Умный транспорт. Слияние датчиков

Умный транспорт Новые технологии

Введение.

По своей сути выражение «умный транспорт» подразумевает некую интеграцию различных датчиков, включая ультразвуковые, лидарные, радарные устройства, камеры высокой четкости и другие вспомогательные системы, используемые в транспортных средствах для улучшения качества управления автомобилем и достижения наибольшей безопасности во время движения. Сейчас такое “слияние датчиков” является ещё и ключевым фактором для обеспечения полностью автономного вождения, и корректное их взаимодействие играет важную роль в процессе становления данной отрасли.

Умение камер высокой четкости, идеально разделять сложные визуальные формы, от едва уловимых оттенков ограничивается их производительностью в ночное время или ненастную погоду. Именно в этих условиях организация слияния сенсоров становится критически важной.

Эта интеграция особенно важна для решения задач обнаружения на близком расстоянии – области, где традиционные датчики часто дают сбои. Такая точность непосредственного восприятия жизненно необходима для выполнения сложных парковочных маневров и безошибочной навигации в стесненных пространствах.

Умный транспорт. Ультразвук, лидары и радары.

Динамика взаимодействия ультразвуковых и лидарных датчиков создает более надежную интерпретационную основу. В то время как лидар предоставляет топографическую карту окружения автомобиля, ультразвуковые датчики способствуют более глубокому пониманию пространства, проверяя и уточняя данные лидара, тем самым снижая риски ошибочного распознавания объектов.

Лида́р (транслитерация LIDAR или LiDAR — англ. Light Detection and Ranging «обнаружение и определение дальности с помощью света») — лазерный локатор, использующий технологию испускания лазером волн оптического диапазона с дальнейшей регистрацией лазерных импульсов, которые были рассеяны объектами: лазерную (или оптико-электронную) локацию. Лазерная локация использует методы обнаружения и определения угловых координат объектов аналогично используемым в радиолокации, однако имеет большую разрешающую способность и точность. https://ru.wikipedia.org/wiki/Лидар

Использование ультразвуковых датчиков в сочетании с радарной технологией позволяет достичь непревзойденной точности восприятия, которая необходима для успешного выполнения сложных парковочных маневров и безошибочной навигации в ограниченном пространстве. В отличие от РАДАРА, волновые характеристики которого ограничены, ультразвуковые датчики обеспечивают высокую точность на близких расстояниях, многократно повышая ситуационную осведомленность AVS.

Радар — это радиолокационная система, которая использует радиоволны для определения расстояния (дальности), угла (азимута) и радиальной скорости объектов относительно объекта. Используется для обнаружения и сопровождения самолетов, кораблей, космических аппаратов, управляемых ракет, автотранспортных средств, составления карт погодных условий и рельефа. Радиолокационная система состоит из передатчика, генерирующего электромагнитные волны в области радио или микроволн, передающей антенны, приемной антенны (часто для передачи и приема используется одна и та же антенна), а также приемника и процессора для определения свойств объектов. Радиоволны (импульсные или непрерывные), исходящие от передатчика, отражаются от объектов и возвращаются к приемнику, передавая информацию о местоположении и скорости объектов. https://en.wikipedia.org/wiki/Radar#Configurations

Умный транспорт и трехмерное стереовидение.

В автономных транспортных средствах камеры и системы визуального контроля играют фундаментальную роль. Они не только захватывают изображения, но и выполняют сложные задачи компьютерного зрения для предоставления точных данных о внешней среде.

Умный транспорт. Слияние датчиков

Системы восприятия и навигации полагаются на эти камеры для получения жизненно важной информации. Они определяют полосу движения в режиме реального времени, распознают объекты и воспринимают глубину пространства с высокой точностью.

Камеры и системы визуального контроля обладают огромным потенциалом для развития и совершенствования. С появлением новых технологий и алгоритмов компьютерного зрения они становятся более точными и мощными.

Технология трехмерного стереовидения, основанная на использовании двух камер, играет важную роль в определении глубины и позиционирования объектов в окружающей среде. Эта технология имеет много общего с бинокулярным зрением человека и может быть интегрирована в системы умного транспорта для обеспечения ещё большей безопасности на дорогах. За последнее десятилетие эта технология прошла долгий путь, и сегодня компании могут легко и недорого добавить трехмерное стереовидение к существующим системам помощи водителю (ADAS) посредством программных решений. Это открывает новые возможности для автопроизводителей, позволяя им создавать более совершенные и безопасные автомобили. В будущем трехмерное стереовидение может стать стандартным компонентом всех автомобилей, предоставляя полную и объективную информацию о дорожной ситуации.

Умный транспорт. Слияние датчиков

Исследователи и разработчики постоянно ищут новые способы улучшения стереовидения. Они активно изучают глубокое обучение и использование нейронных сетей для решения сложных проблем, таких как окклюзия и калибровка. Эти передовые исследования стереоизображений имеют большую ценность и потенциал для различных применений. Например, активное стереовидение можно использовать для создания искусственной текстуры и контраста на сцене путем проецирования узоров или сигналов. Это открывает новые возможности для визуальных эффектов и улучшения восприятия. Интересно отметить, что некоторые из этих передовых исследований уже тестируются на гоночных трассах, где точность и эффективность стереовидения играют важную роль в обеспечении безопасности и оптимальной производительности.

Тепловизионные камеры.

В 2000-х годах несколько производителей автомобилей (General Motors, BMW, Honda) использовали пассивные тепловизионные камеры для обеспечения безопасного вождения в ночное время. Первоначально разработанные для предотвращения столкновений с животными и пешеходами в плохо освещенных или туманных районах, эти камеры стали незаменимыми помощниками. Однако с появлением DARPA Grand Challenge ландшафт автономного вождения претерпел значительные изменения.

Всплеск интереса и значительные инвестиции в различные сенсорные технологии привели к соревнованию приборов в этой области. Лидар стал лидером среди них, привлекая основное внимание и финансовую поддержку. Оптимальным набором датчиков для достижения более высокого уровня автономности была комбинация радара, камер видимого обзора и лидара, что и получило широкое признание.

Некоторые компании, стремясь расширить возможности своих сенсорных систем, включают тепловизионные камеры в комплекты датчиков. Они признают уникальные преимущества, которые предлагает эта технология в дополнение к лидарам, радарам и камерам видимого диапазона.

Идентификация животных и людей в условиях низкой освещенности или сильного затемнения, такого как туман, дым, пар, становится важной задачей, которую можно решить с помощью этого дополнительного сенсорного модуля. По статистике, пешеходы подвергаются наибольшему риску столкновения с дорожным транспортным средством ночью.

Уровень смертности среди пешеходов ночью – 75%, в то время как днем он составляет 21%, в сумерках и на рассвете – 2%.

Использование технологий, улучшенных с помощью искусственного интеллекта.

Инновационная разработка в области интеграции улучшенного зрения с использованием искусственного интеллекта значительно расширяет возможности камер в модуле визуальных изображений AVS (Application Visualization System). Алгоритмы искусственного интеллекта, особенно модели глубокого обучения произвели революцию в процессе интерпретации камерами визуальной информации о окружающей среде, повысив их способность воспринимать изображения.

Используя сверточные нейронные сети (CNNS) и методы классификации ML, камеры улучшают ABC, устраняя эффект “призрачного” размытия, который часто возникает при традиционной тепловизионной съемке. Благодаря этим инновационным технологиям системы AVs vision могут точно идентифицировать и классифицировать объекты, пешеходов, дорожные знаки и разметку полосы движения. Такой уровень понимания повышает способность транспортного средства принимать обоснованные решения в сложных, динамичных сценариях дорожного движения.

Умный транспорт. Слияние датчиков

В 2023 году компания RIKEN провела исследование, которое является ярким примером того, как искусственный интеллект может улучшить зрение. Инновационный подход, разработанный на основе методов формирования мозговой памяти, заключается в снижении качества изображений с высоким разрешением, чтобы обучающие алгоритмы могли совершенствоваться самостоятельно. Такой подход позволяет алгоритмам лучше идентифицировать объекты на изображениях с низким разрешением и решает проблему в области компьютерного зрения.

Умный транспорт и пограничные вычисления.

Объем данных, обрабатываемых автомобилями с автопилотом, может быть огромным, и в некоторых случаях превышать 1 ГБ в секунду. Toyota прогнозирует, что к 2025 году объем обмена данными между автомобилями может достичь 10 эксабайт в месяц, что в 10 000 раз больше текущего объема. Однако облачная инфраструктура изначально не была спроектирована для обработки таких огромных объемов информации, необходимой для поддержки умного транспорта.

Передача этих данных на облачный сервер для анализа не является рациональным решением из-за ограничений пропускной способности и задержки.

Для предотвращения столкновений и обеспечения плавного движения требуется высокая точность, соответствующая задержке в 1 мс, что означает очень короткое расстояние. Автомобиль находится в движении, поэтому становится важным моментальное принятие решений о вождении в режиме реального времени. Однако передача данных по сети занимает не менее 150-200 мс, а это уже значительный временной интервал. Чтобы уменьшить зависимость от сетевого подключения при принятии решений, передовые вычислительные технологии предлагают возможности обработки данных в режиме реального времени.

Преимущества пограничных вычислений.

Технология пограничных вычислений позволяет производить обработку наиболее важных данных на локальном компьютере, тем самым исключая время задержки передачи информации по сети.

Даже в случае сетевых проблем AVs по-прежнему может эффективно функционировать, поскольку обработка критически важных данных происходит локально. Кроме того, пограничные вычисления помогают повысить безопасность, поскольку снижают риск потенциальных утечек при передаче на удаленные серверы.

В течение последних лет автопроизводители активно работали над улучшением систем защиты и резервирования для борьбы с возможными проблемами, связанными с питанием, сетью и вычислениями. Умный транспорт обладает способностью гибко менять маршруты и обрабатывать сетевой трафик, а также принимать решения о безопасной остановке в случае необходимости. Интеграция Интернета транспортных средств (IoV) и пограничных вычислений в комплексную распределенную архитектуру гарантирует надежность и доступность, поскольку данные направляются по нескольким каналам для обеспечения постоянного доступа к необходимой вам информации.

Использование двух бортовых вычислительных систем не только снижает потребность в онлайн-подключении, но и повышает точность принятия решений. Большой объем сенсорных данных и изображений, собранных с помощью камер и различных датчиков, обрабатывается и передаётся в облако первым компьютером. В то же время второй компьютер быстро анализирует информацию и принимает разумные решения для безопасной навигации транспортного средства. Близость систем анализа и системы принятия решения обеспечивает немедленную обработку данных, позволяя устройствам или транспортным средствам мгновенно, без задержек реагировать на изменение ситуации.

В экосистеме умного транспорта безопасность является главной заботой, и пограничные вычисления играют важную роль в поддержке этого аспекта. Они повышают надежность AV, поскольку снижают зависимость от удаленных облачных сетей.

Аппаратные усовершенствования пограничных вычислений.

AVS использует специализированное оборудование для решения сложных вычислительных задач. Вместо обычных процессоров растет потребность в специализированных чипах, ускоряющих работу искусственного интеллекта. Эти чипы оптимизированы для глубокого обучения и разработаны с учетом энергопотребления, скорости, точности и стоимости. Например, в августе 2023 года Google представила пятое поколение своих тензорных процессоров (TPU)  для обучения ИИ и логического вывода. Новая версия обеспечивает 2-кратное повышение эффективности обучения и 2,5-кратное повышение эффективности выходных результатов в отличии от предыдущих моделей.

Все большее значение в этой области приобретают вентильные матрицы, которые являются одним из способов обеспечения эффективной и индивидуальной обработки для конкретных моделей искусственного интеллекта. Они особенно востребованы в автономных транспортных средствах, где популярны передовые процессоры, такие как NVIDIA Xavier платформы DRIVE на базе семейства Nvidia Jetson. Эти процессоры характеризуются высокой вычислительной мощностью, энергоэффективностью, поддержкой задач искусственного интеллекта и машинного обучения.

Nvidia Jetson — семейство встраиваемых вычислительных модулей в формфакторе SoM (System On Module), ориентированное на создание компактных и энергоэффективных систем машинного обучения.https://habr.com/ru/companies/advantech/articles/481862/

Ключевые проблемы в области умного транспорта.

Исследователи отрасли отмечают, что ключевым моментом, особенно с технологической точки зрения, является обеспечение масштабируемости и интероперабельности. Это то, что определяет стандарты для коммуникационных протоколов, которые должны быть реализованы в сфере умного транспорта.

Интероперабельность (англ. interoperability — способность к взаимодействию) — это способность продукта или системы, интерфейсы которых полностью открыты, взаимодействовать и функционировать с другими продуктами или системами без каких-либо ограничений доступа и реализации.   rea.ru   

Заключение.

Умный транспорт переворачивает наше представление о транспортной системе. Применение датчиков и инновационных технологий позволяет нам создавать более безопасные, эффективные и удобные условия передвижения.

Благодаря умному транспорту мы можем преодолеть проблемы пробок, снизить выбросы вредных веществ и улучшить качество нашей жизни. Возможности датчиков и умных технологий только начинают раскрываться, и мы с нетерпением ждем, как они изменят наше будущее.

Добавить комментарий