ABONAMENTE VIDEO REDACȚIA
RO
EN
NOU
Numărul 140
Numărul 139 Numărul 138 Numărul 137 Numărul 136 Numărul 135 Numărul 134 Numărul 133 Numărul 132 Numărul 131 Numărul 130 Numărul 129 Numărul 128 Numărul 127 Numărul 126 Numărul 125 Numărul 124 Numărul 123 Numărul 122 Numărul 121 Numărul 120 Numărul 119 Numărul 118 Numărul 117 Numărul 116 Numărul 115 Numărul 114 Numărul 113 Numărul 112 Numărul 111 Numărul 110 Numărul 109 Numărul 108 Numărul 107 Numărul 106 Numărul 105 Numărul 104 Numărul 103 Numărul 102 Numărul 101 Numărul 100 Numărul 99 Numărul 98 Numărul 97 Numărul 96 Numărul 95 Numărul 94 Numărul 93 Numărul 92 Numărul 91 Numărul 90 Numărul 89 Numărul 88 Numărul 87 Numărul 86 Numărul 85 Numărul 84 Numărul 83 Numărul 82 Numărul 81 Numărul 80 Numărul 79 Numărul 78 Numărul 77 Numărul 76 Numărul 75 Numărul 74 Numărul 73 Numărul 72 Numărul 71 Numărul 70 Numărul 69 Numărul 68 Numărul 67 Numărul 66 Numărul 65 Numărul 64 Numărul 63 Numărul 62 Numărul 61 Numărul 60 Numărul 59 Numărul 58 Numărul 57 Numărul 56 Numărul 55 Numărul 54 Numărul 53 Numărul 52 Numărul 51 Numărul 50 Numărul 49 Numărul 48 Numărul 47 Numărul 46 Numărul 45 Numărul 44 Numărul 43 Numărul 42 Numărul 41 Numărul 40 Numărul 39 Numărul 38 Numărul 37 Numărul 36 Numărul 35 Numărul 34 Numărul 33 Numărul 32 Numărul 31 Numărul 30 Numărul 29 Numărul 28 Numărul 27 Numărul 26 Numărul 25 Numărul 24 Numărul 23 Numărul 22 Numărul 21 Numărul 20 Numărul 19 Numărul 18 Numărul 17 Numărul 16 Numărul 15 Numărul 14 Numărul 13 Numărul 12 Numărul 11 Numărul 10 Numărul 9 Numărul 8 Numărul 7 Numărul 6 Numărul 5 Numărul 4 Numărul 3 Numărul 2 Numărul 1
×
▼ LISTĂ EDIȚII ▼
Numărul 123
Abonament PDF

Direcții curente în dezvoltarea sistemelor de percepție video pentru conducere automată

Cătălin Golban
Head of Department Engineering Systems Vision @ Centrul de Inginerie Bosch Cluj



PROGRAMARE


Este deja bine-cunoscut faptul că sistemele de conducere automată pot fi conceptual împărțite în șase niveluri în funcție de gradul de implicare necesar din partea șoferului (Figura 1). Un sistem de conducere automată de nivel 2 presupune o supervizare permanentă din partea șoferului, chiar dacă mașina este controlată lateral și longitudinal în mod automatizat. Trecerea la nivel 3 implică trecerea responsabilității de a conduce de la șofer la sistemul de conducere automată, cu precondiția ca șoferul să fie pregătit să preia controlul la un anumit interval de timp după ce este notificat să facă acest lucru.

Spre exemplu, capabilitatea de Traffic jam assist implică navigarea automată în ambuteiaje de trafic sub supravegherea șoferului, în timp ce Traffic jam pilot implică navigarea în ambuteiaje de trafic fără a fi nevoie de supravegherea șoferului. Ambele variante ale funcției implică aproximativ aceleași acțiuni asupra sistemelor de frânare, de accelerare și de direcție ale mașinii, diferența fiind în gradul de responsabilitate al șoferului și în modul de interacțiune dintre acesta și sistemul de automatizare.

Figura 1. Sisteme de conducere automată - niveluri de automatizare

Odată cu dezvoltarea unor noi generații de tehnologii care să facă conducerea automată posibilă, nu doar cu sisteme prototip care funcționează în condiții bine definite ci la scară largă și în zeci de milioane de mașini, observăm un set de direcții parțial interconectate între ele, pe care le vom puncta în continuare.

În primul rând numărul de senzori cu care este echipată o mașină este în continuă creștere, fie că este vorba de senzori video, RADAR sau ultrasunete. Dacă dotările curente se bazează pe o cameră frontală, activitățile curente de cercetare și dezvoltare implică sisteme de percepție 360° (Figura 2) având un set de camere frontale, cu diverse proprietăți optice pentru a face posibilă percepția la diferite distanțe: camere orientate în spate, camere laterale cu diverse orientări. Spre exemplu, camerele poziționate lateral și orientate invers direcției de mers permit depășiri automate. Este important, de asemenea, alegerea senzorilor video și a lentilelor asociate pentru a obține percepția la distanțele dorite. De exemplu, pe baza informației de la un senzor video cu o anumită rezoluție, având un unghi mic de deschidere și o distanță focală mare, putem detecta obiecte la distanțe mai mari decât cu un senzor având aceeași rezoluție dar un unghi de deschidere mai mare și o distanță focală mai mică.

Figura 2. Percepție 360°

Procesarea și fuziunea informațiilor de la acești senzori implică o putere de calcul semnificativă. Din acest motiv dezvoltăm unități de calcul specializate pentru acest scop (Figura 3). Acestea preiau informațiile de la senzori și le procesează folosind algoritmi de procesare de semnal și de inteligența artificială, rezultând entități care reprezintă elementele din scenele de trafic (de exemplu, marcaje rutiere, semne de circulație, semafoare, elemente de infrastructură, obiecte dinamice etc.) pe baza cărora se fac deciziile de control lateral și longitudinal al mașinii. În particular aceste unități sunt dotate cu co-procesoare pentru rețele neuronale, făcând posibilă procesarea în timp real a volumelor mari de date achiziționate de senzori.

Figura 3. Unități de calcul pentru conducere automată conectate la senzori

Într-un context mai general, se poate spune că mașinile se transformă în adevărate centre de calcul mobile (Figura 4). O mașină în prezent conține software compilat din mai mult de 100 de milioane de linii de cod, iar din ce în ce mai multe unități de calcul au capabilitatea de a primi update-uri software, nefiind departe de tranziția înspre mașini care devin din acest punct de vedere un "telefon pe roți".

Figura 4. Ansamblu de unități de calcul, interconectate și având capabilitatea de a primi noi versiuni de software

Având capabilitatea de a rula inferențe de rețele neuronale on board, o parte din ce în ce mai mare din algoritmii folosiți în partea de percepție pentru conducere automată migrează de la o variantă clasică la abordarea orientată pe date și inteligență artificială (deep learning și rețele neuronale convoluționale).

Figura 5. Trecerea unor componente software de la algoritmi clasici la rețele neuronale

Devin astfel deosebit de importante seturile de date folosite pentru antrenarea acestor rețele neuronale. Calitatea rezultatelor depinde în acest context nu doar de calitatea algoritmului folosit ci și de calitatea datelor pe care le folosim pentru antrenarea rețelelor neuronale. Distribuția datelor folosite în antrenare trebuie să fie cât mai apropiată de cea a datelor achiziționate din mediul de operare, deci a scenelor de trafic în care operează sistemul de conducere automată.

Pentru a apropia cât mai mult distribuția seturilor de date de antrenare de distribuția datelor de intrare în mediul de operare, activăm posibilitatea de a colecta date din mediul de operare și de a colecta aceste date prin intermediul unor sisteme de conectivitate dintre mașină și cloud. Rețelele neuronale se re-antrenează pe baza noilor date și pe a distribui un update cu rezultatul (Figura 6 - Data loop).

Figura 6. Data loop pentru conducere automată

Concluzionăm prin a sintetiza direcțiile curente în dezvoltarea sistemelor de percepție video pentru conducerea automată. Trecerea la sistemele multi-cameră necesită dezvoltarea unor unități de calcul specializate având putere mare de calcul pentru a rula algoritmi de inteligență artificială. Aceștia necesită un set-up de îmbunătățire continuă pe bază de noi date asigurat prin conectivitate și data loops.

NUMĂRUL 138 - Maps & AI

Sponsori

  • Accenture
  • BT Code Crafters
  • Accesa
  • Bosch
  • Betfair
  • MHP
  • Connatix
  • BoatyardX
  • .msg systems
  • Yardi
  • Colors in projects

INTERVIURI VIDEO