Özerk araçlar, genellikle kendini kontrol eden otomobiller olarak adlandırılır, ulaşım tarihinde en derin teknolojik değişimlerden birini temsil eder. Her özerk sistemin kalbinde, bu işlem sensörü verilerinin, bu aracın çevresini nasıl yorumlayabildiğini ve gerçek zamanlı sürüş kararlarını anlamayı sağlar. Bu otomatik pilot algoritmaların tek bir parça algılama, yerelleştirme, planlama ve kontrol modülleri, her bir zeminde mühendislik, bilim ve makine öğrenimine ihtiyaç duyan algoritmaların.

Sensör Suite: Dünyayı Nasıl Özerk Araçlar Etkiliyor

Herhangi bir algoritma bir karar vermeden önce, araç ilk önce çevrelerinin doğru bir temsilini inşa etmelidir. Bu, kolektif olarak görsel, uzaysal ve hareket verileri yakalayan bir dizi sensörle elde edilir. tek bir sensör yeterli değildir; her biri güçlü ve zayıf yönleri vardır, bu yüzden sensör füzyon - birden fazla kaynaktan gelen verileri ortaya çıkarmak - güvenilir algının yatağını oluşturur.

Kameralar, Lidar, Radar ve Ultrasonik Sensörler

[FONT=0]Cameras , trafik ışıklarının rengi, yol işaretlerinin şekli ve en yüksek kare oranlarında çalışır ve nispeten düşük ışıkta performansları, fog veya glare.TELFLT:3)Lidar[en düşük çözünürlükte ayarlandığında, lazer ölçüm ve Ranging) lazer pul pul pul pul pul pul pul pul pulları ve ölçümler için geri döndürür.

Sensör Fusion: Güçlüleri birleştirmek

Otomatik pilot algoritma verileri bu parasız kaynaklardan birleşik bir dünya modeli oluşturmak için süzüyor. Örneğin, bir kamera bir stop işareti tespit edebilir, ancak panar, nesnenin kapanma hızını bağımsız olarak ölçebilir. Sensör füzyon algoritmaları, genellikle Kalman filtreler veya Bayesian inference üzerine kuruludur, her sensörün güvenini ve tek bir tek, sağlam bir tahmin üretir. Bu işlem kritiktir, çünkü bireysel sensör başarısızlıkları veya sınırlamaları için telafi eder.

Yerelleşme ve Haritalama: Tam olarak Nerede Olduğunu Bilmek

Nesnelerin sadece meydan okumasının yarısıdır; araç aynı zamanda küresel koordinat çerçevesi içinde yüzdeimetre seviyesindeki doğrulukla kendi konumunu da belirlemelidir. GPS tek başına güvenli sürüş için çok uyumlu (tipik olarak birkaç metreye doğru), bu yüzden otonom sistemler bir teknik kombinasyonuna güvenir.

GPS ve Inersal ölçüm Birimleri

Yüksek çözünürlükte GPS alıcı, diferansiyel düzeltme (örneğin, RTK GPS) açık gökyüzünde birkaç santimetre içinde doğruluk elde edebilir. Ancak, GPS sinyalleri tünellerde, kentsel kanalda veya foliage altından silinemez.ApolT:0Inersal ölçüm ünitesi (IMU))[Dönüşük hızlar ve agular hızlar ve hızlar hızlanır ve bunları pozisyondaki değişiklikleri tahmin etmek için birleştiririm.

SLAM ve Yüksek Savunmalı Haritalar

[FONT:0]Simultane Localization ve Mapping (SLAM)[Dönetici:0) Algoritma aracının aynı anda bu haritadaki yerini takip ederken, SLAM, kontrol noktalarının ve kamera özelliklerinin yanı sıra, trafik işaretlerini kullanarak, yüksek çözünürlükte bulunan görüntüyü güvenli bir şekilde sabitleyerek, otomatik olarak kontrol eden görüntüyü kontrol altına almalarını sağlar.

Pat Planlama: Perception to Action

Araç ortamı ve kendi pozunu bildiğinde, ne yapacağını karar vermeli. Path planlama birden fazla zaman ve uzaysal seviyeye yapılandırılmıştır: görev planlama, davranış planlama ve hareket planlama.

Misyon Planlama (Route Selection)

En yüksek seviyede, algoritma, A noktasından genel rotayı B noktasına, yol ağlarını, trafik koşullarını ve kullanıcı tercihlerini göz önünde bulundurarak belirler. Bu, geleneksel bir GPS navigasyon sistemine benzemektedir, ancak yol kapatmaları veya tahmin edilen trafik sıkışıklığı gibi dinamik faktörler içerebilir.

Davranışsal Planlama (Decision Making)

Davranışsal planlama taktik kararları ele alır: şeritleri değiştirmek için, bir yayaya vermek, bir kesişim nasıl, yoksa bir araya gelen agresif birleşmelerin sonuçlarını nasıl tahmin etmek için eğitilmiştir.Bu kararlar genellikle sonlu bir devlet makinesi veya daha fazla, kullanım için )deep takviye öğrenme). Örneğin, milyonlarca simülatörlü miller üzerinde eğitilmiş bir algoritma, güvenlik ve verimlilik için optimize etmek için agresif bir araya gelir.

Hareket Planlaması (Trajectory Generation)

Yüksek seviyeli bir davranış karar verdi, hareket planlayıcısı bir sonraki birkaç saniye boyunca sorunsuz bir yörünge oluşturur.[MPC) Bu, bir kısıtlayıcı optimizasyon problemini çözmeyi içerir: yol, araç dinamiklerine (örneğin, maksimum yönlendirme açısı, hız sınırları), şerit sınırları içinde kalmak ve tüm tespit edilen engellerden kaçınır. [MPC)).

Kontrol Sistemleri: Planlanan Plan

Planlanan yörünge belirli bir davranış komutlarına çevrilmeli: throttle, fren ve direksiyon açılarını kontrol edin (konuş, hız ve yönelim) ve aracın hareketçileri gibi daha ileri teknikleri hesaplar. [LQR).Bu kontrolörler uzun süreli kontrol için yaygın olarak kullanılır (örneğin, 100 Hz) daha sonra kontrol (daha iyi takip etmek gibi, daha hızlı değişiklikler için, Stanley kontrolörleri veya lineer olmayan düzeltmeler gibi daha ileri teknikler kullanır.

Makine Öğrenmesinin ve Yapay Zekanın Rolü

Modern otopilot algoritmaları makine öğrenimine yoğun olarak güveniyor, özellikle derin öğrenme, algı ve düşük seviyeli desen tanıma için. Geleneksel bilgisayar vizyonu yaklaşımları büyük ölçüde nesneler uç-to-end tespit edebilir ve sınıflandırmak için dikilmişti.

Derin Öğrenme

Kısıtlıklı sinir ağları (CNN) süreç kamera görüntüleri yayaları tanımlamak için, şerit işaretleri, trafik işaretleri ve yüksek doğrulukla diğer araçlar.Üyelim sinir ağları:0)YOLO (Sadece Bir Keza Bak)[DÜye Olmayanlar)[DÜye Olmayanlar İçin Tıklayınız.[D)[Döneticileri doğrudan kontrol etmek için yol haritası ve yönlendirmesi için uygun bir şekilde ayarlayın.

Karar Vermek İçin Zorlama Öğrenme

Donanım öğrenme (RL) davranışsal planlama için söz verdi, özellikle simülasyonda. Bir RL ajanı mevcut durumu haritalar (konuşlar, mesafeler) bir eyleme (daha fazla değişim, ivme) uygun bir şekilde, başarılı bir şekilde test etmeye teşvik eden bir sinyale söz verdi.

End-to-Bitiş Arabaları için Neural Networks

Bazı araştırmalar, doğru algı ve planlama modüllerini atlatmak için doğrudan tek bir sinir ağ haritaları çiğ sensör girişleri için doğrudan doğruya ve uçlu komutları, açık algı ve planlama modüllerini atlatmak için (örneğin,Demo-2 sistemi) başarılı olduğu için, her modülün test edilmesi ve bağımsız olarak doğrulanması zor kalır.

Güvenlik ve Reddans: Autonomy'de Güven Yapı

Autopilot algoritmaları aşırı güvenilirlik ile çalışmalıdır, başarısızlıklar kazalara yol açabilir. Güvenlik, kırmızıdans, hata algılama ve titiz test yoluyla mühendisileştirilmiştir.

Başarısız Operasyonel Sistemler

Bir elektronik sistem başarısız olursa, otomatik olarak devralan veya devre dışı bırakabilen bir insan sürücüsünden farklı olarak, bir bileşen başarısız olursa, sistem tam işlevselliği korur veya minimum risk (örneğin, bir kesinti) uygular.Fort, Waymo'nun kendi kendine giden sistemi, ayrı güç raylarında çalışan birçok işlem birimi içerir; eğer bir bileşen başarısız olursa, sistem tam işlevsellik tutarsa veya güvenli bir şekilde çalışır.

Geçerlilik ve Test

Geçerlilik, milyarlarca mil simülasyon ve milyonlarca gerçek dünya millerini içerir.ETHFLT:0)Scenario tabanlı testler) binlerce özel durum yaratır (örneğin, sokaklara çalışan bir çocuk, ani bir şerit kapatma) ve algoritmanın doğru yanıt verdiğini ifade eder.

Meydanlar ve Sınırlar

Hızlı ilerlemeye rağmen, otopilot algoritmaları tam Seviye 5 özerkliği önlemek için temel zorluklarla karşı karşıyadır (herhangi bir durumda insan müdahalesi yoktur).

Adverse Weather

Ağır yağmur, kar, fog ve toz sensörün performansını azaltır. Lidar yağış tarafından yansıtılabilir veya absorbe edilebilir, kameralar kontrast kaybeder ve radar, çöp tozundan alınan yanlış pozitifleri geri döndürebilir. Makine öğrenme modelleri öncelikle bu koşullarda başarısız olur ve tüm hava senaryoları için etiketlenmiş verileri toplamak pahalıdır.

Edge Cases ve Long-Tail Sorunları

Gerçek dünya son derece değişkendir. Gerçek olmayan nesneler (yolda bir at, yoldaki bir at), alışılmadık davranışlar (bu tür kenar davalarını sistematik olarak topladıkları ve ele aldıkları uzun kuyruklar, özellikle de otonom sürüşün açık bir araştırma problemini kullanmasının başlıca nedenidir.)

Siber güvenlik

Otomatik pilot algoritmaları sürekli yazılım güncelleştirmelerine ve ağ bağlantılarına bağlı olduğundan, siber saldırılar için savunmasızdırlar. Bir saldırgan bu tehditlere karşı korunmak için potansiyel olarak değiştirilebilir (örneğin, kapaklı spoofing kullanarak sahte nesneler proje) veya kötü niyetli komutları araç doğrulamasına enjekte edebilir, ve saldırı tespit sistemleri bu tehditlere karşı koruma için kritiktir.

Etik ve Yasal Çerçeveler

Algoritmaların araçların kontrolünü varsaydığı gibi, toplum etik ikilemlerle yüzleşmelidir ve yasal hesap verebilir.

Tramvay Sorun ve Ahlak Algoritma

kaçınılmaz kaza senaryolarında, özerk bir araç, yolcuların veya yayaların zarar görmesini veya çarpıcı farklı nesneler arasında seçim yapmalıdır. Philosophers ve mühendisler, bu tür kararları nasıl kodlayabilirler - algoritmayı en aza indirmeye, tüm maliyetlerde veya önceden tanımlanmış kuralların bir setini korumalı mı? [0SAE] J30 standart bir fikir ve bunun yerine güvenli sürüş yoluyla çarpışmayı önceliklendirmek için otomatik olarak kontrol etmek için bir çerçeve sağlar.

Sorumluluk ve Yönetmelik

Özerk bir araç kazaya neden oluyorsa, hata yapan bir kazaya neden olur? Üretici, yazılım geliştiricisi, filo operatörü veya sahibi? Erken yasal bir öncekiler, ürün sorumluluk ilkelerinin geçerli olduğunu iddia ediyor, ancak birçok yargı sistemi, Almanya'nın AVT:0StVG) [Yol Trafik Yasası) ABD'nin güvenlik birimlerine benzer şekilde veri kayıtlarına sahip olmak için 4 araç gerekiyor.

Autopilot Algorithms'in Geleceği

Devam eden araştırma ve geliştirme noktası, bir sonraki özerk sistemlerin nesli şekillendirecek birkaç temel trende doğru.

End-to-Bitiş Öğrenme ve Temel Modeller

Büyük veri setlerinde eğitilmiş büyük sinir ağları (görsel modeller dahil) sonunda birçok el sanatları modüllerini yerine getirebilir. Örneğin, tek bir model kamera görüntülerini ve çıkış yönlendirme komutlarını kabul edebilirken, sahne hakkında sorular cevaplayabilir. Tesla'nın “Tamamlama Ağı” yaklaşımı, bu tahminler kamera girişlerinden doğrudan 3D uzayda sabitlenebilir.

Araç-Her Şey (V2X) İletişim

Autopilot algoritmaları, araçların birbirleriyle (V2V) iletişim kurabileceği ve altyapı (V2I) ile iletişim kurabileceğinde daha güvenli hale gelecektir. V2X, düşük ücretli manevralar ve sensörlerin yalnızca tespit edemeyeceğini tahmin edebilir.

Seviye 5 Autonomy

Gerçek Seviye 5 özerklik - herhangi bir durumda, insan katılımı olmadan - uzak bir hedeftir. Mevcut sistemler, coğrafi alanlarda en iyi çalışır (örneğin, Phoenix'in bazı bölgelerindeki Waymo) veya uygun havalarda, daha ucuz, daha sağlam sensörler ve daha güçlü bir hesaplama platformları ile birlikte, onlarca yıl boyunca geniş bir dağıtımın bir önemi olduğunu gösterir.

Özetle, otopilot algoritmalarının arkasındaki bilim, sensör füzyon, olasılıksal yerelleştirme, karmaşık planlama ve makine öğreniminin entegre edilmesi için çok disiplinli bir başarıdır.Her katman titiz matematiksel temeller ve geniş geçerlilik üzerine inşa eder.Özellikle kenar vakaları ve toplumsal kabul etrafında, yörünge açık: otonom araçlar daha güvenli ve daha yetenekli hale gelmeye devam edecektir, süreçteki ulaşım.