Расчет вероятности сбоя локализации в автономных транспортных средствах

Локализация является одним из наиболее фундаментальных и критически важных компонентов автономной эксплуатации транспортных средств. Способность беспилотного транспортного средства точно определять свое положение, ориентацию и скорость в своей среде напрямую влияет на каждый аспект автономного вождения - от планирования пути и предотвращения препятствий до принятия решений и контроля. По мере перехода автономных транспортных средств от исследовательских прототипов к коммерческому развертыванию понимание и количественная оценка вероятности отказа от локализации стали необходимыми для обеспечения безопасности, надежности и общественного доверия к этим системам.

В этой всеобъемлющей статье рассматриваются методы, рамки и соображения, связанные с расчетом вероятности сбоя локализации в автономных транспортных средствах. Мы изучаем основные факторы, влияющие на точность локализации, статистические и вероятностные подходы, используемые для моделирования сценариев сбоев, требования к целостности безопасности, вытекающие из первых принципов, и проблемы практической реализации, с которыми сталкиваются инженеры и исследователи в этой быстро развивающейся области.

Понимание локализации в автономных транспортных средствах

Автономные транспортные средства требуют точного знания своего положения и ориентации в любых погодных и дорожных условиях для планирования, восприятия, управления и общей безопасной эксплуатации.В отличие от традиционных навигационных систем, обеспечивающих точность метра, достаточную для поворотных направлений, автономные транспортные средства требуют сантиметра до дециметровой точности для безопасной навигации по полосам движения, выполнения маневров и взаимодействия с другими участниками дорожного движения.

Проблема локализации в автономных транспортных средствах многогранна и обычно включает в себя определение нескольких ключевых параметров: абсолютное положение транспортного средства в глобальной системе координат, его положение относительно дорожной инфраструктуры, такой как разметка полосы движения, его ориентация или направление движения и его скорость.Проблема локализации на автомагистралях может быть разбита на три основных компонента: вывод о том, по какой дороге в настоящее время движется транспортное средство, оценка положения транспортного средства в его полосе движения и оценка того, на какой полосе в настоящее время движется транспортное средство.

Критическая роль точности локализации

Важность точной локализации невозможно переоценить. Такие действия, как обгон транспортного средства, требуют точной информации о текущей локализации транспортного средства. Когда система локализации транспортного средства выходит из строя или предоставляет неточные сведения, последствия могут варьироваться от незначительных ошибок навигации до катастрофических инцидентов безопасности.

Стандартные GPS-устройства, которые десятилетиями использовались в потребительских навигационных системах, недостаточны для автономных приложений вождения. Согласно отчету GPS Performance Analysis Report Федерального управления гражданской авиации, точность стандартного GPS-устройства находится в пределах 3 м с 95%-ной уверенностью, что недостаточно для большинства ADAS, требующих более точной локализации. Этот уровень неопределенности слишком велик для удержания полосы движения, автоматизированных изменений полосы движения или точного маневрирования в сложных сценариях движения.

Автоматизированные системы вождения нуждаются в точной локализации, т.е. достижении точности ниже 0,1 м при уровнях доверия выше 95%. Это жесткое требование отражает узкие пределы погрешности при эксплуатации транспортных средств на скоростях шоссе в непосредственной близости от других транспортных средств, пешеходов и инфраструктуры.

Уровень целостности безопасности и требования вероятности отказа

Для установления соответствующих стандартов безопасности для автономной локализации транспортных средств исследователи опирались на устоявшуюся практику из других критически важных для безопасности транспортных областей, в частности авиации и железнодорожного транспорта.Уровень целостности безопасности определяет допустимую вероятность отказа в час эксплуатации на основе желаемых улучшений безопасности дорожного движения сегодня, проводя сравнения с уровнями целостности локализации, необходимыми в авиации и железнодорожном транспорте, где аналогичные числа получены при 10-8 вероятности отказа в час эксплуатации.

Эта крайне низкая вероятность отказа — один отказ за сто миллионов рабочих часов — представляет собой золотой стандарт для систем, критически важных для безопасности. Однако конкретные требования к автономным транспортным средствам могут варьироваться в зависимости от уровня автономии и области оперативного проектирования. Локализация ADAS по этой метрике падает в диапазоне ASIL B, поскольку ASIL B в целом стал целью многих систем ADAS.

Классификация уровня целостности безопасности (ASIL), определенная в стандарте ISO 26262, обеспечивает основу для оценки и управления рисками функциональной безопасности в автомобильных системах.Уровни ASIL варьируются от A (самый низкий) до D (самый высокий), причем каждый уровень соответствует конкретным требованиям для обнаружения неисправностей, избыточности и порогов вероятности отказа.

Геометрические требования и границы ошибок

Один из основных подходов к определению требований к локализации включает анализ геометрических ограничений, налагаемых дорожной инфраструктурой и размерами транспортного средства.Цель состоит в том, чтобы сохранить знание о том, что транспортное средство находится в пределах своей полосы движения, и определить, на каком уровне дороги оно находится, с продольными, боковыми и вертикальными границами ошибок локализации (пределы оповещения) и 95% требованиями точности, полученными на основе стандартов геометрии дорог США.

Эти геометрические анализы дают конкретные численные требования, которые варьируются в зависимости от типа дороги и сценария вождения. Для пассажирских транспортных средств, работающих на автострадах, результатом является требуемая боковая ошибка, связанная с 0,57 м (0,20 м, 95%), продольная граница 1,40 м (0,48 м, 95%), вертикальная граница 1,30 м (0,43 м, 95%) и отношение, связанное в каждом направлении 1,50 градуса (0,51 град, 95%).

Требования становятся еще более жесткими для городских и местных уличных условий, где полосы движения более узкие и движение более сложное. На местных улицах геометрия дороги делает требования более строгими, где боковые и продольные границы погрешности 0,29 м (0,10 м, 95%) необходимы с требованием ориентации 0,50 град (0,17 град, 95%). Эти жесткие допуски подчеркивают технические проблемы, связанные с достижением надежной локализации в различных средах вождения.

Факторы, влияющие на точность локализации и вероятность отказа

На вероятность сбоя локализации влияет сложное взаимодействие факторов, охватывающих производительность датчиков, условия окружающей среды, алгоритмическую надежность и архитектуру системы.Понимание этих факторов имеет важное значение для разработки точных моделей вероятности сбоев и реализации эффективных стратегий смягчения последствий.

Качество и производительность сенсора

Датчики, используемые для локализации, составляют основу всей системы. Современные автономные транспортные средства обычно используют разнообразный набор датчиков, включая приемники глобальной навигационной спутниковой системы (GNSS), инерциальные единицы измерения (IMU), камеры, LiDAR (обнаружение и ранжирование света) и радар. Каждый тип датчика имеет различные характеристики, сильные стороны и режимы отказа, которые способствуют общей неопределенности локализации.

Приемники ГНСС обеспечивают абсолютную информацию о позиционировании, получая сигналы от спутниковых созвездий. Общая архитектура включает в себя систему относительной локализации на основе камер, радаров или лидаров наряду с системой абсолютной локализации, состоящей из глобальных навигационных спутниковых систем (ГНСС). Однако производительность ГНСС может значительно ухудшаться в сложных условиях.

Методы относительной локализации, как правило, имеют проблемы в скудных открытых или повторяющихся средах, поскольку наборы функций не являются достаточно уникальными для вычисления позиции, например, открытые или сельские автомагистрали, в то время как подход абсолютной локализации, использующий спутниковую навигацию, может столкнуться с проблемами в районах с препятствиями неба, таких как плотные городские каньоны. Этот взаимодополняющий характер различных модальностей датчиков мотивирует использование подходов сплава датчиков, которые объединяют несколько источников информации.

Датчики шума, смещения и характеристики дрейфа напрямую влияют на точность локализации. ИДУ, например, накапливают ошибки положения с течением времени за счет интеграции шумных измерений ускорения и угловой скорости. Качество датчиков ИДУ резко варьируется, от устройств потребительского класса MEMS до промышленных и тактических единиц, с соответствующими различиями в скоростях дрейфа и уровнях шума.

Условия окружающей среды

Факторы окружающей среды играют решающую роль в определении производительности системы локализации и вероятности отказа. Погодные условия, такие как дождь, снег, туман и экстремальные температуры, могут влиять на производительность датчика различными способами. Системы на основе камер могут бороться со бликов, осадками на линзах или снижением видимости. Производительность LiDAR может ухудшаться из-за частиц дождя или снега, которые создают ложные возвраты. Прием сигнала GNSS может зависеть от атмосферных условий, особенно ионосферных и тропосферных задержек.

Условия освещения представляют собой еще одну серьезную проблему. Системы локализации на основе видения, которые полагаются на разметку полос или визуальные ориентиры, могут выходить из строя или плохо работать в условиях низкой освещенности, во время переходов между светом и тенью или при воздействии прямого солнечного света. Эти проблемы требуют надежных подходов к синтезу датчиков, которые могут поддерживать точность локализации в различных условиях окружающей среды.

Городские среды представляют особенно сложные условия для локализации на основе ГНСС. Точность ГНСС часто ухудшается в плотных городских районах из-за блокировки сигнала и отражений, поскольку его производительность часто ухудшается в плотных городских районах. Эффекты мультипатов, когда спутниковые сигналы отражаются от зданий до достижения приемника, могут вводить значительные ошибки положения. Заблокировка сигналов от высоких зданий, туннелей или накладных конструкций может привести к полной потере позиционирования ГНСС в течение длительных периодов.

Карта качества и валюты

Карты высокой четкости (HD) стали неотъемлемой частью многих систем автономной локализации транспортных средств. Эти карты содержат подробную информацию о геометрии дороги, разметке полос движения, дорожных знаках и других элементах инфраструктуры, которые могут быть сопоставлены с наблюдениями датчиков для определения положения транспортного средства.

HD-карты могут быть составлены из данных датчиков, собираемых транспортным средством HD-картирования, после извлечения соответствующих дорожных функций из облака точек LiDAR и моделирования картографических функций в формате HD-карты, таком как Lanelet2, который представляет дорожную инфраструктуру как географически упоминаемые области с движущимися полосами, смоделированными как полосы движения.

Точность и валюта этих карт напрямую влияют на производительность локализации. Устаревшие карты, которые не отражают недавнее строительство дорог, новые разметки полос или изменения инфраструктуры, могут привести к ошибкам или сбоям локализации. Ошибки карты, будь то от первоначальных неточностей картирования или последующих изменений в окружающей среде, вносят систематические искажения в решение локализации.

Механизмы частотного обновления и распределения карт также влияют на надежность системы. Автономные транспортные средства, работающие в широких географических районах, должны иметь доступ к текущим точным картам для всех регионов в своей операционной области. Логистика создания, обслуживания и распространения этих карт в масштабе представляет собой значительную проблему для автономной автомобильной промышленности.

Алгоритм Надежность и режимы неудачи

Алгоритмы, используемые для обработки данных датчиков и оценки положения транспортного средства, вводят свои собственные источники неопределенности и потенциальных режимов отказа. Алгоритмы синтеза датчиков, такие как Расширенные фильтры Калмана (EKF), Незапахшие фильтры Калмана (UKF) и фильтры частиц, делают предположения о характеристиках шума датчика, динамике системы и моделях измерения. Когда эти предположения нарушаются, например, когда шум датчика не гауссовый или когда происходят неожиданные сбои датчика, алгоритмы могут производить неточные или ненадежные оценки положения.

Алгоритмы одновременной локализации и картографирования (SLAM), которые строят карты, одновременно локализуясь в них, сталкиваются с особыми проблемами в приложениях автономных транспортных средств. Использование алгоритмов SLAM является сложной задачей для автономных транспортных средств в условиях наружного движения, и в контексте автомобильных дорог очень высокая скорость транспортного средства не позволяет стандартным алгоритмам SLAM работать хорошо.

Проблемы с конвергенцией алгоритмов также могут способствовать сбоям локализации. Некоторые алгоритмы локализации требуют периода инициализации или могут не сближаться при старте с плохих оценок начального положения. Сбои закрытия петли в системах SLAM, где алгоритм не распознает, что вернулся в ранее посещенное место, могут привести к накопленному дрейфу и несоответствиям карты.

Системная избыточность и отказоустойчивость

Архитектура системы локализации, в частности степень избыточности и отказоустойчивость, встроенная в конструкцию, существенно влияет на общую вероятность отказа. Общая архитектура, возникающая в автономной автомобильной промышленности, основана на избыточных системах, работающих в тандеме. Эта избыточность позволяет системе продолжать работу даже при выходе из строя отдельных датчиков или подсистем.

Увольнение может быть реализовано на нескольких уровнях: избыточность датчиков (многократные датчики одного типа), избыточность модальности (разные типы датчиков, предоставляющие дополнительную информацию) и вычислительная избыточность (множественные независимые пути обработки). Эффективность избыточности зависит от обеспечения того, что режимы отказа действительно независимы - что один разлом или состояние окружающей среды не отключают одновременно несколько избыточных элементов.

Механизмы обнаружения и изоляции поломок имеют решающее значение для поддержания целостности системы. Система локализации должна быть способна обнаруживать, когда датчики предоставляют ошибочные данные, изолировать неисправный датчик и перенастроить для продолжения работы с использованием оставшихся здоровых датчиков. Ответ заключается в мониторинге показателей целостности приемника, поскольку, выводя неопределенность текущего положения, приемник указывает в ЭКУ, безопасно или нет выполнять запланированные маневры.

Методы расчета вероятности провала локализации

Расчет вероятности сбоя локализации требует сложных аналитических и вычислительных методов, которые могут объяснить сложный, многогранный характер систем автономной локализации транспортных средств.На практике используется несколько дополнительных подходов, каждый из которых имеет свои преимущества и ограничения.

Методы моделирования Монте-Карло

Моделирование Монте-Карло — один из наиболее широко используемых методов оценки вероятности сбоя локализации. Этот подход предполагает запуск тысяч или миллионов смоделированных сценариев с рандомизированными входами, представляющими шум датчиков, условия окружающей среды и другие источники неопределенности. Анализируя распределение ошибок локализации по этим симуляциям, инженеры могут оценить вероятность того, что ошибки превысят допустимые пороги.

Подход Монте-Карло предлагает несколько преимуществ. Он может обрабатывать сложную, нелинейную системную динамику и произвольные распределения вероятностей для входных неопределенностей. Он обеспечивает интуитивные, эмпирические оценки вероятности отказа на основе доли прогонов моделирования, которые приводят к неприемлемым ошибкам локализации. Метод также может идентифицировать конкретные сценарии или комбинации условий, которые с наибольшей вероятностью приведут к сбоям.

Однако моделирование Монте-Карло также имеет ограничения. Точная оценка очень низких вероятностей отказа (например, 10−8 в час, о которых говорилось ранее) требует непрактично большого количества запусков моделирования. Качество результатов сильно зависит от точности имитационных моделей и репрезентативности распределения входной неопределенности. Вычислительные затраты могут быть существенными для высокоточных симуляций сложных сенсорных и экологических моделей.

Байесовский вывод и вероятностное моделирование

Байесовский вывод обеспечивает принципиальную основу для рассуждений о неопределенности в системах локализации. Этот подход рассматривает положение транспортного средства как случайную величину с распределением вероятностей, которое обновляется по мере получения новых измерений датчиков. Заднее распределение вероятностей по положению транспортного средства кодирует как оцениваемое положение, так и неопределенность в этой оценке.

Байесовские методы особенно хорошо подходят для синтеза датчиков, так как они обеспечивают естественный способ объединения информации от нескольких датчиков с различными шумовыми характеристиками и надежностью.Каркас явно представляет неопределенность и распространяет ее через процесс оценки, позволяя принципиально вычислять границы достоверности и вероятности отказа.

Частичные фильтры, популярная реализация байесовской фильтрации для нелинейных систем, представляют распределение вероятности над положением транспортного средства с использованием набора взвешенных образцов (частиц). Анализируя распространение и концентрацию этих частиц, система может оценивать неопределенность локализации и обнаруживать потенциальные сбои. Когда частицы становятся широко рассеянными, что указывает на высокую неопределенность, система может отмечать потенциальный сбой локализации.

Недавние исследования продемонстрировали эффективность передовых байесовских методов для сложных сценариев локализации.Исследователи разработали метод GNSS-только, который обеспечивает стабильное, точное позиционирование, не полагаясь на хрупкое разрешение двусмысленности фазы несущей, и протестировали шесть сложных городских сценариев, подход последовательно превосходил существующие методы, обеспечивая более безопасную и надежную автономную навигацию.

Статистический анализ данных датчиков и производительности системы

Эмпирический анализ данных датчиков реального мира и производительности системы дает ценную информацию о режимах и вероятностях отказа локализации. Этот подход включает сбор обширных наборов данных из тестовых транспортных средств, работающих в различных условиях, а затем анализ статистических свойств ошибок локализации.

Статистические показатели, такие как среднее евклидово расстояние (MED), стандартное отклонение и уровни достоверности, сравниваются с использованием двух различных методов расчета: оценка на основе измерений (точности рассчитываются на основе евклидовых расстояний ошибок измерений положения) и оценка на основе расстояний (точности взвешиваются расстоянием, пройденным AV).

Этот эмпирический подход может выявить режимы отказа и характеристики ошибок, которые могут не быть зафиксированы в имитационных моделях. Реальные данные включают в себя полную сложность взаимодействия датчиков, воздействия на окружающую среду и краевые случаи, которые трудно моделировать аналитически. Анализируя большие наборы данных, инженеры могут определить частоту и тяжесть ошибок локализации в различных условиях эксплуатации.

Однако эмпирический анализ также имеет ограничения. Собранные данные могут охватывать не все возможные сценарии, особенно редкие, но критически важные для безопасности крайние случаи. Оценки вероятности отказа столь же хороши, как репрезентативность данных испытания. Экстраполяция из ограниченных данных испытания для оценки очень низких вероятностей отказа требует тщательных статистических методов и проверки.

Аналитические методы и распространение неопределенности

Для систем с хорошо охарактеризованным сенсорным шумом и относительно простой динамикой аналитические методы могут обеспечивать замкнутые или полуаналитические оценки неопределенности локализации и вероятности отказа.Эти методы обычно включают распространение неопределённостей датчиков через алгоритм локализации с использованием таких методов, как линеаризация, ковариационный анализ или расширение многочленного хаоса.

Фильтр Калмана и его варианты (Расширенный фильтр Калмана, Незапахший фильтр Калмана) по своей сути выполняют распространение неопределенности, поддерживая ковариационную матрицу, которая представляет неопределенность в оценке положения. Эта ковариация может использоваться для вычисления границ уверенности и оценки вероятности того, что истинное положение лежит за пределами допустимых границ ошибки.

Аналитические методы обеспечивают вычислительную эффективность и могут дать представление о том, как различные источники ошибок способствуют общей неопределенности локализации.Однако они часто полагаются на такие предположения, как линейность и гауссовский шум, которые могут не сохраняться на практике, особенно для сложных, нелинейных алгоритмов локализации, работающих в сложных средах.

Уровни мониторинга и защиты целостности

На основе авиационных применений ГНСС была адаптирована концепция контроля целостности и уровней защиты для автономной локализации транспортных средств. Мониторинг целостности включает в себя оценку состояния системы локализации в режиме реального времени и вычисление уровней защиты - статистические границы по ошибке положения, которые удерживаются с определенной вероятностью.

Уровень защиты представляет собой консервативную оценку максимальной погрешности положения, рассчитанную на основе текущей геометрии датчика, уровней шума и потенциальных режимов неисправности. Если уровень защиты превышает предопределенный предел оповещения (максимально допустимая ошибка положения), система выдает предупреждение о целостности, указывающее на то, что локализация может быть недостаточно надежной для безопасной работы.

Такой подход обеспечивает в режиме реального времени бортовую оценку надежности локализации без необходимости проведения обширного офлайн-анализа или моделирования. Вычисление уровня защиты учитывает как номинальный шум датчика, так и потенциальные неисправности датчика, обеспечивая комплексную меру целостности локализации. Однако вычисление точных уровней защиты требует тщательного моделирования характеристик ошибок датчика и потенциальных режимов неисправности.

Технологии локализации и их характеристики отказов

Различные технологии локализации демонстрируют различные режимы отказов и характеристики надежности. Понимание этих специфических для технологии факторов имеет важное значение для точной оценки вероятности отказов и для разработки надежных, мультимодальных систем локализации.

Локализация на основе GNSS

GNSS остается краеугольным камнем автономной локализации транспортных средств благодаря своей способности предоставлять абсолютную информацию о местоположении во всем мире. GNSS, как уникальный датчик локализации, который может достичь абсолютного позиционирования и синхронизации, имеет важное значение для AIV. Современные приемники GNSS могут достигать впечатляющей точности при благоприятных условиях, при этом высокоточные системы достигают производительности на уровне сантиметров.

GPS в средней информационно-развлекательной системе сегодня имеет точность около 5 м (16 футов), что достаточно для простой навигации, в то время как высокоточные приемники GNSS могут разместить вас на карте с сантиметровой точностью. Это резкое улучшение точности происходит из передовых методов, таких как позиционирование в реальном времени, точное позиционирование точек (PPP) и использование услуг коррекции.

Однако локализация на основе ГНСС сталкивается с несколькими значительными режимами отказа. Закупорка сигналов в городских каньонах, туннелях или под плотной листвой может привести к полной потере позиционирования. Помехи на нескольких путях, где сигналы отражаются от зданий или других структур, могут вводить ошибки в несколько метров. Атмосферные эффекты, особенно ионосферные задержки, могут ухудшать точность. Умышленные помехи через помехи или спуфинг представляют собой проблему безопасности для критически важных приложений.

Последние достижения повысили надежность ГНСС в сложных условиях. В пяти из шести тестовых запусков предложенные подходы ГНСС превзошли существующие методы на основе ГНСС, последовательно достигая субметровой точности, несмотря на жесткую окклюзию спутника, а в самом сложном сценарии метод превзошел лучшее обычное решение почти на 30 процентных пунктов. Эти улучшения демонстрируют, что тщательная разработка алгоритма может значительно повысить производительность ГНСС даже в неблагоприятных условиях.

Инерциальные навигационные системы

Инерциальные измерительные блоки (ИМУ) обеспечивают высокочастотные измерения ускорения транспортного средства и угловой скорости, которые могут быть интегрированы для оценки положения и ориентации. ИМУ предлагают несколько преимуществ: они автономны, не зависят от внешних сигналов, и обеспечивают высокие скорости обновления, подходящие для приложений управления транспортным средством.

Однако чистая инерциальная навигация страдает от неограниченного роста ошибок из-за интеграции шума датчика и смещения. Ошибки положения растут квадратически со временем, а это означает, что даже высококачественные ИДУ будут накапливать значительные ошибки положения в течение нескольких минут, если не будут исправлены другими датчиками. Эта характеристика делает ИДУ непригодными в качестве автономного решения локализации, но очень ценными как часть системы синтеза датчика.

Режимы отказа локализации на основе ИДУ в первую очередь связаны с нестабильностью смещения датчика и ошибками масштабного фактора. Изменение температуры может вызвать сдвиги смещения, а механические удары или вибрации могут повлиять на производительность датчика. Тщательная калибровка и температурная компенсация необходимы для поддержания точности ИДУ.

Локализация на основе видения

Методы локализации на основе камеры используют визуальные функции, такие как разметка полосы движения, дорожные знаки или отличительные ориентиры, для определения положения транспортного средства. Методы визуальной одометрии отслеживают точки признаков на последовательных изображениях для оценки движения транспортного средства, в то время как подходы на основе карты соответствуют наблюдаемым функциям по сравнению с предварительно построенной визуальной картой.

Методы, основанные на визуальном представлении, могут достигать высокой точности в хорошо обозначенных, хорошо освещенных средах. Они предоставляют богатую информацию о структуре дороги и могут обнаруживать границы полосы движения, дорожные знаки и другие соответствующие особенности. Однако они очень чувствительны к условиям освещения, погоде и визуальным окклюзиям. Блеск, тени, маркировка полосы движения и неблагоприятная погода могут ухудшить или полностью отключить локализацию на основе зрения.

Вычислительные требования к обработке изображений в реальном времени представляют собой еще одну проблему. Подходы, основанные на глубоком обучении, показали впечатляющую производительность, но требуют значительных вычислительных ресурсов и тщательной проверки для обеспечения надежности в различных сценариях.

Локализация на основе LiDAR

Датчики LiDAR обеспечивают подробные облака точек 3D в окружении автомобиля, позволяя точно определять местоположение с помощью сопоставления с предварительно построенными картами. Локализация на основе LiDAR может достигать точности сантиметрового уровня и менее чувствительна к условиям освещения, чем подходы на основе камеры.

Системы LiDAR могут выходить из строя или разрушаться в нескольких сценариях. Сильный дождь или снег могут ослаблять лазерные импульсы и создавать ложные возвраты. Окружающая среда с небольшим количеством отличительных особенностей, таких как длинные туннели или безликие автомагистрали, может не предоставлять достаточную информацию для надежной локализации. Высокая стоимость датчиков LiDAR исторически была барьером для широкого распространения, хотя цены значительно снизились в последние годы.

Локализация LiDAR на основе карт критически зависит от точности и валюты эталонной карты. Изменения в окружающей среде с момента создания карты могут привести к ошибкам или сбоям локализации. Динамические объекты, такие как припаркованные автомобили или строительное оборудование, могут помешать процессу сопоставления.

Сенсорная термоядерная реакция

Учитывая дополнительные сильные и слабые стороны различных методов датчиков, современные автономные транспортные средства используют сложные подходы к синтезу датчиков, которые объединяют информацию из нескольких источников. Эти требования предъявляются не к одному конкретному методу или технологии локализации, а к системе систем, которая будет ее содержать, и система должна соответствовать требованиям к точности и уровню целостности безопасности 95% во всех погодных условиях и условиях движения, где предполагается эксплуатация.

Эффективный синтез датчиков может значительно снизить вероятность отказа, обеспечив избыточность и позволяя системе поддерживать работу даже при выходе из строя или ухудшении работы отдельных датчиков. Алгоритм синтеза должен соответствующим образом взвешивать различные входы датчиков на основе их текущей надежности, обнаруживать и изолировать неисправные датчики и изящно ухудшаться при уменьшении доступности датчиков.

Однако синтез датчиков также вносит сложность. Сам алгоритм синтеза становится потенциальным источником сбоя, если он неправильно взвешивает входы датчиков или не обнаруживает неисправности датчиков. Коррелированные сбои, когда несколько датчиков одновременно подвержены воздействию одного и того же состояния окружающей среды, могут победить избыточность. Тщательная конструкция системы и проверка необходимы для обеспечения того, чтобы синтез датчиков фактически улучшал, а не ухудшал общую надежность.

Практические соображения при моделировании вероятности неудачи

Перевод теоретических расчетов вероятности отказа в практические, реализуемые системы локализации требует решения многочисленных реальных соображений и ограничений.

Область оперативного проектирования

Область оперативного проектирования (ODD) определяет конкретные условия, при которых автономное транспортное средство предназначено для безопасной эксплуатации. Это включает географические районы, типы дорог, диапазоны скоростей, погодные условия и время суток. Расчеты вероятности отказа должны быть специфичны для предполагаемого ODD, поскольку производительность локализации может резко варьироваться в разных условиях эксплуатации.

Система, предназначенная для движения по шоссе в хорошую погоду, может иметь очень разные характеристики отказов, чем система, предназначенная для городской эксплуатации в любых погодных условиях. Четкое определение ODD и обеспечение того, чтобы оценки вероятности отказов были действительными в этой области, имеет важное значение для проверки безопасности.

Человеческие факторы и водительский надзор

Для систем SAE уровня 2 и уровня 3, которые требуют или допускают человеческий надзор, способность водителя обнаруживать и реагировать на сбои локализации становится частью общего случая безопасности.Исследования показывают, что коэффициенты отказов при поглощении составляют примерно 37,2%, а в моделях риска целостности ADAS консервативным предположением является коэффициент обнаружения ошибок при надзоре за водителем Pdom = 40%.

Эти человеческие факторы должны быть включены в расчеты вероятности отказа. Общая вероятность отказа системы зависит не только от надежности системы локализации, но и от вероятности того, что водитель не сможет вмешаться, когда это необходимо. Это создает сложное взаимодействие между производительностью технической системы и поведением человека, которое должно быть тщательно смоделировано и проверено.

Проверка и испытания вызовов

Проверка того, что система локализации отвечает требованиям крайне низкой вероятности отказа, представляет значительные практические проблемы. Для демонстрации частоты отказов 10-8 в час с помощью одного только тестирования потребуются миллиарды тестовых часов — явно непрактично для любой программы разработки.

Эта задача требует сочетания подходов: обширного реального тестирования для характеристики номинальной производительности и распространенных режимов отказа, ускоренного тестирования, которое фокусируется на сложных сценариях, валидации на основе моделирования с использованием моделей высокой точности и формальных методов анализа, которые могут обеспечить математические гарантии поведения системы.

Хотя в течение последнего десятилетия было предложено множество методов локализации, до сих пор отсутствует общая методология проверки их точности в отношении набора данных о наземной правде, при этом работа, направленная на оценку четырех различных методов проверки точности локализации, является необходимой для того, чтобы промышленность продемонстрировала безопасность и укрепила доверие общественности.

Вычислительные и ресурсные ограничения

Алгоритмы локализации в реальном времени должны работать в рамках строгих вычислительных и латентных ограничений. Система должна обрабатывать данные датчиков, оценивать положение и вычислять показатели целостности со скоростью, достаточной для управления транспортным средством - обычно 10 Гц или выше. Это требование ограничивает сложность алгоритмов, которые могут быть реализованы и влияет на сложность расчетов вероятности отказа, которые могут быть выполнены в режиме реального времени.

Потребление энергии, особенно для электромобилей с аккумуляторами, представляет собой еще одно ограничение. Высокоэнергетические датчики, такие как LiDAR, и вычислительные ресурсы, необходимые для сложного синтеза датчиков, могут влиять на дальность полета транспортного средства. Разработчики систем должны сбалансировать эффективность локализации с энергоэффективностью.

Продвинутые темы в анализе неудач локализации

Количественная неопределенность в рамках модели неопределенности

Традиционные расчеты вероятности отказа предполагают, что модели, используемые для представления шума датчика, динамики системы и воздействия на окружающую среду, точны. На самом деле эти модели всегда являются приближениями, а неопределенность модели — неопределенность в отношении самих моделей — может значительно повлиять на оценки вероятности отказа.

Методы количественной оценки неопределенности, которые учитывают неопределенность модели, являются активной областью исследований. Эти подходы направлены на обеспечение границ вероятности отказа, которые остаются в силе даже тогда, когда лежащие в основе модели несовершенны. Такие методы, как надежная оптимизация, анализ наихудшего случая и методы ансамбля, могут помочь устранить неопределенность модели.

Редкое моделирование событий

Оценка очень низких вероятностей сбоев с помощью стандартного моделирования Монте-Карло является вычислительно непомерно высокой.Редкие методы моделирования событий, такие как выборка важности, методы разделения и моделирование подмножества, могут значительно снизить вычислительные затраты на оценку малых вероятностей сбоев.

Эти методы работают путем смещения моделирования, чтобы тратить больше времени на изучение областей входного пространства, которые приводят к сбоям, а затем исправления этого смещения в окончательной оценке вероятности. При правильном внедрении методы редких событий могут оценивать вероятности сбоев на много порядков меньше, чем было бы возможно при стандартном моделировании Монте-Карло.

Машинное обучение и подходы, основанные на данных

Методы машинного обучения все чаще применяются для прогнозирования и смягчения сбоев локализации.Нейронные сети могут изучать сложные взаимосвязи между входами датчиков, условиями окружающей среды и производительностью локализации, потенциально идентифицируя режимы сбоев, которые трудно моделировать аналитически.

Подходы, основанные на данных, также могут быть использованы для улучшения слияния датчиков путем изучения оптимальных стратегий взвешивания на основе исторических данных о производительности.Однако использование машинного обучения в критически важных системах безопасности поднимает важные вопросы о интерпретируемости, валидации и надежности сценариев, которые должны быть тщательно рассмотрены.

Подходы к кооперативным и подключенным автомобилям

Связь между транспортным средством (V2V) и транспортным средством с инфраструктурой (V2I) открывает новые возможности для повышения надежности локализации. Транспортные средства могут обмениваться информацией о местоположении и наблюдениями с помощью датчиков, что позволяет применять совместные подходы к локализации, при которых несколько транспортных средств совместно оценивают свои позиции.

Системы позиционирования на основе инфраструктуры, такие как дорожные маяки или позиционирование на основе 5G, могут предоставлять дополнительные источники информации, которые дополняют бортовые датчики. Эти подключенные подходы могут потенциально снизить вероятность отказа, предоставляя избыточную информацию о позиционировании и позволяя транспортным средствам предупреждать друг друга о проблемах локализации в конкретных областях.

Отраслевые стандарты и нормативные рамки

По мере развития технологий автономных транспортных средств отраслевые стандарты и нормативные рамки развиваются для удовлетворения требований локализации и порогов вероятности отказа. Стандарт функциональной безопасности ISO 26262 обеспечивает основу для безопасности автомобилей, которая включает системы локализации. Стандарты SAE определяют уровни автоматизации вождения и связанные с ними требования.

Органы регулирования в различных юрисдикциях разрабатывают требования к испытаниям и развертыванию автономных транспортных средств. Эти правила все чаще касаются эффективности локализации, требуя от производителей продемонстрировать, что их системы соответствуют определенным порогам точности и надежности. Гармонизация стандартов в разных регионах остается проблемой, с различными подходами, применяемыми в Соединенных Штатах, Европе, Китае и других рынках.

Отраслевые консорциумы и организации по стандартизации работают над разработкой общих процедур испытаний, показателей эффективности и методологий валидации для систем локализации. Эти усилия направлены на обеспечение согласованной основы для оценки и сравнения различных подходов к локализации и обеспечения минимальных стандартов безопасности в отрасли.

Будущие направления и исследовательские задачи

Область автономной локализации транспортных средств и анализа вероятности отказа продолжает быстро развиваться, с несколькими важными направлениями исследований и открытыми проблемами.

Масштабируемость и требования к инфраструктуре

AIVs нацелены на обеспечение безопасности для массовой пользовательской базы в диапазоне от десятков до сотен миллионов, требуя глобального масштабного и мгновенного точного позиционирования с защитой конфиденциальности местоположения. Достижение этого масштаба при сохранении высокой точности и надежности представляет значительные технические и экономические проблемы.

Инфраструктура, необходимая для поддержки высокоточной локализации в масштабе, включая услуги коррекции GNSS, системы распределения карт HD и сети связи, требует значительных инвестиций и постоянного обслуживания. Бизнес-модели и структуры управления для этой инфраструктуры все еще развиваются.

Устойчивость к враждебным атакам

По мере того, как автономные транспортные средства становятся все более распространенными, потенциал для вредоносных атак на системы локализации становится серьезной проблемой. Спуфинг GNSS, где ложные спутниковые сигналы передаются на обманутые приемники, представляет собой особую угрозу. Спуфинг датчиков атак, нацеленных на камеры или LiDAR, также может поставить под угрозу локализацию.

Разработка систем локализации, которые устойчивы к атакам противника, сохраняя при этом производительность и устраняя ограничения затрат, является важной исследовательской задачей. Для устранения этих угроз изучаются такие методы, как аутентификация сигналов, обнаружение аномалий и криптографическая защита картографических данных.

Интеграция с восприятием и планированием

Локализация не работает изолированно, а тесно связана с восприятием (пониманием окружающей среды) и планированием (решением, какие действия предпринять). Неопределенность локализации влияет на надежность алгоритмов восприятия и безопасность запланированных траекторий. И наоборот, информация о восприятии может использоваться для улучшения локализации посредством обнаружения ориентиров и сопоставления карт.

Разработка комплексных подходов, которые совместно оптимизируют локализацию, восприятие и планирование при надлежащем учете неопределенностей и режимов отказа во всех трех областях, представляет собой важный рубеж исследований. Эта интеграция имеет важное значение для достижения общей надежности системы, необходимой для безопасной автономной работы.

Адаптация к новым условиям

Современные системы локализации часто полагаются на предварительно построенные карты и работают в четко определенных областях оперативного проектирования. Расширение возможностей автономных транспортных средств в новых средах, включая ненамеченные районы, строительные зоны или регионы с быстро меняющейся инфраструктурой, требует систем локализации, которые могут адаптироваться и поддерживать надежность без обширного предварительного картирования.

Необходимы онлайн-матепинг и подходы к локализации, которые могут создавать и обновлять карты на лету при сохранении гарантий безопасности. Эти системы должны быть в состоянии оценить свою собственную надежность в новых условиях и принять соответствующие решения о том, когда безопасно действовать и когда требуется вмешательство человека.

Ключевые факторы, которые следует учитывать при моделировании неудач локализации

При разработке моделей для расчета вероятности сбоя локализации инженеры и исследователи должны учитывать комплексный набор факторов, охватывающих технические, экологические и эксплуатационные области:

• Характеристики шума датчика и точность: Понимание статистических свойств ошибок датчика, включая распределение шума, стабильность смещения и неопределенности факторов масштаба, имеет основополагающее значение для точной оценки вероятности отказа.
• Экологические условия: Погодные эффекты (дождь, снег, туман), условия освещения (день, ночь, блики, тени) и сезонные изменения - все характеристики датчика воздействия и должны учитываться в моделях отказа.
• Качество карты и частота обновления: точность, полнота и валюта карт HD напрямую влияют на производительность локализации, особенно для картографических подходов.
• Режимы надежности алгоритма и отказов: Должна быть тщательно охарактеризована чувствительность алгоритма локализации к ошибкам инициализации, свойствам конвергенции и поведению при деградации или отказе датчика.
• Степень и эффективность избыточности датчиков, обработки и путей связи значительно влияет на общую надежность системы.
• Ограничения в области функционального проектирования: Вероятность отказа сильно зависит от конкретных условий, в которых работает система, включая типы дорог, плотность трафика и географический регион.
• Требования к вычислениям и задержкам: Ограничения в реальном времени ограничивают сложность алгоритмов, которые могут быть реализованы и влияют на сложность количественной оценки неопределенности.
• Человеческие факторы и поведение водителя:] Для систем с человеческим надзором способность и готовность водителя вмешиваться влияет на общую безопасность и должна быть включена в модели отказа.
• Геометрия и наблюдаемость датчиков: Геометрическая конфигурация датчиков и наблюдаемость состояния транспортного средства по имеющимся измерениям влияют на точность локализации и режимы отказа.
• Точность и стабильность калибровки: Ошибки в калибровке датчиков, включая углы монтажа, синхронизацию времени и внутренние параметры, могут вводить систематические смещения, которые ухудшают производительность локализации.