ABONAMENTE VIDEO TESTE REDACȚIA
RO
EN
×
▼ LISTĂ EDIȚII ▼
Numărul 74
Abonament PDF

Impactul asupra societății și arhitectura mașinilor autonome

Ovidiu Mățan
Fondator @ Today Software Magazine
PROGRAMARE


Cu toate că problematica mașinii autonome a intrat în lumina reflectoarelor doar în ultimii ani, primele experimente care vizează autonomia au început încă din 1920. Perseverența și consecvența au condus inevitabil la reușite: prima mașină autonomă a fost realizată de către Tsukuba Mechanical Engineering Laboratory din Japonia. Aceasta urmărea marcajele rutiere folosind două camere video și un calculator analog. Apoi, tehnologia a evoluat grație a două proiecte importante: DARPA și Eureka Prometheus. Acesta din urmă a fost cel mai mare proiect de autonomous driving realizat vreodată, care în perioada 1987-1995 a primit finanțare de 749 milioane de euro. Punctul culminant al acestui proiect a fost în 1995, când o mașină S-Class modificată a parcurs un traseu de 1000 mile din München în Copenhaga. A atins pe autostrăzile din Germania o viteză de 175 km/h, a realizat depășiri și chiar a condus 158 de km fără nici o intervenție din partea omului.

Atitudinea societății

Scopul final al introducerii conducerii autonome este reducerea numărului de accidente și asigurarea unui confort sporit pe perioada călătoriei. Cu toate acestea, conform unui studiu publicat de Forbes, dorința de a folosi automobile autonome este destul de scăzută în țări precum SUA, Germania, Marea Britanie și foarte ridicată în China sau India. Așadar, există riscul ca nu toată lumea să fie fericită atunci când le vor vedea circulând pe străzi.

Fig 1. Studiul publicat de Forbes

Dintre avantaje, le putem menționa pe următoarele:

  1. Riscul de accidente diminuat;

  2. Mai mult confort și timp avut la dispoziție, din moment ce fiecare va putea face ce dorește în timpul călătoriei;

  3. Car sharing - fiind autonome, mașinile nu vor mai fi în proprietatea individuală. Probabil că doar aceia care își vor permite vor mai avea luxul să dețină o mașină folosită doar în interes personal.

  4. O mai bună gestionare a traficului.

  5. Nu va mai fi nevoie să deținem un carnet de conducere.

Din perspectiva aspectelor negative, remarcăm:

  1. Identificarea vinovaților în caz de accident. Va trebui definit cine este de vină. Probabil va fi compania producătoare, deoarece este posibil ca volanul să mai fie în mașină. Investigând ultimele accidente cauzate de conducerea autonomă de la Tesla și Uber, putem vedea că deocamdată vina aparține celor aflați la volan, sistemele nefiind în totalitate autonome.

  2. Posibilitatea de a fi compromis sistemul software / hacking. Securitatea va fi mult mai importantă în cazul sistemelor autonome, compromiterea acestora putând duce ușor la pierderea de vieți omenești.

  3. Lipsa plăcerii de a conduce. Multă lume este pasionată de condus, iar mașinile autonome vor duce la diminuarea posibilității de a practica acest hobby. Probabil vor exista în continuare circuite și trasee spectaculoase care să poată fi conduse de om, dar odată cu introducerea mașinilor autonome, s-ar putea să nu mai fie posibil pentru om să conducă pe străzi. Motivele ar putea fi diverse: timpul de reacție, lipsa de colaborare cu celelalte mașini, este posibil ca regulile de circulație să se adapteze în funcție de necesitățile momentului. O analogie ar putea fi traficul pietonilor, unde deși nu există reguli fiecare își găsește un traseu optim fără a se lovi de alte persoane.

  4. Modul în care vor arăta mașinile în viitor se va schimba. Dintr-o discuție cu Philipp Kandal, CTO Telenav, am înțeles că însăși modul în care arată mașinile azi se poate schimba. Datorită faptului că azi mașinile au parbriz reprezintă o necesitate dar în viitor această cerință va dispărea și s-ar putea ca parbrizul să nu mai existe. De asemenea, din perspectiva securității de exemplu, parbrizul reprezintă o mare problemă dat fiind lipsa sa de rezistență.

  5. Confortul - dacă ne gândim la car sharing vom descoperi că în cazul unei folosiri intensive a acestora, fără intervenție umană, va trebui să se asigure curățirea și împrospătare rapidă. O abordare practică va fi o apropierea de modul de construcție a unui autobuz în loc de o mașină de lux.

O întrebare destul de frecventă se referă la cum vor fi folosite mașinile în viitor? Avem două opțiuni:

Acesta este subiectul unui studiu realizat de compania Here. Diferența dintre cele două concepte este proprietatea asupra mașinii. Din imaginea de mai jos, se poate observa că există susținători pentru fiecare variantă, așadar ne putem aștepta să vedem în cele din urmă ambele abordări:

Fig. 2 Studiul Here

Nivelele de autonomie

Orice discuție despre mașini autonome începe de la nivelul de autonomie oferit. Standardului SAE descrie șase nivele de autonomie definite în funcție de gradul de implicare a șoferului:

Fig. 3 Nivelele de autonomie definite de SAE

Nivelul 0 - Sistemele de atenționare sunt prezente, pot să intervină dar nu preiau controlul mașinii.

Nivelul 1 (hands on) - Șoferul și sistemele automate colaborează: Adaptive Cruise Control sau sisteme de parcare automată .

Nivelul 2 (hands off) - Mașina se conduce singură, dar șoferul trebuie să o urmărească și să poată interveni oricând.

Nivelul 3 (eyes off) - Șoferul poate să nu mai urmărească drumul, se poate uita la un film de exemplu. Acesta trebuie să fie pregătit să intervină dacă automobilul cere acest lucru. Un exemplu este Traffic Jam Pilot, sistem care poate prelua controlul mașinii în situația unui traffic jam și la viteze de până 60 km/h .

Nivelul 4 (mind off) - Mașina poate să conducă autonom în anumite zone sau în anumite situații, cum este traffic jam. În acest timp, șoferul poate să se și culce și să rămână în continuare în siguranță.

Nivelul 5 (volanul este opțional) - Nu mai este deloc e necesară intervenția umană.

Provocări

Principalele provocări pe care un sistem de conducere autonomă trebuie să le depășească sunt destul de multe, dar se pot grupa astfel conform celor publicate în: Computer Vision in Vehicle Technology.

Arhitectura sistemului

Vom prezenta în continuare arhitectura proiectului Bertha realizat de Daimler. Experimentul final a avut loc în August 2013 pe o mașină S-class modificată. Dotată cu două camere stereo și senzori radar, aceasta a parcurs autonom 100 km între localitățile Mannheim și Pforzheim din Germania. Ruta a cuprins porțiuni aglomerate din orașele și satele de pe traseu.

Fig. 4 Arhitectura proiectul Bertha

Localizarea

Determinarea poziției

O problemă interesantă este determinarea poziției exacte a automobilului. Cunoașterea exactă a poziției automobilului va elimina din calculul traseului o serie de necunoscute. Deoarece sistemul GPS nu este foarte precis vor trebuie folosite metode adiționale.

Vom folosi un exemplu oferit de Here. Aceștia ne propun conceptul serviciul HD Live Map. Se pot observa în Figura 5, cele trei nivele ale unei hărți de mare precizie pentru industria automotive:

  1. Modelul de localizare HD - Conține detalierea obiectelor de pe traseu dar și date pentru o localizare exactă a mașinii. Pentru a putea fi folosită, precizia localizării în acest domeniu trebuie să aibă o marjă de eroare de maxim câțiva centimetri.

  2. Modelul HD al liniile de demarcație - Reprezintă datele de înaltă rezoluție despre topologia și geometria liniilor de demarcație poziționate 3D.

  3. Harta drumului - va avea harta drumului dar și numeroase atribute ADAS (Advanced driver-assistance systems).

Fig. 5 - Nivelele hărții automotive Here

Determinarea exactă a poziției pe hartă se poate realiza în două moduri:

Computer stereo vision 

Reprezintă modul de a determina informațiile 3D folosind două camere video. Prin comparația celor două imagini, se obține o adâncime relativă sub forma unei disparity map. Vom detalia în continuare abordarea din proiectul Bertha pe care l-am referit înainte.

Estimarea adâncimii imaginilor

Au fost folosite două perechi de camere stereo, una color și cealaltă alb negru. Algoritmul de procesare a imaginilor a fost Semi-Global Matching (SGM)

Stixel World

O soluție pentru o procesarea imaginilor la nivel de pixel este folosirea conceputlui stixel. Se folosește puterea dată de rețelele neuronale pentru a reprezenta într-un mod structurat informații legate de adâncime, semantică și culoare. Toate acestea în condițiile folosirii scăzute a memoriei și a celorlalte resurse ale sistemului. Astfel s-a născut Stixel World, o reprezentare a imaginilor și a adâncimii definită special pentru imaginile de pe stradă.

Practic se obține o reprezentare compactă a scenelor de trafic, ușor de procesat și de transmis. Folosind această tehnologie, se poate determina rapid și direcția obiectelor observate. De asemenea, ajută la gruparea și identificarea acestora.

Recunoașterea obiectelor

Bicicliștii și pietonii alături de celelalte mașini din trafic precum și determinarea culorii semaforului reprezintă cele mai importante provocări pentru o mașină autonomă. Recunoașterea acestora trebuie să se facă rapid și în general se profită de rezoluția ridicată a camelor video pentru o identificare rapidă a obiectelor.

Pentru determinarea în timp real a obiectelor se folosesc două module principale: regiunile de interes (region of interest - ROI) și clasificarea obiectelor.

Concluzie

Autonomous driving reprezintă un vis frumos al omenirii și care este foarte probabil să se transforme în realitate în următorii 5-10 ani. Aceasta se datorează numărului tot mai mare de teste efectuate în condiții normale de trafic dar și hardware-ului specializat. Elon Musk susține că Tesla a obținut rezultate de 10 ori mai bune decât cele oferite de platforma Drive de la Nvidia.

La nivel de hobby și de curiozitate, implementarea algoritmilor de recunoaștere pe o platformă auto în miniatură este o provocare plăcută. Recent, echipa R&D Bosch Cluj a realizat un astfel de proiect cu studenții de la UTCN, aceștia implementând partea de software pe o platformă hardware experimentală.

Vă invit să ne trimiteți proiectele realizate de voi sau ideile pentru a le publica în următoarele ediții, astfel încât să avem o secțiune permanentă de autonomous driving.

Reclame

Sponsori

  • ntt data
  • 3PillarGlobal
  • Betfair
  • Telenav
  • Accenture
  • Siemens
  • Bosch
  • FlowTraders
  • MHP
  • BCR
  • Itiviti
  • Connatix
  • UIPatj
  • MicroFocus
  • Colors in projects