Автономно превозно средство: скок в концепцията и изпълнението

Резюме: -

Очаква се автономното шофиране да революционизира пътния трафик, като намали настоящите външни ефекти, особено катастрофи и задръствания. Производителите на автомобили, изследователите и администрациите работят върху автономното шофиране от години и е постигнат значителен напредък. Съмненията и предизвикателствата за преодоляване обаче са все още огромни, тъй като прилагането на среда за автономно шофиране обхваща не само сложна автомобилна технология, но и човешко поведение, етика, стратегии за управление на трафика, политики, отговорност и т.н. Различни стратегии, изградени от различни гледни точки, се проектират и валидират с помощта на симулация. Този документ предоставя оформление на прилагането на един такъв модел чрез поетапен механизъм и дава теоретични знания за ролята на планирането на пътя, откриването на обекти в такива превозни средства.

Въведение: -

Планирането на пътя е основна задача за автономните превозни средства. Изисква се осигуряването на идеален свободен от удар път между текущата позиция на автомобила и следващата цел. Изискването за планиране на пътя възниква в две донякъде различни ситуации. В основния случай това включва наблюдение на идеалния път през поле с препятствия до предварително посочена цел, което обикновено се нарича навигация от точка до точка. В последващия случай е необходимо превозното средство просто да „продължи“; това означава, че превозното средство трябва да следва път, характеризиращ се с линии на пътеки или ръбове на пътна настилка, и няма осигурена цел.

Планирането на пътя е средството, чрез което независимите превозни средства подготвят своите движения и навигират в околната среда. Има множество предизвикателства при планирането на пътя на автономно превозно средство през динамична среда:

1. Локализиране на настоящата ситуация на превозното средство в ръководството и организиране на преходен път през тези центрове. Може да има няколко кандидат точки за следващата стъпка на автомобила. Най-добрият кандидат трябва да бъде решен въз основа на позициите на препятствията (напр. трафик и пешеходци), открити от сензорните модули на автомобила.

2. Проследяване на най-доброто насочване и увеличаване на скоростта за превозното средство, за да се гарантира защитен път, може би в същото време като се вземе предвид лекотата (склонност към по-плавни пътища с по-малко неочаквано увеличаване на скоростта).

Автоматизирана навигация: -

Маршрутът на автоматизирана рамка обединява различни стратегии и метод за данни за социални събития. Най-забележителното е, че всеки от многобройните начини за намиране/подреждане на изчисления вероятно ще бъде използван, за да помогне при инсталирането на зоната на робота и вземането на решение за следващия ход. Маршрутът в областта на механичната технология допълнително включва идентификация на обекти и избягване. Избягването на обекти често се споменава, когато се говори за човешка връзка с роботи или HRI. Наличието на опцията да решите дали даден предмет ще се намеси в пътя, който роботът предприема, е от основно значение за благосъстоянието на екипировката и всички наоколо, точно както и за изпълнението на маршрута. Възпиращите фактори, например, разделителите се споменават като статични пречки, докато онези, които се движат, като хората на пешеходна пътека, се разглеждат като уникални пречки. Ще разгледаме методите за решаване и избягване на двете групи пречки в тази статия.

Планиране на пътя: -

Подготовката на път, поет от превозно средство в затворен климат, трябва да бъде възможна по различни начини. Стратегиите за определяне на начин включват, но не се ограничават до, маршрут, базиран на крайъгълен камък, рецептивна подготовка и различни начини на организиране на изчисления. В предопределен климат начинът, организиращ изчислението, може без много удължаване да възстанови куп посоки, които превозното средство да следва. Обикновено, като метод за тестване на различни изчисления, се създава рамка с предварително определен размер, показваща къде в ръководството е „безопасно“. Почти сигурно е, че при тестване всички линии на решетката са достъпни от превозното средство. В рамките на това начинание ние също ще очакваме, че отговорът може да бъде достигнат от дадена начална позиция.

Алгоритми за търсене: -

Изчисленията за търсене в софтуерното инженерство са програми, които се опитват да се справят с всякакво разнообразие от начинания, възложени им. Примери за тези бъдещи алгоритъм на Дейкстра, итеративно запитване, обратно проследяване и A*, за да дадем някои примери. Като се има предвид набор от информация или качества, изчислението на запитването ще търси итеративно необходимото или споменато уважение в списъка. Списъците могат да бъдат като последователни записи на числа или за нашата ситуация набор от посоки, оформящи „решетка“.

Стъпка 1: Инициализирането на рамката съдържа предимно оборудване за закупуване на картина за зареждане и компютри. Изчистете вече съществуващата информация и изображения на люлката, които биха могли да повлияят на дейността на рамката.

Стъпка 2: Използването на предварително въведената приспособление за закупуване на снимки (камера) на покрива улавя пренебрегващите снимки. Придобийте снимката отгоре на закрито, която съдържа всички препятствия на пода. Презумпции: засенчването или повърхността на пода са събрани.

СТЪПКА 3˖Част за обработка на изображения. Предварителната обработка на картината е предимно за справяне с проблема с интелигентния регион, който се създава от вътрешното осветление и след това да се направи план за разделяне на картината.

Стъпка 4: Етажно районно разделение. Чрез разделянето на пода ще се намерят данните за позицията на вътрешния блок. Писането предложи техника за пренебрегване на разделянето на картини въз основа на визията. Първоначално намалете елемента на близкото засенчване. Също така се изисква използването на изчисление за групиране за разделяне на подовата област, за да се настрои моделът на подовата зона.

СТЪПКА 5: Изчислете основното статично препятствие, което е между началната и крайната точка. Разширяване на размера на препятствието в допълнение към разстоянието напречно на робота и правене на робота като молекула. Създаване на права линия между началната точка и крайната точка и вземане на един пиксел като прогресия. Издаване на преценка по точка в тази част от квартала, независимо дали е в контакт с препятствие. В случай, че има пречка, тогава, в този момент, възстановете количеството пречка.

Стъпка 6: Разширете препятствието до квадратна форма, като вземете четирите ъгъла на квадратната форма като възходяща главина. Ако приемем, че f е разстоянието от крайната точка на началното осветяване, g е разстоянието от главината на началното осветяване, h е разстоянието от главината до крайната точка. Разделяне на ъглите в три класификации, следващи елементите, както следва:

Основният клас: няма пречки в начина на продомейн на g и h.

Следващият клас: има само един проблем в поддържащия пространствен път на g или h;

Третият клас: има две пречки по пътя на продомейна на g и h;

Хъбът в подобен вид ще бъде подреден по придружаващите стандарти:

В основния клас, което прави хъба според почитанията в нарастващата заявка.

В последващата класификация, правейки хъбовете в заявка за катерене. Да започнем с това, че има препятствия в g, а не просто пречка. Второ, има пречки в h, а не просто възпиращ фактор. Трето, има просто пречките в h и действителното възпиращо средство. На последно място, има просто пречките в g и действителното възпиращо средство.

В третия клас, правейки главината, че обиколката

пречки при нарастващото търсене от количеството хъбове.

Стъпка 7: Изберете хъба. Според придружаващите

рецепта определянето на хъб се избира в зависимост от най-ограничения

разстояние като начален етап до най-отдалечената граница на пътя.

f= g + h

В резултат на разгадаването на СТЪПКА 6, хъбът беше

поискано. Преместване на хъба от първи във втори клас

според уравнението.

Откриване/ избягване на обект: -

Стратегия за отблъскване на обекта, която може радикално да повлияе на резултата от механичния маршрут, е техниката на потенциалното поле. Тази стратегия възпроизвежда, че роботът и всички пречки или небезопасна територия се движат като „заредени частици“. Като се има предвид изричната устойчивост, продиктувана от евристиката, роботът може да проектира начин, контролиран от неговата област, в сравнение с различни елементи или „заредени частици“. Това е особено полезно при обстоятелства, при които роботът може да не си сътрудничи директно с различни предмети, например разделители или динамични препятствия, например разхождащи се хора. Това ще работи върху сигурността на рамката, ако приемем, че е изпълнена в климат, където има хора или чувствителен хардуер.

Откриване на обект: -

Основната задача на автономното шофиране е точно и бързо откриване на превозни средства, пешеходци, светофари, пътни знаци и други обекти около превозните средства, за да се гарантира безопасността на шофирането. Като цяло автономните превозни средства използват различни сензори, като камери, лидар и радар, за да откриват обекти. Някои изследователи откриват превозни средства чрез извличане на двоични изображения от дискретни сензорни матрици, а някои изследователи са постигнали добри резултати в задачата за откриване при лошо време чрез сензорния метод на сливане на информация от радар и камера. В сравнение с други сензори, камерата вече е по-точна и по-рентабилна при откриване на обекти. Алгоритъмът за откриване на обект, базиран на задълбочено обучение, се превръща в основен метод при автономното шофиране, тъй като може да постигне висока точност на откриване с по-малко изчислителни ресурси.

Алгоритъмът за откриване на обекти на автономни превозни средства трябва да отговаря на следните две условия: Първо, необходима е висока точност на откриване на пътни обекти. Второ, скоростта на откриване в реално време е много важна за това дали детекторът може да се използва при шофиране. Алгоритмите за откриване на обекти, базирани на дълбоко обучение, могат грубо да бъдат разделени на две категории: двуетапни и едноетапни. Двустепенният алгоритъм генерира предложение за регион на първия етап и преминава към bbox регресия и прогнозиране на класификация на обекти в тези региони на втория етап, например R-CNN, Fast R-CNN, Faster R-CNN и R-FCN. Двустепенните алгоритми обикновено имат висока точност, но имат относително ниска скорост на откриване. Но ние ще използваме този метод, тъй като е по-подходящ за първоначални модели. Едноетапните алгоритми, като SSD и YOLO, извършват класификация и регресия само в един етап. Тези методи обикновено имат ниска точност, но висока скорост на откриване. През последните години детектори на обекти, комбиниращи различни методи за оптимизация, бяха широко проучени, за да се възползват и от двата вида метод. MS-CNN, двуетапен алгоритъм за откриване на обекти, подобрява скоростта на откриване чрез серия от междинни слоеве.

By:

Химаншу

Химаншу Ядав

Маянк Ядав

Почетни награди:

Ментор: г-н Анубхав Патрик