CC BY
93
УДК 334.71: 656: 338.245 ГРТНИ 73.01.11
СИТУАЦИОННОЕ БЕСПИЛОТНОЕ УПРАВЛЕНИЕ
А.Л. Охотников
АО НИИАС
Статья описывает технологию беспилотного управления транспортного средства в динамических ситуациях для применения этой технологии в автоматическом управлении. Выполнен анализ развития беспилотного управления. Выделены две группы беспилотного оправления: видимая и слепая. Дан анализ развития беспилотного транспорта (воздушного, автомобильного железнодорожного) в разных странах. Статья вводит новое понятие стохастическая информационная ситуация, дается систематика информационных ситуаций, применяемых при управлении транспортными средствами. Доказано, что в условиях плохой видимости или при скоростном движении необходимо переходить от жесткого управления к мягкому. Раскрывается вероятностная модель условий движения транспорта. Предлагается новое направление управления «слепое управление транспортом».
Ключевые слова: ситуационное управление, транспорт, информационная ситуация, стохастическая информационная ситуация, «слепая» информационная ситуация, техническое зрение, автономное управление, «слепое» управление, вероятностная модель.
SITUATIONAL UNMANNED CONTROL
The article describes the technology of unmanned vehicle control in dynamic situations for the application of this technology in automatic control. An analysis of the development of unmanned control. Two groups of unmanned landing were identified: visible and blind. The analysis of the development of unmanned vehicles (air, road rail) in different countries is given. The article introduces a new concept of stochastic informational situation. the systematization of information situations used in driving vehicles is given. It is proved that in conditions of poor visibility or in high-speed traffic, it is necessary to switch from hard control to soft. A probabilistic model of traffic conditions is revealed. A new direction of management "blind transport management" is proposed
Keywords: situational management, transport, informational situation, stochastic informational situation, "blind" informational situation, technical vision, autonomous control, "blind" management, probabilistic model.
Ситуационное управление основано на анализе ситуации, в которой находится подвижный объект. Ситуация связана со скоростью движения и влиянием внешних факторов. При интенсификации движения число внешних факторов возрастает. При повышении скорости движения геометрически увеличивается ситуация, в которой находится подвижный объект. Простейшая модель ситуации - участок тормозного пути. Чем выше скорость, тем больше тормозной путь и геометрически больше ситуация, в которой находится подвижный объект. Для ситуационного управления закономерно использование различных моделей информационной ситуации. [1, 2]. В ситуации важно не только определить характеристики самой информационной ситуации, но и выделить позицию управляемого объекта в данной ситуации. Ситуация допускает возникновение различных факторов влияющих на характер движения, а также появление иных объектов. Это приводит к необходимости применения многоцелевого управления [3-5] и специализированного управления подвижными объектами [6, 7].
Ситуационное управление транспортом может быть аналитическим [8] или стереотипным (прецедентным) [9]. Стереотипное управление связано выбором стереотипных ситуаций. Для каждой стереотипной ситуации существует стереотипное решение. В совокупности стереотипные решения можно рассматривать ка управленческие альтернативы. Такой подход возможен при наличии базы знаний о возможных ситуациях. Такая база создается по мере накопления опыта. Выбор альтернатив должен быть системным. Информационная ситуация как альтернатива при определенных условиях может быть рассмотрена как система [10]. В этих случаях возможно применение системного подхода при анализе альтернатив. Систематизация альтернатив включает качественный и комплементарный анализ [11-13] как один из методов оптимизации.
Выбор альтернативных ситуаций всегда сопровождается наличием неопределенности:
A.L. Okhotnikov
JSC NIIAS
Введение
организационной [14], технологической [15] и информационной [16]. Это обуславливает разработку методов и алгоритмов управления, учитывающих неопределенность и многокритериаль-ность, когда принятие решения сводится к выбору критерия оптимальности. При организационном и автоматизированном управлении уместно говорить о методах управления. Ситуационное управление основано на информационном управлении, то есть на использовании информационных моделей и информационных технологий. В перспективе оно трансформируется в интеллектуальное ситуационное управление. Информационное ситуационное управление, это управление которое включает модель ситуации [17, 18], модель субъекта управления (решатель), объект управления (транспорт) и семантическое (содержательное) окружение объекта управления [19], влияющее на его состояние.
Отсюда ситуационное управление является звеном, соединяющим автоматизированное, киберфизическое и интеллектуальное управление. В перспективе такое управление возможно для организации управления транспортным средством без существенного участия человека с использованием «технического зрения» или «слепого» вождения, когда ситуация простирается за зону оптического наблюдения и возможности человеческого зрения. При этом качественно следует различать две групп ситуаций: видимая ситуация беспилотного управления и «невидимая» ситуация беспилотного управления.
Видимая ситуация беспилотного управления - это ситуация управления с наличием физической видимости. В терминах когнитивной науки [20] эта ситуация обозрима и анализируема человеком. Невидимая ситуация - это ситуация управления с наличием физической видимости. В терминах когнитивной науки эта ситуация не обозрима и не анализируема человеком.
Во втором и частично в первом случае возникает потребность применения вероятностных методов [21] и вероятностной логики. Кроме того при управлении в реальном пространстве необходимо применение пространственной логики [22]. В рамках этого подхода возникает задача обнаружения пространственного объекта на пути следования транспортного средства на основе эмпирической вероятности. Эта вероятность существования постороннего объекта на пути движения может использоваться в алгоритмах интерпретации [23] ситуации для выполнения различных функций для поддержки принятия решений, например, для помощи машинисту или при управлении транспортным средством без машиниста.
Развитие цифровых ситуационных методов на транспорте
Автоматизированное управление транспортом и есть частично беспилотное управление. Степень автоматизации определяет степень «беспилотности». Современное автоматизированное управление основано на применении информационных технологий и информационных моделей. Информационные технологии и модели являются цифровыми, то есть дискретными и компьютерно обрабатываемыми. Поэтому цифровые методы - это методы информационные. На современном этапе развития государств, их экономика и техническое развитие непрерывно связаны с цифровизацией. Этот тренд явился следующим шагом после информатизации и всеобщей компьютеризации. Основа этого направления лежит в представлении информации в цифровом виде, и позволяет обмениваться ею между всеми участниками различных процессов. Безусловно, переход к цифровой информации является драйвером общественного развития и обеспечивает качественное повышение уровня жизни всех людей в мире. Об эффективности цифровой трансформации можно судить по тому, как она влияет на жизнь людей, бизнес, производство, культуру. Сейчас нет такой сферы, где бы цифровизация не имела своего влияния. Одной из таких сфер является транспортная отрасль, которая, наряду с медициной, медиабиз-несом, банковским сектором, госуправлением является высокотехнологичным направлением, тесно связанным с информационно-коммуникационными технологиями. В России, в рамках ведомственного проекта «Цифровой транспорт и логистика», выделены основные направления:
- Грузоперевозки, включающие в себя цифровую биржу вагонов, цифровые накладные и декларации, трансграничные документы, планирование и оптимизация логистики с помощью АСУ, с возможностью реализации услуг «от двери до двери»;
- Пассажирские перевозки, включающие в себя цифровые билеты и сервисы, программу лояльности и бесшовную технологию при совершении поездок на различных видах транспорта;
- Беспилотное управление транспортными средствами с сохранением необходимого уровня безопасности и киберзащищенности.
Развитие беспилотного (автономного) управления
В настоящее время многие фирмы разрабатывают разнообразные беспилотные транспорт-
ные средства: легковые автомобили, грузовики, корабли, самолеты и космические аппараты.
Это создает комфорт передвижения для пассажиров и перевозки грузов. Наибольший опыт накоплен в использовании систем автопилотирования. Достаточно давно авиационные производители учли фактор человеческой усталости и возможности замены пилота автоматикой в условиях отсутствия регулярных помех движению. Обычно полёт происходит в воздушном пространстве, где препятствия практически не встречаются, а движущиеся рядом самолеты достаточно легко определяются бортовыми системами и легко разводятся в воздухе. Современный автопилот позволяет автоматизировать все этапы полёта от взлета до посадки. Практически уже сейчас пилот самолета необходим только для того, чтобы осуществлять взлет и посадку и вмешаться в управление в случае аварийной ситуации.
Первый автопилот для автоматизации управления самолётом был предложен предприятием Sperry Corporation в 1912 году и применялся для автоматического удержания курса и стабилизации крена. В данной системе управления рули высоты и направления жестко связаны гидравлическим приводом с блоком, который получал сигналы от высотомера и гирокомпаса. В 1930-х годах автопилоты стали устанавливаться на некоторые самолёты, в первую очередь, пассажирские лайнеры. В современной авиации за автоматизацию полёта отвечают системы автоматического управления (САУ) а также бортовые вычислительные комплексы.
Понятие «автопилот» трансформировалось в упрощенную форму для автомобильного транспорта. Самая известная и часто применяемая система автоматического управления для стабилизации текущей скорости движения называется «круиз-контроль». Она решает сравнительно простую задачу - сохраняет скорость движения транспортного средства без участия человека при движении по относительно ровной трассе. Никакого управления поворотами она не предусматривает. Такое беспилотное управление следует считать «не полным».
Начало экспериментов по полному беспилотному управлению транспортом ведется примерно с 1920-х годов [24], а первые проекты создания беспилотных автомобилей появились в 1950-х [25]. Первые беспилотные автомобили появились в 1980-х: в 1984 году проект Navlab [26] (Университет Карнеги-Меллон) и ALM[27] и в 1987 году проект Мерседес-Бенц и Eureka Prometheus Project от Военного университета Мюнхена (Bundeswehr University Munich) [28]. За последнее время больших успехов в пилотировании автомобиля без водителя добились многие компании. Можно выделить успехи таких зарубежных фирм как Google, Tesla, General Motors, Volkswagen, Audi, BMW, Volvo, Nissan, Cognitive Technologies.
В России проект ПАО «КАМАЗ» и Cognitive Technologies обещает создание беспилотного автомобиля к 2025 году. НПО «СтарЛайн» в рамках первого этапа проекта «Караван» разработало беспилотный автомобиль, который может следовать по заданному маршруту, держать дистанцию, считывать разметку и знаки, обходить препятствия, экстренно тормозить. Компания Яндекс ведет эту работу с 2016 года совместно с Hyundai Mobis.
Следует отметить, что беспилотное управление наземным транспортом связано с электронно картографией и геоинформатикой. В этом аспекте модель информационной ситуации становится пространственной и пространственной цифровой моделью. В современных беспилотных автомобилях используются алгоритмы на основе Байесовского метода [21] одновременной локализации и построения карт (SLAM - Simultaneous Localization And Mapping). Работа алгоритмов построена на комбинировании данных с сенсоров автомобиля и данных с цифровых карт. SLAM и метод обнаружения и отслеживания движущихся объектов (DATMO -Detection And Tracking of Moving Objects) разработаны и применяются в автомобилях дочерней компании Google Waymo. C 2017 года Google выложила библиотеку SLAM в открытый доступ для бесплатного использования любой компанией, которая занимается беспилотным управлением ТС [29].
Испытания беспилотных поездов начали проводить с конца 1940-го года, а первые образцы автопилотов для поездов пригородного сообщения появились в середине 1960-х. Сейчас беспилотные пассажирские поезда курсируют в 20-ти городах мира. В первую десятку вошли: Дубай (ОАЭ) (протяжённость линии 80 км), Ванкувер (Канада) (68 км), Сингапур (Малайзия) (65 км), далее следуют Лилль, Тулуза, Париж (все Франция), Пусан (Корея), Куала-Лумпур (Малайзия). Далее Тайбэй (Китай) и Токио (Япония) (по 25 км) [30]. Все эти системы работают на выделенных участках дорог, которые практически не пересекаются с другими типами транспорта, т. е. находятся на эстакадах или выделены в отдельные линии дорог, где вероятность появления препятствия крайне низко.
Для полноценной эксплуатации и применения беспилотных систем для пассажирских по-
ездов регионального и национального значения по-прежнему существует ряд ограничений. Над этими ограничениями и работают национальные компании разных стран мира
Австралия. В Австралии в 2017 автономный поезд, который состоял из трех локомотивов и перевозил около 2S 000 тонн железной руды, проехал более 2S0 км от горнодобывающих предприятий Рио-Тинто в Томе Прайсе до порта Кейп-Ламберт 10 июля 201S года. За поездом без водителя дистанционно следили операторы из оперативного центра Rio Tinto в Перте, расположенного более чем в 1500 км.
Германия. Deutsche Bahn AG (DB) - немецкая компания, основной железнодорожный оператор планирует ввести беспилотные поезда к 2021 году
Франция. Société Nationale des Chemins de fer Français (SNCF) - национальная компания французских железных дорог, государственное предприятие, управляющее железными дорогами Франции. SNCF ожидает увидеть «полуавтономные» поезда, работающие на французской железнодорожной сети к 2020 году и полностью автоматические поезда в течение пяти лет после создания двух консорциумов поставщиков и научно-исследовательских институтов для разработки и внедрения технологии
Китай. Китайские власти планируют запустить в эксплуатацию высокоскоростной поезд с автоматизированной системой управления в 2022 году на линии Пекин-Чжанцзякоу, в северокитайской провинции Хэбэй, строящейся для зимних Олимпийских игр. Эти поезда будут курсировать со скоростью до З50 км/ч, чтобы обеспечить легкое путешествие между Пекином и зимней олимпийской деревней за 50 минут. Испытания автоматизированной системы с июля по сентябрь 201S года успешно прошли на участке железной дороги между Пекином и городом Шеньян. Общий пробег за 94 дня составил 1S6 тыс. км.
В дополнение к рассмотренному, следует отметить, что беспилотное управление представлено также малыми беспилотными летательными аппаратами [З1. З2].
Как показывает опыт зарубежных стран, включая США и Японию, основным препятствием развития беспилотного железнодорожного транспорта является непредсказуемость и не стационарность ситуации, в которой может находиться поезд по мере движения по всей трассе. Это обуславливает повышенное внимание к методам вероятностного анализа.
Информационная стохастическая ситуация
При автономном (беспилотном) управлении транспортными средствами применяют в явной или в неявной форме модель информационной ситуации. При автономном управлении применяют разные по масштабу информационные ситуации, что в первую очередь определяется скоростью движения транспортного средства. При анализе транспорта следует ввести разделение информационных ситуаций разных типов
Локальная информационная ситуация - это ситуация, связанная с состоянием транспортного средства.
Видимая информационная ситуация - это ситуация (зона), определяемая зоной видимости человеческого зрения по маршруту движения транспортного средства. При движении между гор видимость ограничена.
Оптическая информационная ситуация - это ситуация (зона), определяемая зоной прямой видимости для оптических систем, превосходящих возможности человеческого зрения. В этой зоне вероятность определения препятствия достаточно высока.
«Слепая» информационная ситуация - это ситуация (зона), определяемая зоной наблюдения технических средств, включая БПЛА, которая простирается за зону оптической информационной ситуации. При скоростном движении эта зона может оказывать существенное влияние на движение. Вероятность обнаружения объекта обычными оптическими методами в этом случае приближено к нулю. Вероятность обнаружения объекта средствами технического наблюдения существенно выше.
Для измерения параметров «слепой» информационной ситуации применяют технические средства. Они позволяют отслеживать препятствия на пути движения: радары, лазерные сканеры, фотокамеры, инфракрасные камеры, ультразвуковые сенсоры, беспилотные авиационные системы и другие. Все эти средства позволяют построить комплексную систему технического наблюдения ситуации и выявления препятствий на пути транспорта.
Следует выделить еще одну ситуацию, которую назовем стохастической. Факторы, сопровождающие движение транспортного средства, можно разделить на стационарные, детер-
минированные и стохастические. Стационарные и детерминированные факторы можно учесть заранее. Стохастические факторы влияют на движение транспортного средства, и учесть их нельзя. Можно только оценить вероятность разных факторов.
Стохастическая информационная ситуация - это ситуация (зона), для которой существенную роль на характер движения транспортного средства играют стохастические факторы. Для этой ситуации обязательным является применение методов вероятностной логики [33] и вероятностных исчислений. При автономном движении информационная ситуация является динамической [34] и требует учета стохастических факторов
Одной из задач при пилотно и беспилотном управлении железнодорожным транспортом является распознавание объектов-препятствий, которые входят в информационную ситуацию. Если такие объекты препятствия не запланированы и возникают случайным образом, то это приводит к возникновению стохастической информационной ситуации. Стохастическая информационная ситуация характеризуется вероятностными и технологическими факторами. Вероятностные факторы для такой ситуации можно разделить на следующие виды:
- вероятностные характеристики наличия препятствия на трассе;
- вероятностные характеристики отсутствия препятствия на трассе;
- вероятность обнаружения препятствия на трассе;
- вероятность не обнаружения препятствия на трассе;
- вероятность систематики движения;
- вероятность нарушения систематики движения.
Вероятностные факторы образуют вероятностную модель движения транспорта. Эти шесть факторов представляют собой три пары дихотомических [35] или оппозиционных [36] вероятностных оценок. Технологические характеристики стохастической информационной ситуации обусловлены следующим. В реальных условиях данные от датчиков систем теленаблюдения содержат неопределенность. Возможны ложные сигналы от датчиков типа «эхо». Разумеется, дополнительно надо учитывать погрешность измерений. Все эти три фактора также характеризуют информационную стохастическую ситуацию.
Фактор два, когда ложные срабатывания зависят в значительной степени от природных условий. Ложным измерением называют измерение, которое интерпретируется датчиками или алгоритмами как измерение реального объекта препятствия, в то время как на самом деле этого препятствия нет. Ложные измерения происходят тем чаще, чем масштабнее ситуация, то есть, чем больше зона наблюдений. Измерение на основе сигнала, который приходит от существующего реального объекта, например, препятствия, называют истинным измерением. При реальном управлении сенсоры и датчики генерируют множество как истинных, так и ложных измерений. Ложные измерения возникают от объектов, которые расположены не на трассе движения, а рядом (столбы, светофоры, ограждения) и помехами движению не являются. При автономном управлении транспортом необходимо фильтровать сигналы от побочных объектов, которые присутствуют рядом с трассой движения. Это особенно важно при управлении высокоскоростным транспортом, при его интегральном управлении [37].
Стохастическая информационная ситуация содержит вероятности существования объекта и вероятности ложных срабатываний датчика. Стохастическая информационная ситуация задает условия для дальнейшего анализа. В частности, является ли сигнал об объекте реальным или ложным. Другими словами, стохастическая информационная ситуация допускает наличие неопределенности и требует ее раскрытия. Неопределенность обуславливает введение вероятностных характеристик при измерении обнаруживаемых объектов. Наличие вероятностных характеристик ситуации дает основание говорить о вероятностном ситуационном управлении. Такое управление описывается в рамках теории Демпстера-Шафера (ТДШ) [38].
Вероятностное ситуационное управление использует вероятностный показатель для каждого обнаруженного объекта. Используя эмпирическую вероятность случайного обнаружения побочных объектов, их можно отфильтровать с помощью установки порога (разделяющей плоскости) в пространстве параметров.
Здесь следует отметить еще одну особенность стохастической информационной ситуации. Визуальная ситуация и частично слепая информационная ситуация работают в основном с параметрами реального пространства. Стохастическая информационная ситуация работает в основном в пространстве параметров и результаты анализа передает в слепую информационную ситуацию. Если использовать непрерывную оценку (реальное время) распознавания объ-
екта, то это повышает качество обнаружения объекта [39, 40]. Причина этого в эргодичности процесса пространственных измерений. Преимущества использования стохастической информационной ситуации заключаются в том, что ее можно моделировать с использованием широкого набора апробированных статистических методов, которые имеют множество реализаций в программном обеспечении.
Оценка вероятности наличия реального объекта
Традиционно для определения вероятности многих случайных и динамических процессов применяют подход Байеса. Основная причина в том, что формула Байеса в интерпретации математической логики представляет собой вывод, который называют modus ponens [41]. Это правило Байеса имеет вид
p(z|x)p(x)
P(X|Z) = P(z) (1)
В выражении (1) х-величина, подлежащая оценке, p(x) - предварительная вероятность величины, p(x|z) - следующая величина, подлежащая оценке после наблюдения за измерением, p(z|x) - измерение, произведенное из оцениваемого значения, и p(z) - нормализующий фактор. Для упрощения выражения p(z) его часто заменяют нормализующим фактором п таким, что
р(х | z) = np(z | х)р(х) (2)
В выражении (2) величина п гарантирует, что результат оценки правил Байеса среди значения х и его дополнения составляет 1.
Для вероятности существования значение, подлежащее оценке, х, и его дополнение, х является вероятностью существования, ее дополнение - не существования, а измерение - информацией о вероятностной природе измерения, z, связанной с объектом, если таковая связь была вообще.
Из (2), в результате получаем:
р(х I z) = np(z | х)р(х)= pßXkl t) (3)
p(Z | z) = np(z | x)p(x)= Pßxkl t) (4)
Методика обнаружения объектов на пути движения в стохастических ситуациях
Методика обнаружения объектов на пути движения в стохастических ситуациях основана на моделировании вероятностных параметров ситуации. Эти параметры следующие.
Вероятность устойчивости обнаружения, pp, (p-persistence) используется на этапе прогнозирования процесса для оценки вероятности существования. В радиолокации, когда были введены IPDA и JIPDA [38, 39], вероятность устойчивости обнаружения объекта в Марковском процессе была выбрана постоянной. Поскольку воздушные наземные радиолокаторы имеют угол зрения 360°. В условиях применения датчиков для автомобилей, поле зрения одиночного датчика более ограничено, а для локомотива еще более ограничено, и поэтому вероятность устойчивости обнаружения можно моделировать на специфических свойствах наблюдений датчика.
Концепция использования угла зрения датчика для моделирования вероятности устойчивости обнаружения была введена вначале для автомобильных приложений, но она применима для железнодорожных средств. Вероятность устойчивости также иногда называют вероятностью выживания. Общая вероятность устойчивости состоит из комбинации вероятности устойчивости в полярных координатах:
pZod(r, 9)=pp (r)pp(9) (5)
На рис.1 приведен пример того, как можно смоделировать вероятность устойчивости обнаружения для датчика, обращенного вперед, с максимальным расстоянием r =200 м и максимальным углом ф = ±50° наряду с двумерной визуализацией вероятности устойчивости после умножения полярных частей вместе, как в (5). Диапазон и угол отсечки выбирались как mr = 0,4 и тф = 0,3, соответственно, а а - как 0,01, где (а) показано моделирование по расстоянию r, (б) показано моделирование по углу ф, и (в) визуализируется комбинированная вероятность устойчивости в декартовой системе координат.
—А Ч-\
—I-1-1-V* о -(-1-1-1-150 100 150 200 -50 -25 0 25 50
г (ш) ф С)
(а) (Ь)
200 150 н ЮО 50 О
200 150 100 50 0 -50 -100 -150 -200 У М
(с)
Рисунок 1. Моделирование вероятности устойчивости обнаружения в полярных координатах датчика.
Вероятность появления (рождения) рьОсцы), (6-birth) введена для прогнозирования существования. Кроме того, вероятность появления используется для инициализации вероятности существования вновь обнаруженного объекта из не контролируемого измерения в окружающей среде.
Самый простой способ моделирования вероятности появления объекта -принять разумное постоянное значение, например, _pb(xk|k-1) = 0,1. Такая константа должна быть выше порога удаления, но достаточно низкой, чтобы существование объекта можно было проверить с течением времени, поскольку объект продолжает наблюдаться с помощью измерений датчика. Выбор постоянной вероятности появления также является наиболее типичным подходом, используемым в литературе при использовании в сочетании с IPDA и общих интегрированных вероятностей взаимосвязанных данных - JPDA [38, 39].
В [42] знание о поле зрения датчика и других обнаруженных объектах используется для определения более точной вероятности появления. Вероятность появления моделируется, принимая градиент вероятности устойчивости таким образом, что в местах, где вероятность устойчивости изменяется пропорционально более высокой вероятности появления. Это приводит к тому, что высокая вероятность появления выбирается по краям угла зрения датчика и по краям окклюзии (видимости) объекта.
Вероятность появленияобъекта приближено к другому оценивается в [43], где предполагается, что новые объекты не могут быть созданы в непосредственной близости от уже обнаруженных объектов с высокой вероятностью существования. Идея функции плотности гипотезы вероятности (PHD- Probability Hypothesis Density) используется для получения вероятности существования объекта над определенной областью. Дополнение этой вероятности ко всем объектам в окружающей среде приводит к пространственной вероятности появления любой новой гипотезы объекта.
Существует множество вариантов моделирования вероятности появления. При выборе модели вероятности появления следует учитывать различные варианты и их простоту или сложность. Тип используемого датчика также может повлиять на выбор. Например, модель с функцией PHD, представленная в [43], хорошо работает для датчиков, которые могут определять размеры объекта. Другие датчики, такие как камера, могут больше полагаться на полярную модель вероятности появления, аналогичную модели, представленной в [42]. Но простейший метод выбора постоянной величины также может быть достаточно эффективным, если остальная часть задачи оценки вероятности существования хорошо сформулирована.
Вероятность определения. Вероятность определения, pd(k), (d-detection) представляет со-
^ 0-5
о -о
бой вероятность того, было ли обнаружено и связано ли действительно измерение для соответствующего объекта. Вероятность определения влияет на то, как быстро вероятность существования растёт и падает, когда измерения связаны с объектом. Существует множество способов моделирования этой вероятности, и они могут варьироваться в зависимости от датчика. В [43] вероятность определения лазерного сканера моделируется тангажом ТС и координатой z определяемого объекта, что уменьшает вероятность определения, когда измерительные лучи лазерного сканера, находятся выше или ниже определяемого объекта. Вероятность определения оптическим датчиком камеры также моделируется в [43] с использованием угла зрения камеры, положения определяемого объекта, длины, ширины и ориентации объекта. Вероятность определения также может быть получена непосредственно из классификатора, например, алгоритмов машинного обучения Adaptive Boosting для камеры [42]. Простейшим решением для моделирования вероятности определения было бы просто выбрать соответствующую константу.
Здесь представлен более общий подход, где вероятность обнаружения представляет собой комбинацию трех значений: смоделированная вероятность определения Р™°й(%|&-1),истинная положительная вероятность измерения p™eas (zk) и вероятность отражения объекта Pcfack(xk |k)
Pd(fc) = prd(%|fc-i)pras(^ )рГсЧ% |fc) (6)
Если измерение не было связано с объектом, то p™eas (zk) и Pdracfc(*fc|fc), просто игнорируются. Смоделированная вероятность определения p™od(xfcзависит исключительно от прогнозируемого состояния измерений, поэтому информация о самих измерениях не учитывается. Идея состоит в том, чтобы смоделировать тот факт, что, учитывая любое местоположение в поле зрения датчика, какова вероятность того, что датчик сможет произвести действительное измерение в этом месте, где объект должен быть.
Самый простой метод, просто предположить, что датчик может обнаружить объект везде, если он существует, что приводит к постоянному значению для Pc^od(.xk|k_1). Такого предположения может быть достаточно во многих случаях. Аналогичная модель, которая учитывает угол зрения датчика, как это сделано с вероятностью устойчивости обнаружения, может только улучшить модель. Другие свойства датчика, такие как априорное пространственное соотношение, сигнал/шум, можно было бы также рассмотреть, особенно для радиолокационных датчиков. В комбинации, моделирование, измерение и вероятность определения объекта повышают вероятность существования более быстро или медленно, в зависимости от положения и качества измерения объекта.
Вероятность беспорядка. Вероятность беспорядка часто моделируется как пространственный процесс Пуассона в приложениях для обнаружения [42]. Он представляет вероятность того, что ложное измерение происходит в данной области или в течение заданного периода времени. Основной процесс Пуассона служит для вероятности того, что ровно m измерений являются ложными измерениями в момент времени k, обозначаемый как множество ложных измерений Zk и является выражением:
2те~1
pc(\ZFk\=m; Х)= (7)
где ^-параметр уровня пуассоновского процесса. Параметр уровня, в зависимости от применения процесса Пуассона, может быть определен как единичное возникновение события, в данном случае ложного измерения, относительно времени или пространства. Вероятность событий того, что до и включая m ложных измерений, произошло, задается суммой:
Pc(|Z^|<mЛ) = ^P-^-r (8)
i
Для применения (8) необходимо оценить количество потенциальных ложных измерений |Z£ | и параметр уровня интенсивности X.
Все рассмотренные параметры в совокупности определяют вероятностную информационную ситуацию.
Управление стохастическими объектами
При обнаружении препятствий один из вариантов управления объектами, которые определяются датчиками, достигается путем перебора вероятности существования объекта. В общем случае можно определить три пороговых уровня, где происходит действие на объект: порог подтверждения (тс), порог не подтверждения (тис) и порог удаления (та). Когда вероятность существования объекта достигает порога подтверждения тс, он повышается до проверенного объекта и включается в список объектов, которые датчик точно определяет, т.е. может обнаружить. Поскольку вероятность существования объекта падает ниже порога не подтверждения тис, объект больше не считается проверенным объектом, но он по-прежнему хранится во внутреннем списке объектов датчика. Обратите внимание, что порог неподтверждения должен быть выбран такой что тис<тс, который имеет эффект обнаружения объектов, проверенных в течение длительного периода времени, если они уже достигли тс когда-то в своей истории. Если вероятность существования объекта падает дальше, он в конечном итоге достигнет порога удаления та, после чего он полностью удаляется из списка объектов датчика. Рис. 2 показывает отношения между различными порогами существования. Пороговые значения следует выбирать таким образом, чтобы частота обнаружения (истинные положительные и ложные положительные зна-чення) на пороговых значениях гарантировала определенный желаемый уровень.
1 с1 7~цс 7~с
|--I I р(3хк I гк)
о „______1
Рисунок 2: Пороги существования для подтверждения и удаления объектов.
Также, возможно, определение нескольких порогов подтверждения, каждый из которых соответствует разной интенсивности обнаружения, так что вероятность существования между порогами подтверждения соответствует логической надежности обнаружения объекта. Такая логическая надежность может интерпретироваться в отношении приложения помощи машинисту, например, для системы безопасности, такой как система экстренного торможения, с высоким замедлением, которая должна реагировать только на объекты, которые соответствует самым высоким подтверждениям порога, в то время как комфортные (мягкие) системы [44], такие как адаптивный круиз-контроль будет реагировать раньше, при определении объектов, которые отвечают нижнему порогу подтверждения объекта.
На уровне слияния ситуаций необходимо объединить вероятность существования объекта от нескольких датчиков в глобальный список объектов, используя стратегию слияния измерений датчиков с глобальным списком.
Интерфейс объектной модели рассматривает вероятность существования как единственную вероятность, обычно полученную из байесовского алгоритма оценки или из алгоритма IPDA/JIPDA [19, 20]. Однако для того, чтобы воспользоваться преимуществами работы различных датчиков и справиться со сложными ситуациями, такими как непрозрачность (окклюзии), одного значения для моделирования вероятности существования на уровне слияния недостаточно. Поэтому вероятность существования моделируется с помощью ТДТТТ в модуле слияния, как будет описано далее, а затем преобразуется обратно в единственное значение вероятности существования на выходе модуля слияния.
Применение стохастической информационной ситуации для обнаружения препятствий стало обязательным для помощи машинисту, особенно в условиях плохой видимости. Глаз человека не способен определить различать объекты при плохой видимости. Например, когда снег заметает рельсовые пути (рис.2) и скрывает препятствия важно точно определять режим движения поезда. В этом случае применяют специальные алгоритмы и математические модели для интеграции данных, которые приходят от сенсоров. Данные приходится фильтровать по зоне информационной ситуации относительно рельсовой колеи (слепая информационная ситуация). При анализе проводят фильтрацию образов укрупненно с помощью гиперплоскости [45] или детальное распознавание образов транспортных средств на основе эвристических данных и машинного обучения [46].
На рисунке 3 выделены объекты, которые могут вызывать ложные срабатывания датчиков, требуют применения методов вероятностного анализа и модели стохастической информационной ситуации.
Рис. 3. Стохастическая информационная ситуация движения транспортного средства
Заключение
Беспилотное или автономное управление требует применения методов ситуационного анализа и использования модели стохастической информационной ситуации. Модель стохастической информационной вероятностной ситуации является инструментом автономного управления. Данный подход является развитием системного анализа применительно к области вероятностной логики [33]. Особенностью подхода данной работы является замена понятия «альтернатива - решение» на понятие «альтернатива - информационная ситуация», которая затем трансформируется в стохастические информационные ситуации. Альтернатива - решение дает одно жесткое решение. Альтернатива - ситуация дает множество мягких решений. Она адаптивная к изменениям условий движения. Стохастическая информационная ситуация является динамической моделью, удобной для использования в сфере транспорта. Семантической окружение объекта управления является характерным признаком стохастической ситуации. Оно означает наличие связанных параметров, отражающих движение объекта и ситуацию вокруг него. Данный подход является перспективным для развития автоматизированного управления транспортом и для нового направления «слепого управления транспортом». Перспективными направлениями развития данной тематики, по нашему мнению, является дихотомический анализ, вероятностная логика и пространственная логика.
Литература
1. Лёвин Б. А., Цветков В.Я. Объектные и ситуационные модели при управлении транспортом // Наука и технологии железных дорог. 2017. № 2 (2). С. 2-10.
2. Титов Е.К. Информационное ситуационное управление // Государственный советник. 2019. № 1 (25). С. 51-56.
3. Tsvetkov V.Ya. Multipurpose Management // European Journal of Economic Studies. 2012. N. 2 (2).P. 140-143.
4. Козлов А.В. Многоцелевое управление транспортом мегаполиса // Наука и технологии железных дорог. 2018. № 4 (8). С. 40-47.
5. Дзюба Ю.В. Многоцелевое управление подвижными объектами // Наука и технологии железных дорог. 2019. № 1 (9). С. 53-60.
6. Tsvetkov V.Ya. Information Management of Mobile Object // European Journal of Economic Studies. 2012. N. 1 (1). P. 40-44.
7. Дзюба Ю. В., Охотников А. Л. Мобильное управление подвижными объектами // Наука
и технологии железных дорог. 2018. № 1 (5). С. 16-25.
8. Дышленко С.Г. Ситуационный анализ в транспортной сети // Наука и технологии железных дорог. 2018. № 1(5). С. 26-33.
9. Дзюба Ю.В. Управление транспортом на основе метода прецедентов // Наука и технологии железных дорог. 2018. № 3(7). С. 71-80.
10. Розенберг И.Н. Информационная ситуация как сложная система // Образовательные ресурсы и технологии. 2017. № 3 (20). С. 69-77.
11. Цветков В.Я. Комплементарность информационных ресурсов // Международный журнал прикладных и фундаментальных исследований. 2016. № 2. С. 182-185.
12. Щенников А.Н. Неопределенность и комплементарность // Славянский форум. 2018. № 4 (22). С. 85-90.
13. Розенберг И.Н. Сложность и комплементарность // Перспективы науки и образования.
2016. № 5. С. 7-10.
14. Раев В.К. Организационные системы // ИТНОУ: Информационные технологии в науке, образовании и управлении. 2019. № 1. С. 94-100.
15. Буравцев А.В. Сложные технологические системы // Славянский форум. 2017. № 4 (18). С. 14-19.
16. Цветков В.Я. Информационная неопределенность и определенность в науках об информации // Информационные технологии. 2015. № 1. С. 3-7.
17. Tsvetkov V.Ya. Information Situation and Information Position as a Management Tool // European researcher. 2012. N. 12-1 (36). P. 2166-2170.
18. Павловский А.А., Охотников А.Л. Информационная транспортная ситуация // Наука и технологии железных дорог. 2018. № 2 (6). С. 16-24.
19. Tsvetkov V.Yа. Semantic environment of information units // European researcher. 2014. N. 6-1 (76). P. 1059-1065.
20. Цветков В.Я. Когнитивные аспекты построения виртуальных образовательных моделей // Перспективы науки и образования. 2013. № 3. C. 38-46.
21. Охотников А.Л. Вероятностное ситуационное управление на транспорте // Наука и технологии железных дорог. 2019. № 2 (10). С. 89-98.
22. Розенберг И.Н., Цветков В.Я. Когнитивная и пространственная логика в ситуационных центрах // Наука и технологии железных дорог. 2019. № 2 (10). С. 3-16.
23. Павловский А. А. Формальная интерпретация // Перспективы науки и образования.
2017. № 4 (28). С. 18-22.
24. König M., Neumayr L. Users' resistance towards radical innovations: The case of the self-driving car //Transportation research part F: traffic psychology and behaviour. 2017. V. 44. Р. 42-52.
25. The Free Lance-Star - Google News Archive Search. news.google.com. дата просмотра 12.07.2019
26. The Carnegie Mellon University Autonomous Land Vehicle Project (NAVLAB). www.cs.cmu.edu. дата просмотра 12.07.2019
27.https://pdfs.semanticscholar.org/aed9/62d06b081820cb3481fafa5a59568fca4764.pdf дата просмотра 12.07.2019
28. ROBOT CARS - autonomous vehicles - history of self-driving cars - best robot car. peo-ple.idsia.ch. дата просмотра 12.07.2019
29. Davies A. Google's self-driving car caused its first crash //Wired. 2016.
30. Quigley M. et al. ROS: an open-source Robot Operating System // ICRA workshop on open source software. 2009. V. 3. N. 3.2. P. 5.
31. Цветков В.Я., Ознамец В.В., Филатов В.Н. Определение условной береговой линии по снимкам беспилотного летательного аппарата // Информация и космос. 2019. № 1. C. 126-131.
32. Ознамец В.В. Геомониторинг на транспорте с использованием БПЛА // Наука и технологии железных дорог. 2018. № 1 (5). С. 43-53.
33. Господинов С.Г. Вероятностно логический анализ // ИТНОУ: Информационные технологии в науке, образовании и управлении. 2019. № 1. С. 3-8.
34. Shiller Z., Gwo Y.R. Dynamic motion planning of autonomous vehicles // IEEE Transactions on Robotics and Automation. 1991. V. 7. N. 2. P. 241-249.
35. Tsvetkov V.Ya. Dichotomous Systemic Analysis // Life Science Journal 2014. N. 11 (6). P. 586-590.
36. Савиных В.П. Оппозиционный анализ в информационном поле // Славянский форум. 2016. № 3 (13). С. 236-241.
37. Цветков В.Я. Интегральное управление высокоскоростной магистралью // Мир транспорта. 2013. № 5 (49). С. 6-9.
38. Охотников А.Л. Применение теории Демпстера-Шафера для оптимизации перевозок // Наука и технологии железных дорог. 2018. № 4 (8). С. 61-74.
39. D. Musicki, R. Evans, and S. Stankovic «Integrated Probabilistic Data Association» IEEE Transactions on Automatic Control. 1994. June. V. 39. N. 6. P. 1237-1241.
40. D. Musicki and R. Evans, «Joint Integrated Probabilistic Data Association: JIPDA»IEEE Transactions on Aerospace and Electronic Systems. 2004. July. Vol. 40. No. 3. pp. 1094-1099.
41. Кудж С.А., Цветков В.Я. Логика и алгоритмы: Монография. - М.: МАКС Пресс, 2019. 112 с. ISBN 978-5-317-06054-1
42. M. Mahlisch, W. Ritter, K. Dietmayer «De-cluttering with Integrated Probabilistic Data Association for Multisensor Multitarget ACC Vehicle Tracking,» in IEEE Intelligent Vehicles Symposium, Istanbul, Turkey, June 2007, P. 178-183.
43. M. Munz, M. Mahlisch, J. Dickmann, and K. Dietmayer, «Probabilistic Modeling of Sensor Properties in Generic Fusion Systems for Modern Driver Assistance Systems» in IEEE Intelligent Vehicles Symposium, San Diego (CA), USA, June 2010, P. 760-765.
44. Охотников А.Л., Дзюба Ю.В. Мягкое ситуационное управление // Интеллектуальные системы управления на железнодорожном транспорте. Компьютерное и математическое моделирование (ИСУЖТ-2018): сборник труды седьмой научно-технической конференции. 2018. С. 62-64.
45. Аникина Г.А., Поляков М.Г., Романов Л.Н., Цветков В.Я. О выделении контура изображения с помощью линейных обучаемых моделей // Известия академии наук СССР. Техническая кибернетика.1980. № 6. С. 36-43.
46. Мокшин В.В. и др. Распознавание образов транспортных средств на основе эвристических данных и машинного обучения // Вестник Казанского технологического университета. 2016. Т. 19. № 5. С. 130-136.
Сведения об авторе
Андрей Леонидович Охотников
зам. рук. центра стратегического анализа и развития Научно-исследовательский и проектно конструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте (АО «НИИАС») Москва, Россия.
Эл. почта: [email protected]
Information about author A.L. Okhotnikov
Deputy Head Center for strategic analysis and development
Research and Design Institute for information Technology, Signalling and Telecommunications on Railway Transport (JSC «NIIAS»), Moscow, Russia E-mail: [email protected]
