Autopilot Sensörlerinin Evrimi
Tamamen otonom sürüşe giden yolculuk, akıllı bir dizi atılım tarafından düşünüldü.Sadece on yıl önce, çoğu sürücü-assist sistem, basit bir seyir kontrolü ve otopark yardımı gibi basit görevler için temel radar ve ultrasonik sensörlere dayanıyordu. Bugün, sofistike bir dizi sensör aracı ve aracı bir araya getiren 2 kat daha hızlı robotlu sistemler, her bir şekilde otomatik olarak daha iyi performans gösteren alanlardan daha iyi bir şekilde faydalanıyor.
Lidar: Katı Devlete Yol Etmekten
Lidar (Işık Tespit ve Ranging) yüksek derecede düşük bir ortam haritası haline geldi.Son gelişmeler, Waymo ve Velodyne tarafından kullanılanlar gibi, Luminar gibi elektronik olarak dönen bölümlere ve dektörlere yol açtı.Şimdi etkili olsa da, bu mekanik sistemler daha dayanıklı, pahalı ve daha az maliyetli olan kapaklı noktalara doğru kaydırıldı.
Maliyet ve boyut iyileştirmelerine ek olarak, modern kapak sensörleri, hareket nesnelerinin anında tespit edilmesi ve hava veya diğer kapak birimlerinden müdahalenin azaltılmasına olanak sağlar.Bu, FMCW kapaklı kapaklı, FMCW önlemlerinin her iki mesafe ve hızdaki hızların doğrudan ışıktan çekilmesi, Aeva gibi hareket eden dinamik araçların kullanılması ve otomatik olarak kullanılması için hızlı tepkinin seçilmesini sağlar.
Kamera Sistemleri: Unseen
Kameralar görsel anlayış için en çok yönlü sensör olarak kalır. Yüksek çözünürlüklü görüntüler, şu anda şerit işaretleri, trafik işaretleri ve ya da jestleri gibi detayları parlak güneş ışığından çıkarmalarına izin veren 140 dB'yi aşıyorlar.
Çiğ kararın ötesinde, kamerayı yorumlama algoritmalarının dramatik bir şekilde ilerlediği algoritmaların yanı sıra, tek bir kameranın sahnedeki zengin 3D anlayışını sağladığı noktaya kadar bu yetenekleri verdi.In Tesla'nın “Vizyon, araç, ya da stereo teknikleri ile derinlik tahmin ediyor. Mobileye benzer bir sinir ağı ile, Nvidia ve Tesla bu yetenekleri yalnızca bir kameranın sahnedeki büyük bir 3D anlayışa sahip olduğu noktaya taşıdı.
Son zamanlardaki yenilikler, olay temelli kameraların tanıtılmasıdır.Propheli aralıklarda görüntüleri yakalamaktan dolayı geleneksel çerçeve tabanlı kameraların aksine, olay kameraları yalnızca piksel yoğunluğunda değişiklikler yapar, mikrosaniye zaman çözümü için umut verici sonuçlar gösterir.Bu, hızlı hareketsizlik olayları tespit etmek için ideal kılar.Prophesiz araştırmacılar, olay kameralarını tamamen optimize etmek gibi şirketlerde buluşurlar.
Radar: Tüm Havalarda Bağlanabilir
Radar (Radyo Tespit ve Ranging) uzun zamandır yağmurda çalışabilme yeteneği için değerliydi, fog, kar veya doğrudan güneş ışığı - bu aşağılayıcı ve kamera performansını ayırıyor. Geleneksel otomotiv radarı 24 GHz veya 77 GHz'de çalışır ve orta çözünürlükte hızlanırken, son gelişmeler yüksek çözünürlükte 4D görüntüleme radarı geliştirmeye yol açtı. Bu sensörler birden fazla yolu kullanarak ve düşük maliyetli kapaklı ışıklara kadar uzanan bir noktaya kadar mesafeyi tespit edebilir.
4D görüntüleme radarı özellikle otomatik pilot sistemler için etkilidir, çünkü zaman içinde birden fazla radar taramasını doldurarak, modern algoritmaların her zaman otomatik olarak sabitlendiğini, görüntüleri tespit ettiğini ve diğer statik altyapıyı da görebilirsiniz.Bu “radar bazlı haritalama”, daha önce de, yoldaki iki radar cihazının küçültüğünün otomatik olarak küçüldüğü şekilde yerelleştirilmesiyle birlikte, otomatik radarın her türlü radarın sabitlenmesini sağlamak için kullanılan bir senaryodur.
Ultrasonik Sensörler: Close-Range Precision
Sık sık göz ardı edilirken, ultrasonik sensörler düşük hızlı manevralarda hayati bir rol oynarlar. Bu sensörler 40 kHz etrafında ses dalgaları yayıyor ve geri dönme zamanı için yankı buluyorlar. Birkaç metre içinde engelleri tespit etmek için ucuz, sağlam ve mükemmel - otomatik park için go-to teknolojisini yapmak, kör-spot izleme ve algılamayı azaltmak.Son gelişmeler 8 metreden fazla verimini artırmak için verimsiz ve çevresel gürültüyü artırmak için bağışıklıklarını artırmak için iyileşti.
Otomatik pilot sistemlerde, ultrasonik sensörler genellikle güvenlik ağı olarak kullanılır. Bir kamera veya radar, sıkı paralel otopark manevrası sırasında bir duvara veya başka bir arabaya tam mesafeyi belirsiz olabilir, ultrasonik veriler, santimetre seviyesindeki hassasiyetle boşlukları doldurur. Dahası, yeni “akıllı” ultrasonik sensörler hareketli nesneler tespit edebilir ve onları sınıflandırmak için (örneğin, arkadaki bir kişi) bir parkın geçişini analiz ederek.Bu yetenek ön ve arka arkadaki trafik uyarıları doldurur.
Sensör Fusion: Kombine Data
Tek sensör türü mükemmel değildir. Lidar ağır yağışlarda mücadele eder, kameralar glare tarafından kör edilebilir, radar doku ayrıntılarından yoksundur ve ultrasonikler sadece yakın bir aralıkta çalışır. Modern otopilot performansının büyüsü sensör füzyonda yatıyor - verileri birden çok sensör modalden bir araya getiren algoritmalar çevrenin birleştirilmesi için.
Erken füzyon yaklaşımları, basit Kalman filtreleri nesneleri takip etmek için kullandı. Bugün, derin öğrenme tabanlı füzyon yöntemleri, her sensörden birleşik bir sinir ağına kadar tüm sensörlerin “ortalama” algılayıcısı ile daha iyi bir şekilde kullanılmasını sağlar.Bu, daha önce ekinleme işlemine izin verir.Bu, ağ, önbellek noktasının her sensördeki tabloları kullanarak daha az yanlış şekilde kullanır.
Eylemde sensör füzyonu önemli bir örnek, kamerayı, radarı ve kapaklı bir algılama katmanı sağlamak için mobilize edilmiş bir sensör paketini içeren 360 derece çevreli bir algılama katmanını sağlamaktır. Mobileye's Sorumluluk testi, daha sonra bu füzyon algısını güvenli sürüş kararları almak için kullanır, böylece bağımsız sistemin asla bir çarpışmaya neden olmadığını sağlar. Benzer şekilde, Waymo'nun beşinci milyonlarca mil uzunluğundaki sürüşlü bir algılama paketini içerir.
Makine Öğrenme ve Algı Algıda AI
Sensör donanımı gelişmiş olsa da, verileri yorumlayan yazılımlar belki daha dramatik gelişmeler gördü. Makine öğrenimi, özellikle derin öğrenme, nesne algılaması, sınıflandırma ve tahmin için vazgeçilmez hale geldi. Convolutional sinir ağları trafik ışıklarını tanıyabilir, işaretleri durdurur ve yayaları kontrol edilen testlerde %99'u aşan doğruluk oranlarıyla değiştirir. Recurrent sinir ağları (RNNs) ve dönüştürücüler nesnelerin zaman davranışını tahmin ederler, gelecekteki trajektörlerini ikinci olarak tahmin ederler.
Kritik son bir yenilik, Tesla, Wayve gibi vizyon dönüştürücülerinin kullanımıdır ve Waabi, son öğrenmeyi göstermiştir - doğrudan çıkışlar ve zaman boyunca ilişkileri öğrenmek için dikkat mekanizmaları sunar ve karmaşık kentsel sahnelerde geleneksel CNNler yapabilir.
Bununla birlikte, AI odaklı algı zorluk olmadan değildir. Ne-ural ağlar, simülasyon ortamlarında ağır yatırım yapabilirler (örneğin, Microsoft AirSim) milyonlarca sentetik mil oluşturmalı ve aynı zamanda eğitim verileriyle karşılaşan sürekli öğrenme teknikleriyle karşılaşmak için, yeni verilerle ilgili modeller güncelliyorlar.
Autopilot Performans Metrikleri Üzerine Etkisi
Yukarıda açıklanan sensör yenilikleri doğrudan otomatik pilot performansdaki ölçülebilir gelişmelere tercüme eder. Anahtar ölçümler şunları içerir:
- [FONT:0)Redük Disengagement Rate:[Dönetici] Waymo ve Cruise raporu gibi lider bağımsız araç geliştiricileri, 10.000 mil veya daha az bir şekilde düşük oranlarda olduğu gibi, sistemle karşılaşamayacağı bir durumu azalttı.
- [FONT:0)Broader Operasyonel Tasarım Domain (ODD): [D: ) Modern sensör süitleri, daha önce gerekli olan sürücü müdahalesinde çalışan zorlu koşullarda çalışma imkanı sağlar. Örneğin, yüksek seviyeli kameraların ve 4D radar sistemlerinin kombinasyonu ağır yağmurda, düşük güneşte ve hatta geceleri bile minimum bozulma ile çalışır.
- [FONT=0]Dörtücük yanlış pozitif ve yanlış negatif fiyatlar: Sahte pozitifler (örneğin, bir gölge için phantom frenlemesi) tehlikeli ve kavanoza doğru tepki verebilir. Sensörler hala aynı zamanda, yanlış negatif negatif negatif negatif negatif negatif negatifler (bir engeli tespit etmek için)
- [FONT:0) Geliştirilmiş Konfor ve Smoothness:[Dönetici:0) Doğru çevre algısı, otomatik pilotun düzgün yolları planlamasını sağlar. Örneğin, bir ön aracın hassas hızını ve konumunu bilmek, yumuşak hız ve frenleme sağlar, sürüşün daha doğal olduğunu hissetmesine olanak sağlar.
- [FONT:0)Increased Safety:[Dönetici:[Dönetici:0) Sonuç olarak, hedef kazaları azaltmaktır.İlk veriler, üst düzey 2 sistemden gelen araçların, ileri çarpışma uyarı, otomatik acil frenleme ve şerit tutma yardımı ile donatılmış araçların arka uçtaki çarpışmalarda %40 azaltımı gerektiğini gösterir.
Meydanlar ve Gelecek Yollar
Etkileyici ilerlemeye rağmen, birkaç zorluk devam ediyor. Maliyet, bisikletli bir şekilde bisiklet gibi yakın bir boşluk olduğu için hala bütçe dostu üretim araçları için çok pahalıya mal oluyor. Radarın angular kararı, ancak geliştirme, hala kapağın arkasındaki boşluklar ve kameraların bisikletler gibi yakından ayırt etmek için büyük bir engel.
Önümüzdeki sefere, trend daha büyük entegrasyon ve miniaturizasyona doğru gidiyor. Muhtemelen panar, radar ve kamerayı tek bir konutta birleştirir, paketlemeyi basitleştirir ve maliyetleri azaltır.İlk ticari örnekler, Valeo SCALA 3 kapaklı, zaten bir kamera ve işleme elektronikini bir araya getirir. Başka bir umut verici yön, güvenlik nedeniyle derin öğrenme ve yorumlamak için sensörleri birleştirir.
Düzenleme çerçeveleri de gelişmeye ihtiyaç duyacaktır. sensör teknolojisi daha yüksek otomasyon seviyelerini sağlarken hükümetler performans, reddans ve siber güvenlik için standartlar kurmalı. Avrupa Komisyonu ve NHTSA, sensörlerin minimum algılama aralıkları ve başarısızlık toleransını karşılaması için yeni düzenlemeler üzerinde çalışıyor.
Yakın gelecekte, düşük maliyetli yakınlık, yüksek performanslı sensörler güçlü makine öğrenimi modelleriyle otomatik pilot sistemleri mevcut sınırlarının ötesinde zorlayacaktır. Beş yıl içinde, dünya çapında onlarca şehirde mevcut olan 4 özerklik seviyesi, güvenlik sürücüsü olmadan karmaşık kentsel ortamları ele almak için yeterince güvenilir olan sensör süitleri ile birlikte kullanılabilir.
[FONT:0) Daha fazla okuma için, en son gelişmeleri inceler.([Döneticileri:2)[Döneticileri ve radar yenilikleri)[FLT: 9).