Беспилотные автомобили смогут идентифицировать опасности на дороге за счет технологии дополненной реальности

Беспилотные автомобили смогут идентифицировать опасности на дороге за счет технологии дополненной реальности

Выпуск 25 (6699) от 19 декабря 2019 г.
РУБРИКА: АВТОМОБИЛЬНАЯ ЭЛЕКТРОНИКА

Включение средств компьютерного моделирования в тестирование машин-беспилотников на замкнутом маршруте может научить роботизированные автомобили функционировать в самых неожиданных ситуациях.

На протяжении десятилетий безопасность новых автомобилей устанавливалась путем испытаний. Проверялась, например, способность автомобиля удержать все четыре колеса на дороге при резком повороте, затормозить до остановки на коротком расстоянии или обеспечить безопасность пассажиров при лобовом столкновении. Но поскольку автомобили все в большей мере становятся беспилотными, простых испытаний теперь недостаточно. Потребителю необходимо знать, обладает ли автомобиль достаточным «интеллектом», чтобы справляться с такими же условиями вождения, с которыми справляются люди. Для этого испытания должны стать меньше похожими на полосу препятствий и больше – ​на тест IQ.

Одним из очевидных способов проверить управляющую систему и технические возможности беспилотных транспортных средств – ​сравнительные испытания с использованием обычных автомобилей. Это необходимо хотя бы потому, что роботизированным автомобилям придется долгие годы делить дорогу с машинами, управляемыми человеком. Но тут возникают две проблемы. Первая заключается в том, что безопасность всех заинтересованных сторон не может быть гарантирована на ранних этапах внедрения – ​беспилотные автомобили уже становились участниками аварий со смертельным исходом. Вторая проблема – ​сам масштаб непосредственного тестирования.

Большую часть времени в пути тестируемые автомобили будут проводить в обычных условиях, наряду с обычным транспортом, и лишь в редких случаях могут возникнуть экстренные ситуации – ​например, грузовик теряет шину, которая скачет по среднему ряду скоростного шоссе прямо на испытуемую машину. Такие ситуации обычно возникают при неблагоприятном стечении обстоятельств, которое трудно предусмотреть и еще сложнее включить в процесс тестирования.

Иными словами, необходимы другие стратегии оценки безопасности беспилотных транспортных средств. Одним из наиболее эффективных вариантов может оказаться описываемое в статье дополнение физического испытания автомобиля средствами компьютерного моделирования.



Источник: Мичиганский университет

Управление испытаниями: мониторы показывают все данные, которые тестовый автомобиль собирает при помощи встроенных датчиков, а также виртуальный трафик, моделирующийся на компьютере


Согласно статистическим данным Нацио-нального управления безопасности дорожного движения США, аварии со смертельным исходом происходят один раз на 160 млн км вождения. Это немного больше, чем расстояние от Земли до Солнца. Чтобы наездить такой километраж, беспилотному автомобилю, курсирующему по скоростному шоссе 24 часа в сутки, потребуется почти 200 лет. Еще больше времени уйдет, чтобы преодолеть это расстояние в переулках, проезжая через перекрестки и маневрируя на парковках. Для завершения эксперимента понадобится эксплуатировать парк из 500 автомобилей в течение 10 лет, а затем придется повторять все заново для каждой новой разработки.

Очевидно, что необходимо расширить дорожные испытания за счет других стратегий, чтобы выявить как можно больше внештатных ситуаций. Один из используемых в настоящее время методов заключается в тестировании беспилотных транспортных средств в закрытых испытательных центрах (на замкнутых маршрутах), где можно снова и снова проигрывать различные внештатные ситуации.

При всей несомненной пользе, этот подход также имеет ограничения. Для имитации внештатных ситуаций обычно требуется несколько транспортных средств, и, возможно, пилотировать их придется профессиональным водителям. Более того, никто не может гарантировать, что беспилотное транспортное средство будет работать так, как запланировано, особенно на ранних этапах испытаний. Если что-то пойдет не так, может произойти настоящая авария, способная привести к повреждению беспилотного транспортного средства или даже к ранениям людей в других автомобилях. Наконец, какими бы изобретательными ни были разработчики, нельзя ожидать, что они создадут полностью реалистичную модель транспортной среды. В реальной жизни сбить с толку датчики автономного автомобиля может тень от дерева, а отражение радарного луча от крышки люка может заставить радар «увидеть» грузовик там, где его нет.

Компьютерное моделирование позволяет обойти ограничения физического тестирования. Алгоритмы создают виртуальные копии транспортных средств, а затем перемещают их по цифровой карте, которая соответствует реальной дороге. Если полученные таким образом данные перенести на фактическое беспилотное транспортное средство, которое движется по той же дороге, оно будет интерпретировать данные точно так, как если бы они поступили непосредственно от его датчиков.

Несмотря на то что автомобиль, предназначенный для физических испытаний, едет по пустым дорогам, он «думает», что окружен другими транспортными средствами. В процессе тестирования он отправляет собранную информацию – ​полученную как за счет дополненной реальности, так со своих датчиков – ​обратно на платформу моделирования. Таким образом, создается возможность для взаимодействия реальных транспортных средств, моделируемых автомобилей, а также виртуальных объектов инфраструктуры, таких как пешеходы. Благодаря этому можно безопасно и экономически эффективно осуществить проверку широкого спектра сценариев.

В июне 2017 г. разработчики Мичиганского университета (г. Энн-Арбор, шт. Мичиган, США) внедрили среду дополненной реальности в Mcity – ​первый в мире полномасштабный испытательный стенд для автономных транспортных средств. На площади в 12,95 га расположилась вся необходимая для испытаний инфраструктура.



Источник: Мичиганский университет

Пассажир в автономном гибридном автомобиле Lincoln MKZ


Беспилотный испытательный автомобиль оборудован бортовым устройством, которое передает информацию о состоянии транспортного средства с интервалом в 0,1 с, используя выделенную связь малого радиуса действия (DSRC) – ​стандарт, аналогичный Wi-Fi и предназначенный для мобильных пользователей. Придорожные устройства, распределенные вокруг испытательного объекта, получают эту информацию и направляют ее в модель имитации трафика, которая может имитировать испытательный объект, сводя информацию к эквивалентной геометрии сети, включающей в себя сигналы светофора и дорожные знаки. Как только компьютерная модель получает информацию о тестируемом автомобиле, она создает его виртуальную копию, а затем обновляет движения виртуального автомобиля на основе движений реального тестового авто.

Передача данных с реального испытуемого транспортного средства в среду компьютерного моделирования – ​лишь половина цикла. Завершение второй половины происходит в момент отправки информации о различных транспортных средствах, смоделированных компьютером, на тестовую машину. Каждое моделируемое транспортное средство генерирует сообщения о своем состоянии на частоте 10 Гц, информация отправляется на придорожные приборы, транслирующие ее в реальном масштабе времени. Когда реальный тестовый автомобиль получает эти данные, его система управления использует их, чтобы «увидеть» все виртуальные транспортные средства. Для автомобиля эти моделируемые объекты неотличимы от реальных.

Когда транспортные средства передают сообщения через придорожные устройства, связь «транспортное средство – ​инфраструктура» заменяется на прямую связь «транспортное средство – ​транспортное средство». Благодаря этому реальные и виртуальные транспортные средства могут воспринимать друг друга и взаимодействовать соответствующим образом. Точно так же между реальным и моделируемым мирами синхронизируются сигналы светофора.



Источник: Мичиганский университет

В пилоне на крыше размещен вращающийся лидар; по углам размещены лидары дальнего действия


Безусловно, существующий алгоритм не лишен недостатков. Например, ошибки GPS-датчиков и карт могут препятствовать точному отображению испытуемой машины на моделируемой дороге. Отсюда следует, что важнейшую роль во всем процессе играет качество беспроводной связи. Для обеспечения ее надежности разработчики установили четыре придорожных радиоприемника, охватывающих территорию всего испытательного комплекса. Беспроводной стандарт DSRC, работающий в диапазоне 5,9 ГГц, обеспечивает высокую скорость передачи данных и очень низкую задержку.

Исследователями Мичиганского университета было реализовано два сценария тестирования. В первом случае система генерировала изображение виртуального поезда, приближающегося к макету железнодорожного переезда, и проецировала его в дополненную реальность тестируемого автомобиля. Помимо поезда были добавлены другие виртуальные транспортные средства, такие как автомобили, следующие за испытуемой машиной.



Источник: Мичиганский университет

Реальная и виртуальная среда: радиоприемопередатчик (белый объект, а) получает данные от автомобиля и возвращает виртуальные данные, сгенерированные компьютерами. Один из виртуальных объектов – это поезд (б). Автомобиль тормозит, чтобы избежать столкновения с виртуальной машиной, движущейся на красный свет (в). Множество дорожных ситуаций может генерироваться на небольшом пространстве (г)


Второй, более сложный сценарий тестирования включал в себя красный свет. Он служил двум целям: увидеть, как тестируемая машина реагирует на сигналы светофора, а также способна ли она «заметить» нарушителей, проезжающих на красный свет. Задача испытуемого автомобиля – ​определить, является ли сигнал светофора красным или зеленым, и принять соответствующее решение – ​делать остановку или продолжать движение. Он также должен быть в состоянии заметить приближение виртуального автомобиля, едущего на красный свет, предсказать его траекторию и рассчитать собственное движение так, чтобы избежать столкновения.



Источник: Крис Филпот

Тестовый автомобиль Mcity оснащен лидарами как для кругового обзора (обеспечиваемого вращающимся пилоном на крыше), так и для сфокусированного переднего обзора. Радары улучшают обзор, а GPS-блоки дополняют имеющийся арсенал средств за счет высокоточной радиокоррекции


Специалисты Мичиганского университета планируют создать большую библиотеку тестовых сценариев, включая экстренные ситуации, а затем использовать дополненную реальность для повторного тестирования беспилотных автомобилей. Сейчас такая библиотека создается на основе данных, полученных из отчетов о фактических авариях, а также с датчиков движения и видеорегистраторов реальных транспортных средств.


Feng Yiheng, Liu Henry X. Self-Driving Cars Learn about Road Hazards through Augmented Reality. IEEE Spectrum. November 20, 2019: https://spectrum.ieee.org/transportation/self-driving/selfdriving-cars-learn-about-road-hazards-through-augmented-reality


МНЕНИЕ ЭКСПЕРТА

Никита Куликов

Сама по себе технология «беспилотного движения» транспорта не может считаться уникальной – ​самостоятельное движение автомобилей в автономном режиме предполагает функция «круиз-контроль», установленная на всех современных автомобилях и известная уже не одно десятилетие. Однако для того чтобы из стадии автоматического движения автомобиль мог перейти к следующей стадии – ​интеллектуальному и адаптивному движению, его в первую очередь необходимо научить правильно трактовать всю полученную в процессе движения и взаимодействия с другими транспортными средствами информацию. Изменением или дополнением имеющегося программного обеспечения для столь сложной технологии уже не обойтись.

Несомненно, в рамках программного обеспечения можно научить автомобиль распознавать различного рода дорожные события и препятствия, имеющие схожие родовые признаки и визуализацию. Однако такая идеальная ситуация может быть доступна только в теории, а на дорогах общего пользования погрешность даже в 1% может привести к самым ужасным последствиям. Следовательно, система беспилотного транспорта должна действовать не только шаблонно, исходя из событий, загруженных в ее библиотеку, но и самообучаться – ​сотни и тысячи раз апробировать события в реальности, вырабатывая различные варианты поведения. А это уже вариация искусственного интеллекта.

Обучение искусственного интеллекта на стендах и в VR считается наиболее действенной моделью. Тем не менее какие бы прогрессивные тесты ни использовались при обучении искусственного интеллекта, по-прежнему будет оставаться необходимость для отработки различных моделей поведения в реальной жизни с реальными участниками дорожного движения и по-прежнему будет сохраняться вероятность того, что ситуация может отличаться от множества вариантов запланированного сценария.


ЧИТАЙТЕ ТАКЖЕ

Выпуск 24/25 (6748/6749) от 23 декабря 2021 г. г.
Выпуск 23(6747) от 25 ноября 2021 г. г.
Выпуск 18(6742) от 16 сентября 2021 г. г.
Выпуск 17(6741) от 02 сентября 2021 г. г.