Table of Contents

Yerelleştirme, özerk araç operasyonunun en temel ve güvenlik-kahkabin bileşenlerinden biridir. Yerelleşmenin konumunu, yönelimini ve hızını doğrudan bu sistemlerdeki her yönüne etkiler.

Bu kapsamlı makale, ilk prensiplerden elde edilen güvenlik gereksinimlerine ilişkin yöntemleri ve değerlendirmeleri araştırıyor ve bu hızla gelişen alanda mühendisler ve araştırmacılar tarafından karşı karşıya kalan pratik uygulama zorlukları inceleyeceğiz.

Özerk Araçlarda Yerelleşmeyi Anlamak

Özerk araçlar, tüm hava ve trafik koşullarındaki pozisyon ve yönelimlerini yol planlama, algılama, kontrol ve genel güvenli operasyon için gerekli olan geleneksel navigasyon sistemlerinin aksine, dönüş rotaları için yeterli olan mesafenin doğrulanması, otonom araçlar, manevraları güvenli bir şekilde taşımak için santimetreye ihtiyaç duyuyor ve diğer yol kullanıcılarıyla etkileşime giriyor.

Özerk araçlardaki yerelleştirme sorunu çok yönlüdür ve genellikle birkaç anahtar parametreyi belirlemektedir: Araç şu anda, aracın şeritleri, araç yönlendirmesi veya rotası gibi yol altyapısına göre hareket eder ve şu anda araba hızlarını değerlendirebilir.

Yerelleştirmenin Eleştirel Rolü

Doğru yerelleştirmenin önemi aşırı devletlenebilir. Bir araç aşırılama gibi eylemler aracın mevcut yerelleştirme ile ilgili kesin bilgi gerektirir.Bir aracın yerelleştirme sistemi başarısız olduğunda veya yanlış bilgi sağlarken, sonuçlar küçük navigasyon hatalarının felaket güvenlik olaylarıyla aralığına kadar değişebilir.

Uzun yıllardır tüketici navigasyon sistemlerinde kullanılan standart GPS cihazları, Federal Havacılık Yönetimi GPS Performans Analizi Raporuna göre, standart bir GPS cihazının doğruluğu %95 oranında bir güvene sahip, bu belirsizlik seviyesi çok büyük bir şerittir.

Otomatik sürüş sistemleri doğru yerelleşmeye ihtiyaç duyuyor, yani,% 0.1 m'nin altındaki accuracies'a güven seviyelerinde% 95'in üzerinde ulaşma. Bu katı ihtiyaç, otoyol hızlarında çalışan araçlar için en dar marjları diğer araçlara, yayalara ve altyapıya yakın olarak yansıtıyor.

Güvenlik Bütünleme Seviyeleri ve Başarısızlık Gereksinimleri

Özerk araç yerelleştirme için uygun güvenlik standartları oluşturmak için araştırmacılar, havacılık ve demiryolu alanından alınan diğer güvenlik-kırık ulaşım alanlarından, özellikle havacılık ve demiryolundan alınan tüm uygulamalarla ilgili olarak, bugün yol güvenliğine yönelik istenen iyileştirmelere dayanan operasyonda izin verilen başarısızlık olasılığı, benzer sayıların 10. sırada elde edilen yerelleştirme seviyelerinden elde edilen orantısızlığı ve demiryolu ile karşılaştırmalar yaptılar.

Bu son derece düşük başarısızlık olasılığı – yüz milyon işletim saatte bir başarısızlık – güvenlik-kahkadar sistemler için altın standardı temsil ediyor. Ancak, otonom araçlar için özel gereksinimlerin özerklik ve operasyonel tasarım alanına bağlı olarak değişebilir. ADAS için yerelleştirme, ASIL B aralığına göre, ASIL B'nin hedefi genellikle birçok ADAS sistemleri hedef olarak ortaya çıktı.

Otomotiv Güvenliği Dürüstlüğü (ASIL) sınıflandırması, ISO 26262 standardında tanımlanmış ve otomotiv sistemlerinde işlevsel güvenlik risklerini değerlendirmek ve yönetmek için bir çerçeve sunar. ASIL seviyeleri A (düşük) D (en yüksek), her seviyede hata tespiti, reddans ve başarısızlık olasılığı eşi için belirli gereksinimlerine karşılık gelir.

Geometrik Gereksinimler ve Hata Bounds

Yerelleşme gereksinimlerinin belirlenmesi için temel yaklaşımlardan biri, yol altyapısı ve araç boyutları tarafından uygulanan geometrik kısıtlamaları analiz eder. Amaç, aracın şeritte olup, uzun süre sonra, dikey yerelleştirme hatası sınırlarına dayanan% 95'lik gereksinimlerinin ve ABD yol geometri standartlarına göre elde edilen %95'i korumaktır.

Bu geometrik analizler, yol türüne ve sürüş senaryoya bağlı olarak değişen belirli sayısal gereksinimleri verir. Yolcu araçları ücretsiz yollarda çalışır, sonuç 0,5 m (0.20 m,% 95), uzun bir kullanım sınırı 1.40 m (0.48 m (0.43 m) ve her yönde bir yaklaşım (0.43 m.

Gereksinimler, şeritlerin dar ve trafikte daha karmaşık olduğu kentsel ve yerel sokak ortamları için daha da sıkı hale gelir. Yerel sokaklarda, yol geometrisi, daha sonra ve uzun süredir yanlış hataların 0,0.10 m'ye kadar sınırlı olduğu konusunda daha sıkı bir şekilde ihtiyaç duyar.

Yerelleştirmeyi Etkileyen Faktörler ve Başarısızlık Probability

Yerelleştirme başarısızlığı olasılığı, sensör performansı, çevresel koşullar, algoritmak sağlamlığı ve sistem mimarisini kapsayan karmaşık bir etkileşimden etkilenmektedir. Bu faktörler, doğru başarısızlık olasılığı modelleri geliştirmek ve etkili mitigation stratejileri uygulamak için gereklidir.

Sensör Kalite ve Performans

Yerelleştirme için kullanılan sensörler tüm sistemin temelini oluşturur. Modern otonom araçlar genellikle Global Navigation Uydu Sistemi (GNSS) alıcıları, Inersal ölçüm birimleri (IMUs), kameralar, LiDAR (IMUS ve Ranging), ve radarlar dahil olmak üzere farklı bir sensör paketini kullanmaktadır.

GNSS alıcıları, uydu takımlarından gelen sinyalleri alarak mutlak konum bilgilerini sağlar. Ortak bir mimarlık, kameralara, radara veya Global Navigation Uydu Sistemlerine (GNSSSS) ait mutlak yerelleştirme sistemi ile ilgili göreceli bir yerelleştirme sistemi içermektedir.

Relative yerelleştirme yöntemleri, sparse açık veya tekrarlanan ortamlardaki zorluklara sahip olma eğilimindedir, çünkü bu farklı sensör yöntemlerinin kullanımı, birden fazla bilgiyi birleştiren sensör füzyon yaklaşımlarının kullanılması gibi.

Sensör gürültüsü, önyargı ve sürüklenme özellikleri doğrudan yerelleştirme doğruluğunu etkiler. IMUs, örneğin, gürültülü hız ve angular oranı ölçümlerinin entegrasyonu nedeniyle zaman içinde bir pozisyon hataları biriktirin. IMU sensörlerinin kalitesi, tüketici sınıfı MEMS cihazlarının endüstriyel-grad ve taktik-grad birimlerine dramatik bir şekilde değişir, çünkü sürüklenme ve gürültü seviyelerindeki farklar.

Çevre Koşulları

Çevre faktörleri yerelleştirme sistemi performansını ve başarısızlık olasılığını belirlemede önemli bir rol oynamaktadır. Yağmur, kar, fog ve aşırı sıcaklıklar çeşitli şekillerde sensör performansını etkileyebilir. Kamera tabanlı sistemler glare ile mücadele edebilir, lensler üzerinde yağış veya azaltılabilir. LiDAR performansı, korkunç geri dönüşler yaratan yağmur veya kar partikülleri tarafından bozulabilir. GNSS sinyal resepsiyonu özellikle ionospheric ve tropospheric gecikmeleri ile etkileyebilir.

Aydınlatma koşulları, ışık ve gölge arasındaki geçişler sırasında veya doğrudan güneş ışığından gelen diğer önemli bir meydan okuma sunar.Bu zorluklar yerelleştirme yaklaşımları, yerelleştirme koşullarıyla ilgili olarak farklı çevresel koşullara karşı hassaslığı koruyabilecek veya kötü performans gösterebilecektir.

Kentsel ortamlar özellikle GNSS tabanlı yerelleştirme için zorlu koşullar sunmaktadır. GNSS doğruluk genellikle yoğun binalarda, tüneller veya yüksek binalar nedeniyle yoğun kentsel alanlarda performans genellikle sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık alıcıya ulaşır.

Map Quality and Para

Yüksek çözünürlüklü haritalar birçok özerk araç yerelleştirme sistemlerinin ayrılmaz bir parçası haline geldi. Bu haritalar yol geometrisi, şerit işaretleri, trafik işaretleri ve sensör gözlemlerine karşı eşleştirilmiş diğer altyapı unsurları içerir.

HD haritaları, Lanelet2 gibi bir HD haritalama aracı tarafından toplanıp, LiDAR noktasındaki ilgili yol özelliklerini geri çekilmesinden ve haritanın modellenmesinden sonra, Lanelet2 gibi bir HD harita formatındaki haritanın özelliklerini temsil edebilir.

Bu haritaların doğruluğu ve para birimi doğrudan yerelleştirme performansını etkilemez. Son yol inşaatını yansıtmayan haritalar, yeni şerit işaretleri veya altyapı değişiklikleri yerelleşme hatalarına veya başarısızlıklarına yol açabilir. Harita hataları, ilk haritalama hataları veya daha sonraki değişikliklerden çevreye kadar, yerelleştirme çözümüne sistematik önyargılar tanıtabilir.

Harita güncelleme frekansı ve dağıtım mekanizmaları da sistemi güvenilirliğini etkiler. Geniş coğrafi alanlarda çalışan Özerk araçlar, operasyonel alanda tüm bölgeler için geçerli, doğru haritalara erişimli ve bu haritaları geliştirmek, korumak ve ölçeklendirmek, otonom araç endüstrisi için önemli bir meydan okuma anlamına gelir.

Algoritma Robustness ve Başarısız Modlar

Sensör verileri işlemek ve tahmin etmek için kullanılan algoritmaların kendi belirsizlik ve potansiyel başarısızlık modları hakkında bilgi sahibi olduklarını ortaya koyar. Sensör füzyon algoritmaları, Genişletilmiş Kalman Filtreleri (EKF), Teşvik edilen Kalman Filtreleri (UKF), ve parçacık filtreleri, sensör gürültü özellikleri, sistem dinamikleri ve ölçüm modelleri hakkında varsayımlar yapılır. Örneğin, sensör algılayıcı olmayan algılayıcılar meydana geldiğinde -Gaussian veya beklenmedik sensör hataları meydana geldiğinde - algoritmaların yanlış olmayan pozisyon tahminleri üretebilir.

Simultane Localization ve Mapping (SLAM) algoritmaları, aynı anda içinde yerelleşmekte, özerk araç uygulamalarında özel zorluklarla karşı karşıya kalmaktadır. SLAM algoritmalarının kullanımı, dış ortamlarda otonom araçlar için zor ve araç bağlamında, standart SLAM algoritmalarının iyi performans göstermesine izin vermez.

Algoritma yakınlık sorunları da yerelleştirme başarısızlıklarına katkıda bulunabilir. Bazı yerelleştirme algoritmaları başlangıç dönemi gerektirir veya zayıf ilk pozisyon tahminlerinden başlayarak bir araya gelmemektedir. SLAM sistemlerindeki döngü kapanış başarısızlıkları, algoritmanın daha önce ziyaret edilen bir yere geri döndüğünü kabul etmek için başarısız olabilir, sürüklenme ve harita tutarsızlıklara yol açabilir.

Sistem Reddans ve Yanlış Hoşgörü

Yerelleştirme sistemi mimarisi, özellikle de tasarıma inşa edilen kırmızı ve hata toleransı derecesi, genel başarısızlık olasılığı önemli ölçüde etkiler. Özerk araç endüstrisinde ortaya çıkan ortak bir mimari, tandem'de çalışan yedek sistemlere dayanmaktadır. Bu reddans sistemi, bireysel sensörler veya alt sistemler başarısız olduğunda bile çalışmaya devam etmesini sağlar.

Reddanış birden fazla seviyede uygulanabilir: sensör kırmızısı (aynı tipteki çoklu sensörler), modality reddant ( tamamlayıcı bilgi sağlar), ve hesaplamalı kırmızı (çok bağımsız işleme yolları).Rezorasyonların etkinliği gerçekten bağımsızdır - tek bir hata veya çevresel durum aynı anda birden fazla redt elementi devre dışı bırakmaz.

Hata tespiti ve izolasyon mekanizmaları sistemi bütünlüğü korumak için kritiktir. Yerelleştirme sistemi, sensörlerin yanlış veri sağlamasını, hataların sensörünü izole etmesi ve geri kalan sağlıklı sensörleri kullanarak işlemeyi yeniden yapılandırın.

Yerelleştirme Başarısızlık Yöntemleri

Yerelleştirme başarısızlığının olasılıklarını hesaplamak, karmaşık, çok yönlü özerk araç yerelleştirme sistemleri için hesap verebilecek sofistike analitik ve hesaplama yöntemleri gerektirir. Çeşitli tamamlayıcı yaklaşımlar pratikte kullanılır, her biri farklı avantajları ve kısıtlamalarla kullanılır.

Monte Carlo Simülasyon Yöntemleri

Monte Carlo simülasyonu, yerelleştirme başarısızlığı olasılığının azaltılması için en yaygın kullanılan tekniklerden biridir. Bu yaklaşım, sensör gürültüyü, çevresel koşulları ve diğer belirsizlik kaynaklarını analiz ederek, hataların kabul edilebilir eşleri geçeceğini tahmin edebilir.

Monte Carlo yaklaşımı birkaç avantaj sunar. Karmaşık, doğrusal olmayan sistem dinamikleri ve giriş belirsizlikleri için olasılık dağıtımlarını yönetebilir. Bu, simülasyonun küçük kesimlerine dayanan yanlış tahminleri, kabul edilemez yerelleştirme hatalarının bu sonucu yürütebilir. Yöntem, hataların çoğuna yol açma olasılığı olan belirli senaryoları veya kombinasyonları da tanımlanabilir.

Bununla birlikte, Monte Carlo simülasyonu da sınırlamalara sahiptir. Doğru şekilde çok düşük başarısızlık olasılığı (daha önce bahsedilen 10 ^-8 gibi) karmaşık sensör ve çevresel modellerin kabul edilmesi gerekir. Sonuçların kalitesi simülasyon modellerinin ve giriş belirsizlik dağıtımlarının tanınmasına bağlıdır.

Bayesian Inference ve Probabilistic Modeling

Bayesian inference, yerelleştirme sistemlerindeki belirsizlik konusunda bir ilke çerçeve sunar. Bu yaklaşım aracın konumunu yeni sensör ölçümleri olarak güncellenen bir olasılık dağılımı ile rastgele değişken olarak ele alır.Pektif pozisyon üzerindeki arka olasılık dağılımı hem de bu tahminde belirsizlik hakkında bilgi sahibi olur.

Bayesian yöntemleri özellikle sensör füzyon için iyi bir şekilde uygundur, çünkü farklı gürültü özellikleri ve güvenilirlik ile bilgi bir araya getirmenin doğal bir yolunu sağlar. çerçeve açıkça belirsizliği temsil eder ve tahmin sürecinden alıntılar yapar, güven sınırları ve başarısızlık olasılığı hesaplamasına izin verir.

Parçacık filtreleri, Bayesian filtrelemenin doğrusal olmayan sistemler için popüler bir uygulama, yüksek belirsizliği gösteren araç pozisyonundaki olasılık dağılımını temsil eder (parçalar).Bu parçacıkların yayılmasını ve konsantrasyonunu analiz ederek, sistem yerelleşme belirsizliğini değerlendirebilir ve potansiyel hataları tespit edebilir.

Son araştırmalar, gelişmiş Bayesian yöntemlerinin zorlu yerelleştirme senaryoları için etkinliğini göstermiştir. Araştırmacılar, kırılgan taşıyıcı-faş ambiguity çözümüne güvenmeksizin istikrarlı, doğru konum sağlayan bir GNSS-only yöntemi geliştirdi ve altı zorlu kentsel senaryoda test etti, bu yaklaşım sürekli olarak daha güvenilir ve daha güvenilir bir şekilde bağımsız navigasyona olanak tanır.

Sensör Data ve Sistem Performansı İstatistiksel Analiz

Gerçek dünya sensör verileri ve sistem performansının analizleri yerelleşme başarısızlık modları ve olasılıklarına değerli bilgiler sağlar. Bu yaklaşım, çeşitli koşullarda çalışan test araçlardan geniş veri setlerini toplamayı içerir, sonra yerelleştirme hatalarının istatistiksel özelliklerini analiz eder.

Euclidean mesafe (MED) gibi istatistik önlemleri, standart sapma ve güven seviyeleri iki farklı hesaplama yöntemi kullanılarak karşılaştırılır: ölçüm tabanlı değerlendirme (accuracies, Euclidean hata mesafelerine göre hesaplanır) ve mesafe bazlı değerlendirme (accuracies ağırlıklandırılmıştır).

Bu ampirik yaklaşım, simülasyon modellerinde yakalanmamış olabilecek başarısızlık modlarını ve hata özelliklerini ortaya çıkarabilir. Gerçek dünya verileri, sensör etkileşimleri, çevresel etkiler ve kenar vakalarını analitik olarak modellemek zor olan durumlarda, mühendisler çeşitli işletim koşullarında yerelleştirme hatalarının frekanslarını ve şiddetini belirleyebilir.

Ancak, Ampirik analiz de sınırlamaları vardır. toplanan veriler, özellikle nadir ama güvenlik-kahkadeli kenar vakalarını kapsamayabilir. Başarısız olasılık tahminleri yalnızca test verilerinin temsilcisi olarak iyidir. Sınırlı test verilerinden çok düşük başarısızlık olasılığı tahmin etmek için ekstrapolating dikkatli istatistiksel yöntemler ve geçerlilik gerektirir.

Analitik Yöntemler ve Uncertainty Propagation

İyi niyetli sensör gürültüsü ve nispeten basit dinamikler ile sistemler için analitik yöntemler yerelleşme belirsizliği ve başarısızlık olasılığının kapalı-form veya yarı-analytical tahminleri sağlayabilir.Bu yöntemler genellikle, doğrusallaştırma, kovarians analizi veya polinom kaos genişleme gibi teknikleri kullanarak duyusal boşlukları belirsizleştirmek içerir.

Kalman filtre ve varyantları (Extended Kalman Filtre, Teşvik Olmayan Kalman Filtre) doğal olarak belirsiz bir şekilde ifade eder, pozisyon tahmininde belirsizlikleri temsil eden bir tutarlılık matrisini korur.Bu tutarlılık, güven sınırları hesaplayabilir ve gerçek pozisyonun kabul edilebilir hata sınırları dışında olduğunu değerlendirebilir.

Analitik yöntemler hesaplama verimliliği sunar ve farklı hata kaynaklarının genel yerelleşme belirsizliklerine nasıl katkıda bulunduğunu öngörür. Ancak, genellikle pratikte tutmayabilecek lineerlik ve Gaussian gürültüsü gibi varsayımlara güvenirler, özellikle de zor ortamlarda çalışan doğrusal olmayan yerelleştirme algoritmaları.

Bütünleme ve Koruma Düzeyleri

GNSS havacılık uygulamaları, dürüstlük izleme ve koruma seviyelerinin kavramı, bağımsız araç yerelleştirme için uyarıldı.Sigor izleme, yerelleştirme sistemi sağlığının gerçek zamanlı değerlendirmesini ve koruma seviyelerinin hesaplamasını içerir - belirtilen bir olasılıkla tutunan pozisyon hatasına bağlıdır.

Koruma seviyesi, mevcut sensör geometrisine, gürültü seviyelerine ve potansiyel hata modlarına dayanan en muhafazakar bir tahmini temsil eder.Eğer koruma seviyesi önceden tanımlanmış bir uyarı sınırı aşıyorsa (en yüksek kabul edilebilir pozisyon hatası), sistem sorunları yerelleştirmenin güvenli işlem için yeterince güvenilir olamayacağını gösterir.

Bu yaklaşım, geniş çevrimdışı analiz veya simülasyon gerektirmeden yerelleştirme güvenilirliğinin gerçek zamanlı olarak değerlendirilmesini sağlar. Her iki nominal sensör gürültü ve potansiyel sensör hataları için koruma seviyesi hesaplama hesapları, yerelleştirme bütünlüğüne kapsamlı bir ölçüm sağlar. Ancak, doğru koruma seviyelerinin dikkatli modellemesi sensör hata karakteristikleri ve potansiyel hata modları gerektirir.

Yerelleşme teknolojileri ve Başarısızlık Özellikleri

Farklı yerelleştirme teknolojileri farklı başarısızlık modları ve güvenilirlik özellikleri gösterir. Bu teknoloji özel faktörlerini anlamak doğru başarısızlık olasılığı değerlendirme için gereklidir ve sağlam, multi-modal yerelleştirme sistemleri tasarlamak için gereklidir.

GNSS-Based Localization

GNSS, mutlak konum ve zamanlama elde edebilecek eşsiz yerelleştirme sensörü olarak, AIV. Modern GNSS alıcıları için önemli bir doğruluk elde edebilir, yüksek seviyeli performansa ulaşır.

Bugün ortalama bilgitainment sisteminde GPS, Real-Time Kinematic (RTK) konumuna sahip olan yaklaşık 5 m (16 feet) doğrulukta bulunuyor ve yüksek çözünürlük GNSS alıcıları sizi haritada yüzdesi doğrulukla gerçekleştirebiliyor.Bu dramatik gelişme, gerçek zamanlı Kinematic (RTK) konumu, Precise Point Positioning (PPP) pozisyonu ve düzeltme hizmetlerinin kullanımı gibi gelişmiş tekniklerden geliyor.

Ancak, GNSS tabanlı yerelleştirme birkaç önemli başarısızlık modları ile karşı karşıyadır. Kentsel kanyonlarda sinyal blokaj, tüneller veya yoğun foliage altındaki müdahale, güvenlik-kritik uygulamalar için güvenlik endişesini temsil edebilir.

Son gelişmeler, GNSS'nin zorlu ortamlardaki güvenilirliğini geliştirdi. Altı testin beşinde, GNSS'nin mevcut GNSS tabanlı yöntemlere kıyasla, sürekli olarak alt boyuta rağmen doğruluk elde etti ve en zor senaryoda, yöntem neredeyse 30 puanla en iyi geleneksel çözümü aştı.

Inersal Navigation Systems

Inersal ölçüm birimleri (IMUs), araç hızlarının yüksek seviyeli ölçümler ve agular hızlarının, pozisyon ve yönelimin tahmin edilmesi için entegre edilebilir. IMUs birkaç avantaj sunar: kendi kendine özgü, dış sinyallere bağımlı değildir ve araç kontrol uygulamaları için yüksek güncelleme oranları sağlar.

Ancak, saf inersal navigasyon, sensör gürültüsü ve önyargının entegrasyonu nedeniyle sınırsız hata büyümeden muzdariptir. Pozisyon hataları zaman içinde dört kat daha fazla büyür, yani yüksek kaliteli IMU'lar diğer sensörler tarafından düzeltilmemiş olsa bile önemli bir pozisyon hatalarına yol açacaktır.Bu özellik, IMU'ların bir yerelleştirme çözümü olarak uygun olmayan bir çözüm olarak uygun hale getirir, ancak bir sensör füzyon sisteminin bir parçası olarak son derece değerli hale gelir.

IMU tabanlı yerelleşmenin başarısızlık modları öncelikle sensör önyargı ve ölçek faktör hataları ile ilgilidir. Sıcaklık varyasyonları önyargı değişikliklerine neden olabilir ve mekanik şoklar veya vibrasyonlar sensör performansını etkileyebilir. Bakımcı kalibrasyon ve sıcaklık tazminatı IMU doğruluğunu korumak için önemlidir.

Vizyona Dayalı Yerelleşme

Kamera tabanlı yerelleştirme yöntemleri, ön yapılandırılmış bir görsel haritaya karşı gözlemlenen özellikleri tahmin etmek için görsel özelliklerden yararlanıyor. Visual odometri teknikleri takip özelliği başarı görüntülerine göre araç hareketine göre puanlar, harita tabanlı yaklaşımlara göre gözlemlenen özellikler.

Vizyon tabanlı yöntemler iyi işaretli, iyi tanımlanmış ortamlarda yüksek doğruluk elde edebilir.Yol yapısı hakkında zengin bilgiler sağlar ve şerit sınırlarını tespit edebilir, trafik işaretlerini ve diğer ilgili özellikleri tespit edebilirler. Ancak aydınlatma koşullarına, hava ve görsel tıkanıklıkları ile son derece hassastır.

Gerçek zamanlı görüntü işleme için C ⁇ gereksinimleri başka bir meydan okuma temsil eder. Derin öğrenme tabanlı yaklaşımlar etkileyici performans gösterdi ancak farklı senaryolarda sağlamlığı sağlamak için önemli hesaplama kaynakları ve dikkatli bir şekilde geçerlilik gerektirir.

LiDAR-Based Localization

LiDAR sensörleri aracın çevrelerinin ayrıntılı 3D noktası bulutları sağlar, önceden inşa edilmiş haritalara karşı uyum yoluyla kesin yerelleştirme etkinleştirebilir. LiDAR tabanlı yerelleştirme, santimetre seviyesindeki doğruluk elde edebilir ve kamera tabanlı yaklaşımlardan daha az hassastır.

LiDAR sistemleri birkaç senaryoda başarısız veya bozulabilir. Ağır yağmur veya kar, lazer pul pul pulsunu azaltıp şaşırtıcı geri dönüşler yaratabilse de, uzun tüneller veya özelliksiz otoyollar gibi birkaç farklı özellik ile çevreler, güvenilir yerelleşme için yeterli bilgi sağlayamaz. LiDAR sensörlerinin yüksek maliyeti tarihsel olarak son yıllarda önemli ölçüde azaldı.

Harita tabanlı LiDAR yerelleştirme, referans haritasının doğruluğu ve para birimine eleştirel bir şekilde bağlıdır. Harita oluşturulduktan bu yana çevredeki değişiklikler yerelleşme hatalarına veya başarısızlıklarına yol açabilir. park edilen arabalar veya inşaat ekipmanları gibi dinamik nesneler eşleştirme sürecine müdahale edebilir.

Sensörler Fusion Approaches

Farklı sensör yöntemlerinin tamamlayıcı güçlü yönleri ve zayıf yönleri göz önüne alındığında, modern otonom araçlar, birden fazla kaynaktan bilgi birleştiren sofistike sensör füzyon yaklaşımları kullanmaktadır. Bu gereksinimler belirli bir yerelleştirme yöntemi veya teknoloji için değildir, ancak sistem için onu oluşturan% 95 doğruluk gereksinimleri ve güvenlik koşulları ile ilgili olarak, operasyon amaçlanan tüm hava ve trafik koşullarındaki tüm koşullara uymalıdır.

Etkili sensör füzyon, olası güvenilirliklerine göre farklı sensör girişlerine uygun olarak ağırlıkta, algılama ve izole hata sensörlerine dayanan ve sensör kullanılabilirliği azaltıldığında bile işletim sistemini korumak için önemli ölçüde azaltılabilir.The füzyon algoritması, mevcut güvenilirliklerine göre uygun olarak farklı sensör girişleri ve kusurlarına dayanarak, tespit ve izole edilebilir hataların ve lütufta bozulmamalıdır.

Ancak, sensör füzyon da karmaşıklığı da getiriyor. füzyon algoritmasının kendisi, sensör girişlerinin yanlış ağırlıkları veya sensör hataları tespit etmek yerine, birden fazla sensör aynı çevresel durum tarafından aynı şekilde etkilenebilir. Bakımcı sistem tasarımı ve doğrulama aslında sensör sıkıştırmasını sağlamak için gerekli hale gelir.

Başarısızlık modellemesinde pratik değerlendirmeler

Teorik başarısızlık olasılık hesaplamalarını pratik, uygulanabilir yerelleştirme sistemleri birçok gerçek dünya düşüncesi ve kısıtlamaları ele almak gerektirir.

Operasyonel Tasarım Domain

Operasyonel Tasarım Domain (ODD), özerk bir araçın güvenli bir şekilde faaliyet göstermesi için tasarlanmış özel koşulları tanımlar. Bu, coğrafi alanları, yol tiplerini, hız aralıkları, hava koşullarını ve gün zamanlarını içerir. Başarısız olasılık hesaplamaları, yerelleştirme performansı olarak farklı işletim koşullarında dramatik bir şekilde değişebilir.

İyi havalarda otoyol sürüşü için tasarlanmış bir sistem, tüm hava koşullarında şehir operasyonu için tasarlanmış bir sistemden çok farklı başarısızlık özellikleri olabilir. açıkça ODD'yi tanımlamak ve bu başarısızlık olasılığı tahminlerinin güvenlik doğrulaması için gerekli olduğunu garanti edebilir.

İnsan Faktörleri ve Sürücü Oversight

SAE Seviye 2 ve Seviye 3 sistemleri için insan gözetimine izin vermek veya izin vermek, sürücünün yerelleştirme başarısızlıklarına yanıt verme yeteneği genel güvenlik durumundan bir parçası haline gelir. Araştırmalar, başarısızlık oranlarının yaklaşık %37,2 olduğunu ve ADAS bütünlük risk modellerinde, muhafazakar bir varsayım Pdom=% 40'lık bir hata oranıdır.

Bu insan faktörleri başarısızlık olasılığı hesaplamalarına dahil edilmelidir. Genel sistem başarısızlığı olasılığı sadece yerelleştirme sisteminin güvenilirliğine bağlı değildir, ancak aynı zamanda sürücünün gerektiğinde müdahale edemeyeceğine dair olasılık üzerindedir.Bu, teknik sistem performansı ve insan davranışları arasında sıkı bir etkileşim yaratır.

Geçerlilik ve Test Challenges

Yerelleştirme sisteminin son derece düşük başarısızlık olasılığı gereksinimlerine sahip olduğunu doğrulayın. Test yoluyla saat başına 10 ^-8'in başarısız bir oranına sahip olmak, milyarlarca test saati gerektirir - herhangi bir geliştirme programı için açıkça pratik bir şekilde pratik zorluklar sunar.

Bu meydan okuma, yaklaşımların bir kombinasyonunu gerektirir: nominal performans ve ortak başarısızlık modlarını karakterize etmek için kapsamlı gerçek dünya testleri, zorlu senaryolara odaklanan hızlandırılmış testler, yüksek sadakat modelleri kullanarak simülasyon tabanlı geçerlilik ve sistem davranışı hakkında matematiksel garantiler sağlayabilir.

Son on yılda çok sayıda yerelleştirme tekniği önerilmiş olsa da, endüstrileri bir zemin-gerçek veri kümesiyle ilgili olarak doğrulamak için ortak bir metodoloji, yerelleştirme için dört farklı yöntem değerlendirmeyi amaçladığı çalışma için çok fazla eksik. Standartlaştırılmış geçerlilik yöntemi oluşturmak endüstri için güvenlik ve kamu güvenini göstermek için gereklidir.

C ⁇ ve Kaynak Kısıtları

Gerçek zamanlı yerelleştirme algoritmaları sıkı bir hesaplama ve geç saatler içinde çalışmalıdır. Sistem, sensör verileri, güncelleme pozisyonu tahminleri ve araç kontrolü için yeterli olan tüm ölçümleri hesaplamaları yapabilmeli -tip olarak 10 Hz veya daha yüksek. Bu gereksinim, gerçek zamanlı olarak gerçekleştirilebilecek olasılık hesaplamalarının bu kadar kötüleştirilmesini sınırlar.

Power tüketimi, özellikle batarya elektrikli araçlar için, LiDAR gibi yüksek güç sensörleri ve karmaşık sensör füzyon için gerekli olan hesaplama kaynakları araç aralıklarını etkileyebilir. Sistem tasarımcıları, enerji verimliliğine karşı yerelleştirme performansını dengelemelidir.

Yerelleştirme Başarısızlık Analizinde İleri Konular

Uncertainty Quantification Under Model Uncertainty

Geleneksel başarısızlık olasılığı hesaplamaları, sensör gürültüsünü, sistem dinamiklerini ve çevresel etkilerini temsil etmek için kullanılan modeller doğru olduğunu varsaymaktadır. Gerçekte, bu modeller her zaman tahminler ve model belirsizliktir - modeller hakkında dikkatli bir şekilde etkilenebilir.

Model belirsizliği için hesaplanan Robust belirsizlik yöntemleri aktif bir araştırma alanıdır. Bu yaklaşımlar, altta yatan modeller mükemmel olduğunda bile geçerli olan başarısızlık olasılığı sınırları sağlamak için tasarlanmıştır.

Nadir Olay Simülasyonu

Standart Monte Carlo simülasyonu aracılığıyla çok düşük başarısızlık olasılığı hesaplamak olarak yasaklanmıştır. Önemli örnekleme, bölme yöntemleri ve alt başlangıç simülasyonu gibi nadir olay simülasyon teknikleri, küçük başarısızlık olasılıklarını dramatik bir şekilde azaltabilir.

Bu yöntemler simülasyonun başarısızlıklara yol açan giriş mekanın bölgelerini keşfetmesi için çalışır, sonra nihai olasılık tahmininde bu önyargı için doğrulanır.Doğruca uygulanan, nadir olay yöntemleri başarısız olasılıklarını birçok siparişin standart Monte Carlo simülasyonuyla mümkün olacağını tahmin edebilir.

Makine Öğrenme ve Data-Driven Yaklaşımları

Makine öğrenme teknikleri giderek yerelleşme başarısızlık tahminine ve mitigation'a uygulanır. Neural ağlar, sensör girişleri, çevresel koşullar ve yerelleştirme performansı arasında karmaşık ilişkiler öğrenebilir, potansiyel olarak analitik modellemek zor olan başarısızlık modlarını tanımlayabilirsiniz.

Data-güdümlü yaklaşımlar, tarihsel performans verilerine dayanan optimal ağırlık stratejileri öğrenmekle de kullanılabilir. Bununla birlikte, güvenlik-kahkalama sistemlerindeki makine öğreniminin kullanımı, yorumlanabilirlik, geçerlilik ve sağlamlık hakkında önemli sorular ortaya koyar.

Kooperatif ve Bağlanmış Araç Yaklaşımları

Araç-to-vehicle (V2V) ve araç-to-infrayapı (V2I) iletişim, yerelleşme güvenilirliğini artırmak için yeni olasılıklar açıyor. Araçların pozisyon bilgilerini ve sensör gözlemlerini paylaşabilmesi, ortak tahminlerinin yer aldığı kooperatif yerelleştirme yaklaşımlarını paylaşması.

Altyapı tabanlı konum sistemleri, yol kenarındaki arıt pozisyonu veya 5G tabanlı konum gibi, üst düzey sensörleri tamamlamak için ek bilgi kaynakları sağlayabilir. Bu bağlantılı yaklaşımlar potansiyel olarak, belirli alanlarda yerelleştirme zorlukları hakkında birbirlerini uyarmak için başarısızlık olasılığı azaltabilir.

Endüstri Standartları ve Düzenleme Çerçeveleri

Özerk araç teknolojisi olgunlaştığı gibi, endüstri standartları ve düzenleyici çerçeveler yerelleşme gereksinimleri ve başarısızlık olasılığı eşiği ele almak için gelişmektedir. ISO 26262 fonksiyonel güvenlik standardı, yerelleşme sistemleri içeren otomotiv güvenliği için bir çerçeve sunar. SAE standartları sürüş otomasyon ve ilişkili gereksinimleri tanımlar.

Farklı yargıcıların düzenleyici organları, otonom araç test ve dağıtım için gereksinimlerini geliştiriyor. Bu düzenlemeler giderek yerelleştirme performansına hitap ediyor, üreticilerin sistemlerini belirtilen doğruluk ve güvenilirlik eşlerini karşılamak için ihtiyaç duyuyor. Bölgelerdeki standartlar uyumsuzluğu, ABD, Avrupa, Çin ve diğer pazarlarda alınan farklı yaklaşımlarla karşı karşıya kalıyor.

Endüstri eksileri ve standartlar örgütleri, yerelleşme sistemleri için geçerli olan test prosedürleri, performans ölçümleri ve geçerlilik metodolojileri geliştirmek için çalışıyorlar. Bu çabalar, endüstrideki farklı yerelleştirme yaklaşımlarını değerlendirmek ve asgari güvenlik standartlarını karşılaştırmak için tutarlı bir çerçeve sağlamayı amaçlamaktadır.

Future Yol ve Araştırma Challenges

Özerk araç yerelleştirme ve başarısızlık olasılık analizi alanı hızla gelişmeye devam ediyor, çeşitli önemli araştırma yolları ve açık zorluklarla.

Scalability and Infrastructure Gereksinimler

AIVs, on ila yüz milyonlarca arasında değişen bir kitle kullanıcı tabanı için güvenlik sağlamayı hedefliyor, küresel geniş yerdeki bir yer ve anlık konumlama hizmetini yer gizlilik korumasıyla talep ediyor. Yüksek doğruluk ve güvenilirlik devam ederken bu ölçekyi sağlamak için.

Orta büyüklükte yerelleşmeyi desteklemek için altyapı gerekli - GNSS düzeltme hizmetleri, HD harita dağıtım sistemleri ve iletişim ağları dahil - bu altyapı için önemli yatırım ve devam eden bakım. İş modelleri ve yönetim yapıları hala gelişmektedir.

Tartışma Saldırılarına Karşı Tutulma

Özerk araçlar daha yaygın hale gelirken, yerelleştirme sistemleri üzerindeki kötü niyetli saldırılar potansiyeli ciddi bir endişe haline gelir. GNSS spoofing, sahte uydu sinyallerin alıcıları aldatmak için gönderildiği, belirli bir tehdit temsil eder. Sensör spoofing saldırıları hedefleme kameraları veya LiDAR yerel uzlaşmaya da olabilir.

Performansı ve toplantı maliyetlerini kısıtlamayı korumak için geri dönüşümlü saldırılar için dirençli olan yerelleştirme sistemleri geliştirmek önemli bir araştırma meydan okumasıdır. sinyal doğrulama, anomaly algılama ve harita verilerin kriptografik koruması bu tehditlere hitap etmek için araştırılıyor.

Perception ve Planlama ile Entegrasyon

Yerelleşme izolasyonda çalışmaz, ancak algı ile sıkı bir şekilde çiftleşir (göstermeyi anlamak için eylemlerin ne kadar yapıldığını gözlemleyin). Yerelleştirme belirsizlikleri algı algoritmalarının ve planlanan trajektörlerin güvenliğini etkiler. Tersine, algı bilgileri, yerelleştirmeyi önemli bir algılama ve harita eşleştirme yoluyla geliştirmek için kullanılabilir.

Yerelleşmeyi, algıyı ve planlamayı ortak olarak optimize eden bütünleşik yaklaşımlar geliştirmek, üç alandaki belirsizlikler ve başarısızlık modları için uygun bir şekilde muhasebeyi planlamak önemli bir araştırma sınırıdır.Bu entegrasyon güvenli özerk operasyon için gerekli olan genel sistem güvenilirliğine ulaşmak için gereklidir.

Roman Ortamlarına Uyum

Mevcut yerelleştirme sistemleri genellikle önceden inşa edilmiş haritalara ve iyi tanımlanmış operasyonel tasarım alanları içinde çalışır.Yeni ortamlara otonom araç yeteneklerini uzatın - ulaşılamayan alanlar, inşaat bölgeleri veya bölgeleri hızla değişen altyapı ile- geniş bir harita olmadan güvenilirlik adapte edebilir ve koruyabilir.

Güvenlik garantilerini korumak için inşa edebilir ve haritalar güncelleştirebilir.Bu sistemler, yeni ortamlarda kendi güvenilirliğini değerlendirebilmeli ve insan müdahalesinin gerekli olduğu zaman ilgili uygun kararlar alabilecektir.

Yerelleştirme Başarısızlık Modellemede Düşünmek için Anahtar Faktörleri

Yerelleşme başarısızlığı olasılığını hesaplamak için gelişmekte olan modeller, mühendisler ve araştırmacılar teknik, çevresel ve operasyonel alanlar kapsayan kapsamlı bir dizi faktör dikkate almalıdır:

  • [FONT:0)Sensor gürültü özellikleri ve doğruluk:), Gürültü dağıtımları, önyargı istikrarı ve ölçek faktörü belirsizlikleri dahil olmak üzere sensör hatalarının istatistiksel özelliklerini anlamak, doğru başarısızlık tahminleri temeldir.
  • [FONT:0)Environmental koşullar: [Döntgen:[Düz, kar, fog), aydınlatma koşulları (gün, gece, glare, gölgeler) ve mevsimsel değişiklikler tüm etkiler sensör performansı için dikkate alınmalıdır ve başarısızlık modellerinde dikkate alınmalıdır.
  • [FONT:0]Map kalitesi ve güncelleme frekansı: Doğruluk, tamlık ve HD haritalarının para birimi doğrudan yerelleştirme performansına etki eder, özellikle harita tabanlı yaklaşımlar için.
  • [FONT:0)Algorithm sağlamlığı ve başarısızlık modları: Yerelleşme algoritmasının başlangıç hataları, yakınlaşma özellikleri ve sensör bozulması veya başarısızlık altında davranışın tamamen karakterize edilmesi gerekir.
  • [FONT:0)Sistemi reddant ve hata toleransı: Sensörlerde, işleme ve iletişim yolları genel sistem güvenilirliğini önemli ölçüde etkiler.
  • [FONT:0)Operasyonel tasarım domain kısıtlamaları: [Dönetici: 1) Başarısızlık olasılığı, sistemin yol türleri, trafik yoğunluğu ve coğrafi bölge dahil olmak üzere sistem faaliyet gösteren özel koşullara çok bağlıdır.
  • [FONT:0)C ⁇ ve geçncy gereksinimleri:[Dönetici:0) Gerçek zamanlı kısıtlamalar, uygulanan algoritmaların karmaşıklığını sınırlandırır ve belirsizlik niceliğinin etkisini etkiler.
  • [FONT:0]İnsan faktörleri ve sürücü davranışları:[Dönetici:[Dönetici:0) İnsan gözetimi ile sistemler için, sürücünün genel güvenliği etkileme yeteneği ve istekliliği ve başarısızlık modellerine dahil edilmelidir.
  • [FONT:0)Sensor geometrisi ve gözlemlenebilirlik: Sensörlerin geometrik konfigürasyonu ve mevcut ölçümlerden araç devletin gözlemlenebilirliği yerelleştirme doğruluk ve başarısızlık modlarını etkiler.
  • [FONT:0)Calibrasyon doğruluk ve istikrar: Sensör kalibrasyonunda hatalar, montaj açıları, zaman senkronizasyonu ve intrinsic parametreleri dahil, yerelleştirme performansına göre sistematik önyargılar tanıtabilir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Özerk araçlardaki yerelleştirme başarısızlığının olasılıklarını hesaplamak, sensör mühendisliği, sinyal işleme, olasılık teorisi, kontrol sistemleri ve güvenlik mühendisliğinden bilgi entegre etmek için karmaşık, çok yönlü bir zorluktır.

Bu makalede tartışılan yaklaşımlar - Monte Carlo simülasyonu ve Bayesian'dan Ampirik analiz ve bütünlük izlemeye yönelik - yerelleşme riskini anlamak ve yönetmek için tamamlayıcı araçlar. Tek bir yöntem yeterli değildir; yerine, güvenli özerk operasyon için gerekli olan son derece yüksek güvenilirlik elde etmek için kapsamlı bir yaklaşım.

Özerk araç yerelleştirme için sıkı gereksinimler, saatte 10.-8 siparişinde başarısızlık olasılığı ve decimeter veya santimetre seviyesindeki accuracies, mevcut teknolojinin sınırlarını zorlayın. Bu gereksinimleri karşılamak sensör teknolojisi, algoritma geliştirme, sistem mimarisi ve geçerlilik metodolojileri devam ediyor.

Alan olgunlaştığı gibi, olasılık hesaplamasına ve geçerliliğe başarısızlık için standart yaklaşımlar ortaya çıkıyor, endüstri standartları ve düzenleyici çerçeveler tarafından destekleniyor. Ancak, kitlesel dağıtım için ölçeklenebilirlik, geri dönüşümlere karşı dayanıklılık, yeni ortamlara adaptasyon ve algılama ve planlama sistemleri ile entegrasyon dahil olmak üzere önemli zorluklar kalıyor.

Özerk araç yerelleştirmenin geleceği muhtemelen GNSS teknolojisindeki ilerlemeleri, makine öğrenimi, kooperatif konumlandırma ve altyapı tabanlı augmentasyon gerektirir. Başarı sadece teknik yenilik gerektirmez, ancak aynı zamanda güvenlik doğrulama, düzenleyici uyum ve halk kabulüne dikkat eder.

Bu alanda çalışan mühendisler ve araştırmacılar için, yerelleşme başarısızlığı olasılığı hesaplamak için yöntemleri ve dikkate almak, sadece teknik olarak yetenekli olmayan sistemler için gereklidir, aynı zamanda milyonlarca kullanıcıya hizmet eden ticari ürünlere geçiş olarak, yerelleştirme riskinin titiz bir şekilde güvenli ve güvenilir bir şekilde uygulanması için de önemlidir.

Özerk araç güvenlik standartları hakkında daha fazla okuma için, [[0)ISO 26262 işlevsel güvenlik standardı) Otomotiv güvenlik mühendisliği üzerinde kapsamlı bir rehberlik sağlar.TheurFLT:2).SAE J3016 standart[DDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDDD) ve sensör sistemleri üzerinde ek teknik kaynaklar düzenli olarak yayınlanırken, GNST:6'de yer alan işlemlerde (Dönetici ve bilgisayar uygulamaları) ve bilgisayar uygulamaları ile ilgili olarak yapılır.