شرکت‌ها برای ایجاد نرم‌افزاری که بتواند اولین خودروی تمام‌خودکار را تولید کند خود را شدیداً تحت‌فشار قرار داده‌اند، و برای رسیدن به آن، باید ابتدا مسائل مربوط به چندین مجموعه از عوامل را حل کنند.
سامانه رانندگی خودکار از عناصر زیادی تشکیل شده است.
عناصر سامانه رانندگی خودکار
ادراک (دریافت)، مکان‌یابی و نقشه‌برداری
برای بهینه‌سازی ماشین‌های خودران، شرکت‌هایی که در این حوزه حضور دارند، روی روش‌های متفاوتی که بر ادراک، نقشه‌برداری و مکان‌یابی متمرکز هستند، کار می‌کنند.
ادراک. هدف در این حوزه، دستیابی به سطوح قابل‌قبول ادراک با کمترین مقدار آزمایش و تأیید[1] لازم است. دو روش در این بخش با یکدیگر در حال رقابت هستند.
- رادار، ردیاب آوایی و دوربین. ماشین‌های خودران برای ادراک و شناسایی سایر وسایل نقلیه و اشیا دیگر که در محیط وجود دارند، از سامانه‌های رادار، ردیاب آوایی و دوربین استفاده می‌کنند. این روش محیط را در سطحی عمیق و با جزئیات دقیق بررسی نمی‌کند و به توان پردازش کمتری نیاز دارد.
- افزودن لایدار. در روش دوم علاوه بر مجموعه حسگرهای معمول سامانه‌های رادار و دوربین، از لایدار هم استفاده می‌شود. این روش به توان محاسباتی و پردازش داده بیشتری نیاز دارد؛ اما در محیط‌های مختلف، به‌ویژه در محیط‌های تنگ و با ترافیک سنگین بسیار قوی عمل می‌کند.
کارشناسان بر این باورند که در نهایت روش لایدار افزوده، روش موردنظر بسیاری از تولیدکنندگان خودروهای خودران در آینده خواهد بود. اهمیت لایدار افزوده را امروزه می‌توان در اتومبیل‌های خودران آزمایشی تولید شده توسط OEMها و تأمین‌کنندگان سطح 1 و شرکت‌های فناوریِ درحال‌توسعه خودروهای خودران؛ مشاهده کرد.
نقشه‌برداری. توسعه‌دهندگان خودروهای خودران دو روش نقشه‌برداری را دنبال می‌کنند.
- نقشه‌های با وضوح و جزئیات بالا. شرکت‌ها برای تولید نقشه‌های با وضوح‌بالا (HD)، از وسایل نقلیه‌ای استفاده می‌کنند که به یک‌سری دوربین و لایدار مجهز هستند. این خودروها در امتداد جاده‌های موردنظر حرکت می‌کنند و نقشه‌های 3 بعدی با وضوح‌بالا با اطلاعات 360 درجه (به همراه دادههای مربوط به عمق) از محیط اطراف را تولید می‌کنند.
- نقشه‌برداری مشخصه‌ها[2]. این روش لزوماً نیازی به لایدار ندارد و می‌تواند با استفاده از دوربین‌ها (معمولاً در ترکیب با رادار) نقشه اصلی راه‌ها که در ناوبری استفاده می‌شوند را تهیه کنند. در این نقشه‌ها مواردی مانند خطوط جاده‌ها، علایم ترافیکی، پل‌ها و سایر اشیایی که نزدیک جاده هستند، ثبت می‌شوند. باوجوداینکه این روش جزئیات محدودی دارد؛ اما پردازش و به‌روزرسانی آن آسان‌تر است.
دادههای گرفته شده برای تولید داده معنادار، مانند علائم سرعت با محدودیت‌های زمانی، (به‌صورت دستی) تحلیل می‌شوند. تولیدکنندگان نقشه‌ها می‌توانند از هر دو روش با کمک ناوگانی از وسایل نقلیه اعم از سرنشین‌دار یا خودران، با مجموعه‌ای از حسگرهای موردنیاز برای جمع‌آوری و به‌روزرسانی مداوم نقشه‌ها، استفاده کنند.
مکان‌یابی. با شناسایی موقعیت دقیق یک وسیله نقلیه در محیطی که در آن قرار گرفته، مکان‌یابی یک پیش‌شرط لازم و مهم برای تصمیم‌گیری‌های مؤثر در مورد نحوه و مسیر هدایت خودرو است. برای انجام این کار چند روش مرسوم است.
- نقشه‌برداری HD. در این روش از حسگرهای داخلی (از جمله GPS) برای مقایسه محیط درک شده توسط ماشین خودران از محیطی که در آن قرار گرفته با نقشه‌های HD متناظر استفاده می‌شود. این روش یک نقطه مرجع را مشخص می‌کند که وسیله نقلیه می‌تواند از آن برای اینکه بادقت بسیار زیاد مشخص شود که دقیقاً کجا قرار گرفته است و در کدام جهت حرکت می‌کند، استفاده کند.
- مکان‌یابی GPS بدون نقشه‌های HD. روش دیگر از GPS برای مکان‌یابی حدودی استفاده می‌کند و سپس از حسگرهای AV برای بررسی تغییرات در محیط اطرافش کمک می‌گیرد تا اطلاعات موقعیت مکانی‌اش را پالایش و اصلاح کند. چنین سامانه‌ای دادههای موقعیتی GPS را با تصاویری که توسط دوربین‌های داخلی ماشین تهیه شده‌اند، ترکیب می‌کند. تحلیل مقایسه‌ای نما به نما، محدودهٔ خطای سیگنال‌های GPS را کم می‌کند. بازه اطمینان 95 درصدی برای GPS در موقعیت افقی جغرافیایی در حدود 8 متر است که می‌تواند معادل تفاوت فاصله در رانندگی در دو جهت مخالف یک جاده باشد.
هر دوی این روش‌ها متکی بر دادههای سامانه‌های ناوبری اینرسی و کیلومترشمار هستند. تجربه نشان داده است که روش اول قوی‌تر است و مکان‌یابی دقیق‌تری را انجام می‌دهد، درحالی‌که به‌کارگیری روش دوم؛ چون از نقشه‌های HD استفاده نمی‌کند، آسان‌تر است. باتوجه‌به تفاوت در دقت بین این دو روش، طراحان می‌توانند از روش دوم در فضاهایی که اطلاعات دقیق مکان وسیله نقلیه برای هدایت و ناوبری آن لزومی ندارد، بهره ببرند.
[1] Test and Validation
[2] Feature mapping
دیدگاهتان را بنویسید