastroyke sistemy tekhnicheskogo zreniya dlya mobil'noy platformy. V kn.: Vtoroy Vserossiyskiy nauchno-prakticheskiy seminar «Bespilotnyye transportnyye sredstva s elementami iskusstvennogo intellekta (BTS-II-2015)» (9 oktyabrya 2015g., g. Sankt-Peterburg, Rossiya): Trudy seminara. - Sankt-Peterburg: Izd-vo «Politekhnika-servis», 2015. - 140 s. S. 58-65.
[8] A.D. Moskovskiy. Metod raspoznavaniya stsen dlya zadachi navigatsii mobil'nykh robotov. V kn.: Vtoroy Vserossiyskiy nauchno-prakticheskiy seminar «Bespilotnyye transportnyye sredstva s elementami iskusstvennogo intellekta (BTS-II-2015)» (9 oktyabrya 2015g., g. Sankt-Peterburg, Rossiya): Trudy seminara. - Sankt-Peterburg: Izd-vo «Politekhnika-servis», 2015. - 140 s. S. 66-73.
[9] Ivanov YU.A. Tekhnologii komp'yuternogo zreniya dlya nablyudeniya za ob"yektami putevoy infrastruktury // Tekhnika zheleznykh dorog, №4 (16), 2011, -S.57-61.
[10] Devyaterikov Ye.A., Mikhaylov B.B.: Upravleniye dvizheniyem mobil'nogo robota s ispol'zovaniyem dannykh vizual'nogo odometra // Robototekhnika i tekhnicheskaya kibernetika, №1,2013 str.22-26.
[11] S. Ozbay and E. Ercelebi, Automatic Vehicle Identification by Plate Recognition A Neural Network// World Academy of Science, Engineering and Technology, vol. 9, (2005), p. 222-225.
[12] Korlyakova, M.O., Pilipenko, A.YU Neyrosetevoy poisk osobykh tochek v stereoparakh // Tezisy NTK 'Tekhnicheskoye zreniye v sistemakh upravleniya -2014", Moskva, 18-20 marta 2014 - s. 125-127. http://tvcs2014.technicalvision.ru/docs/sbornik_teziso v_TZSU_2014.pdf
[13] Syryamkin V.I., Shidlovskiy V.S. Korrelyatsionno - ekstremal'nyye radionavigatsionnyye sistemy. -Tomsk: Izd-vo Tom. Un-ta, 2010. - 316 s.
[14] Kokareva Ye.A., Korlyakova M.O. Pilipenko A.YU. Resheniye zadachi stereorekonstruktsii v neyrosetevom bazise // XIV Vserossiyskaya nauchno-tekhnicheskaya konferentsiya «Neyroinformatika-2012»: Sbornik nauchnykh trudov. V 3-kh chastyakh. CH.1.- M: NIYAU MIFI, 2012 - str. 160-169.
[15] Montemerlo M., Thrun S., Koller D., Wegbreit B. FastSLAM: A factored solution to the simultaneous localization and mapping problem\\ in Proc. AAAI National Conference on Artifical Intelligence, (Edmonton, Canada), AAAI, 2002. P. 593-598.
[16] Sokolov, S.M. Boguslavskiy, A.A. Intellektual'nyye algoritmy obrabotki izobrazheniy dlya resheniya zadachi raspoznavaniya v real'nom vremeni bortovymi sistemami // Tezisy dokladov nauchno-tekhnicheskoy konferentsii-seminara. Tekhnicheskoye zreniye v sistemakh upravleniya mobil'nymi ob"yektami. - M.: KDU. - 2011. - S.86-88.
[17] V.Ye. Pavlovskiy, V.N. Ogol'tsov, I.A. Spiridonova. Zadachi upravleniya bespilotnym avtomobilem v proyekte "AvtoNIVA". V kn.: Vtoroy Vserossiyskiy nauchno-prakticheskiy seminar «Bespilotnyye transportnyye sredstva s elementami iskusstvennogo intellekta (BTS-II-2015)» (9 oktyabrya 2015g., g. Sankt-Peterburg, Rossiya): Trudy seminara. - Sankt-Peterburg: Izd-vo «Politekhnika-servis», 2015. - 140 s. S. 107-114.
[18] http://navya-technology.com/?lang=en.
[19] http://dic.academic.ru/dic.nsf/ruwiki/1619790.
[20] D.A. Kozorez, D.M. Kruzhkov. Sostav i struktura avtonomnykh sistem navigatsii i upravleniya robotizirovannogo prototipa avtomobilya. // Spetstekhnika i Svyaz'. 2012, №3, s.15-18.
[21] V.P. Noskov, I.V. Rubtsov. Klyuchevyye voprosy sozdaniya intellektual'nykh mobil'nykh robotov. // Inzhenernyy zhurnal: nauka i innovatsii. - 2013. № 3(15).
[22] Roboetika: filosofskiye, sotsial'nyye i eticheskiye posledstviya robototekhniki. http://edurobotics.ru/archives/1028.
[23] The Ethics of Autonomous Cars. http://www.theatlantic.com/technology/archive/2013/ 10/the-ethics-of-autonomous-cars/280360/.
[24] V.Ye. Pavlovskiy, V.N.Ogol'tsov, N.S. Ogol'tsov. Sistema upravleniya nizhnego urovnya dlya avtomobilya s mekhanicheskoy transmissiyey. // Preprint IPM № 103, Moskva, 2013 g. 28 s.
Vadim Zhmud - Vice-Director of NIPS, Associate Professor, Doctor of Technical Sciences, Chief Researcher of the ILP SB RAS. E-mail: oao nips@bk.ru
630090, Novosibirsk, str. Prosp. Lavrientieva, h. 6/1
The paper has been received on 04/11/2021.
