Ibeo CEO'su ile röportaj: Otonom sürüş, daha akıllı lidar ve sensör füzyon yöntemleri gerektirir
Audi bu yıl L3 otopilot işlevine sahip A8'i piyasaya sürdüğünde, birçok kişi yeni arabanın önündeki bir lidar olan ScaLa'yı fark etti. ScaLa, bir Alman şirketi Ibeo Automotive Systems GmbH tarafından geliştirilen ve tasarlanan dünyanın ilk araba göstergesi lidarıdır.
Ibeo bir start-up şirketi değil, 1 Haziran 1998'de kurulduğunda şirketin ana işi car lidar idi. 2000 yılında SICK AG (endüstriyel sensör sistemleri tedarikçisi) ile birleştikten ve 2009 yılında mevcut başkan tarafından bağımsızlıktan satın alındıktan sonra, bugünün akıllı sürüş lidar sistemi tedarikçisi Ibeo Automotive Systems GmbH var.
Birçok şirketin aksine, Ibeo hem lidar donanımı hem de destekleyici yazılım algoritmaları sağlayabilir. Ibeo'nun mevcut işi, lazer radar yazılımı ve donanım ürünleri satmaktan sensör füzyonuna ve hatta eksiksiz bir ADAS sistemleri seti sunmaya kadar genişleyen yazılım algoritmalarının birikiminden kaynaklanıyor.
Ibeo, otomotiv lidar alanında uzun yıllardır gizli kalsa da, Çin'de ilk kez bir kullanıcı konferansı düzenledi. 20 Kasım'da Ibeonun BM ortağı Beijing Oubaito Information Technology (bundan böyle "Oubaito" olarak anılacaktır) resmi olarak tanıtıldı. Ibeo CEO'su Dr. Ulrich Lages bize gelecekteki otonom araçlar için daha uygun olan yeni nesil bir 3D katı hal açıkladı. Lidar ayrıca Ibeo'nun bazı deneyimlerini ve yerelleştirme fikirlerini de paylaştı.
Ibeo CEO'su Dr. Ulrich Lages
Akıllı lidar "neye bakılacağını" bilirIbeo'nun kuruluşundan bu yana satılan tüm lidarlar mekanik olarak içten döner. İki ana ürün var: Biri, otomobilin seri üretimini tamamlamak için birinci kademe tedarikçi Valeo ile işbirliği yapan 4 hatlı lidar ScaLa; diğeri ise dört hatlı ve sekiz hatlı iki tipe sahip ve çok sayıda otomatik sürüş sağlayan LUX serisidir. Ön araştırma projelerinde kullanılan önemli sensörler.
Sensörü daha akıllı hale getirmek için Ibeo, lidar ürünleri için nokta bulutu işleme ve yazılım algoritmaları sağlayacak. Şu anda, Ibeo algoritması şerit işaretlerini ve hedef tanımayı desteklemektedir ve desteklenen hedef sınıflandırması binek arabaları, kamyonları, bisikletleri ve yayaları içerir.
Ibeo Kullanıcı Konferansı sitesinde, yol yüzeylerini tespit etmek için Ibeo lidar'ı kullanmanın şematik bir diyagramını görebiliriz.Ibeo tarafından tespit edilen nesneler, standart tarafından özel olarak sınıflandırılacak ve yol bilgileri sağlanacaktır.
Ibeo'nun mevcut ürünlerini incelerken, kolayca bir özellik bulabiliriz - Ibeo'nun mekanik döner ürünleri, ADAS işlevlerine uygun sadece 4 tel ve 8 tele sahiptir. Otonom sürüşü hedefleyen birçok şirket, çok satırlı 3D tarama lidarları satıyor.
Hat sayısının daha iyi olup olmadığını sorduğumuzda, Dr. Ulrich Lages bu soruyu iki bölüme ayırarak cevapladı: 1. Çok hatlı mekanik döner lidar, araç lidarının gelecekteki yönü mü? 2. Otonom sürüş için 360 ° yüksek çözünürlük için lidar gerekli midir?
İlk soruya gelince, Ibeo çok hatlı mekanik döner lidarın karşılaştığı zorlukları araç düzenlemeleri ve maliyet açısından gördü. Mekanik olarak dönen çok hatlı lidar gerçekten daha geniş bir görüş alanı elde edebilir, ancak ne kadar çok nokta bulutu verisi toplanırsa, bilgi işlem kaynağı kapasitesi için gereksinimler o kadar yüksek olur ve ek güç kaynağı ve ısı dağıtımı sorunları çözülmelidir. Mekanik olarak dönen çok hatlı lidar, yüksek çözünürlüklü algılama elde etmek için bir yöntemdir, ancak araç düzenlemeleri ve maliyet azaltma açısından darboğazlar vardır.
İkinci sorunun özel bir fikri var. Ibeo'nun tecrübesine göre ihtiyacımız olan yüksek çözünürlük tüm çevrenin yüksek çözünürlüğü değil, ilk adım hangi yol hedeflerinin aracın sürüşünü gerçekten etkilediğini keşfetmektir. Tıpkı bir kişinin araba sürerken ve yola bakarken olduğu gibi, odak alanı sadece 5 ° 'dir ve lidarın tüm görüş alanının "netliğini" elde etmesi gerekmez Odak alanı dışındaki gölge değişikliği lidarın kararını desteklemek için yeterlidir. Son olarak, otonom sürüş için uygun olan lidar, aracı etkileyecek hedefleri akıllıca kilitleyebilir ve ardından hedefe yeterli çözünürlüğü tahsis edebilir.
Bu nedenle, gelecekteki otonom sürüş lidarları için Ibeo, mekanik olarak dönen çok hatlı lidarı atlamayı seçti ve yeni nesil radar teknolojisinin geliştirilmesine daha fazla enerji harcadı. Yeni nesil otomotiv lidarının dönen parçalardan tamamen kurtulması ve "neye dikkat edilmesi gerektiği" konusunda yeterince akıllı olması gerektiğine inanıyorlar.
Ibeo katı hal lidar modeli
Che Yunjun ile yaptığı röportajda Dr. Ulrich Lages, zihinlerinde katı hal 3 boyutlu lidar olan yeni nesil lidarı tanıttı. Bu ürünün teknik çözümünü açıklamadı, ancak bize bazı ürün parametrelerini açıkladı: algılama aralığı 0-300 metreye ulaşabilir ve yatay görüş alanı aralığı müşteri ihtiyaçlarına göre özelleştirilebilir. Birinci nesil katı hal lidarın yatay açısal çözünürlüğü 0.25 ° olacak ve ikinci nesil 0.1 ° 'ye yükseltilecek.
Şu anda bu katı hal lidar hala A Sample aşamasındadır. 1 Ağustos 2016'da ZF, Ibeo hisselerinin% 40'ını satın aldı ve ana araştırma ve geliştirme işbirliği bu yeni katı hal lidar. Plana göre, yeni katı hal 3 boyutlu lidar 2021'de seri üretime geçecek.
Otonom sürüş, ham veri katmanlarının birleştirilmesini gerektirirDr. Ulrich Lages, sensör füzyonu hakkında konuşurken, mevcut sensör füzyon yönteminin (hedef katman füzyonu) otonom sürüşün güvenlik gereksinimlerini karşılayamayacağına inanıyor.Gelecekte, ham veri (Ham Veri) katmanının derin bir şekilde birleştirilmesine ihtiyacımız var.
İşte basit bir bilim popülerleştirme.
Hedef katmanın sözde füzyonu, sırasıyla hedefi çıkaran kamera, lidar ve milimetre dalga radarının üç çekirdek sensörünü ifade eder ve ardından bir sonuç elde etmek için farklı sensörleri karşılaştırır - örneğin, ileride bir kamyon var.
Bu füzyon yöntemiyle ilgili bir sorun var - farklı sensörler hedefler oluşturduğunda, hedefle ilgisi olmayan veriler kaybolacak. Ancak aslında, bu filtrelenmiş ham veriler, daha doğru kararlar vermeye yardımcı olmak için diğer sensör verileriyle birleştirilebilen anlamlı karakteristik bilgiler içerebilir.
Bir örnek, hedef katman füzyonunun sapmasını açıklamak kolaydır.
Yukarıdaki resimdeki açı nedeniyle, her bir sensör tarafından görülen kırmızı topların sayısı farklıdır. Sensör 1 bir nesneyi algılar ve sensör 2 iki nesneyi algılar. Yani sensör füzyonu sırasında yargılanamayan bir durum var.
Dr. Ulrich Lages, sensörün size neyi kaçırmış olabileceğini söylemesinin, her sensörün kendi kararını vermesinden daha önemli olduğuna inanıyor. Sensör füzyonunun işi, matematiksel bir model oluşturmak ve hedef nesnenin olasılığının bir açıklamasını çıkarmaktır.
Bu nedenle, yukarıdaki örnekte, sensör 1 sınırlı görüş alanında yalnızca bir nesne algıladı, ancak sunduğu rapor şu olmalıdır: Bir nesne tıkanıklığı olduğundan, belirleyebileceğim nesne "bir tane var, ancak başka nesneler de olabilir." ". Sensör 2, şüphesiz "iki nesnenin algılandığını doğrulayabilir". Bu şekilde, sensör füzyonundan sonra "ilerideki iki nesne" nin sonucu kolaylıkla elde edilebilir.
Sensör füzyonunun anlaşılması açısından Ibeo, sadece lazer radar yazılım ve donanım ürünleri sağlamakla kalmaz, aynı zamanda sensör füzyon hizmetleri sunmaya da uzanır.Ana teknoloji, yukarıda bahsedilen matematiksel modeli oluşturmaktır.
Dr. Ulrich Lages, Che Yunjun'a Ibeo'nun 2005'ten beri çoklu lidar sensörlerinin veri füzyonunu incelediğini ve birkaç yıl önce lidar ve diğer sensör verilerinin füzyonu için yeni bir kavramsal model geliştirdiğini söyledi. Füzyon sırasında her sensör türü tarafından kullanılan veri yapısı ve veri şifreleme modu dahil olmak üzere, sensör füzyonu için standart arayüzü tanımlıyorlar.
Çin'in yerel Ar-Ge ve ürünleştirmeFarklı bölgelerdeki trafik senaryoları farklıdır ve bu, otonom sürüş Ar-Ge'sinin bölgesel özelleştirme gerektirdiğini belirler. Çin'de, Ibeo'nun ürünlerini Çin'de piyasaya sürmesine yardımcı olan Oubaito'ydu. Bu girişim 2015'in başlarında kuruldu. Kurucusu Dr. Xueming Ju, Almanya Münih Teknik Üniversitesi'nde öğretmenlik yaptı ve BMW Araştırma Enstitüsü'nün otonom sürüş projesinde uzun yıllara dayanan deneyime sahip.
Lidar'ın popülerleşmesinden sonra, Oubaito şu anda Çin pazarının otonom itici Ar-Ge ihtiyaçlarına göre iki ana görev yapıyor.
Birincisi, otonom sürüş değerlendirmesi için bir referans platform sağlamaktır.
Örneğin, test edilen görsel denetim sensörü teknolojisinin standardı karşılayıp karşılamadığını doğrularken, geleneksel yöntem kamera tarafından toplanan görüntüleri bir kare çevrimiçi olarak bir sonraki karede manuel olarak yakalamak ve yayaları, araçları ve diğer hedefleri işaretlemektir. Bu yaklaşım verimsizdir ve zaman açısından maliyetlidir. Ibeo'nun değerlendirme platformu, insanları lidar ve algoritmalarla değiştirir. Halka açık yollarda testi tamamladıktan sonra, Ar-Ge personeli, gerçek verilerin kalibrasyonunu otomatik olarak tamamlamak için verileri bu platforma aktarabilir.
Oubaito'nun değerlendirme arabası
Diğer bir iş ise yerel algoritma araştırması ve geliştirmesi yapmak, veri toplama ve lidarın sahne analizini yapmaktır.
Che Yunjun mekanın dışındaydı ve bir Ibeo veri toplama aracı gördü. Arabada altı LUX dört hatlı lidar ve iki Sick tek hatlı lidar var. Oberto mühendisleri bize, toplama aracının ana görevinin, Çin'in trafik ortamı ve sürüş alışkanlıklarına daha uygun yazılım algoritmaları sağlamayı umarak lidar yazılım algoritması araştırması için yerel veriler toplamak olduğunu söyledi. Dr. Ju Xueming Che Yunjun'a Ibeo ile işbirliği içinde yerelleştirilmiş otonom sürüş iniş projesinin de yakın gelecekte duyurulacağını söyledi.
Che Yun özetiOtonom sürüş için ne tür bir lidar gerektiğine gelince, Ibeo'nun cevabı oldukça kısıtlı. Dr. Ulrich Lages, gelecekte L4 \ L5 otonom sürüşün gereksinimlerini karşılayan sensörlerin henüz ortaya çıkmadığını ve farklı sensörlerin yinelenmesi gerektiğini vurguladı. Dr. Ju Xueming ayrıca Che Yunjun'a, veri katmanında derin bir füzyon elde etmek için farklı sensörler arasındaki koordinasyonun daha yakın olacağını ve daha derin veri paylaşımının gerekli olduğunu söyledi.
Otomobil şirketleriyle otonom sürüş üzerine çok erken bir ön araştırma yaptığımız için, Dr. Ulrich Lages ile ürünleri tartıştığımızda, "tüm sisteme aşina olduktan sonra belirli modül gereksinimlerine yaklaştığımız" bir düşünme modu hissedebildik. Bu, diğer lidar şirketleriyle iletişim kurarken hiç almadığım bir deneyim. Ibeo, otonom sürüşün sonunda nasıl ineceğini keşfetmek için de bu modeli kullanıyor.
Aşağıdakiler, Dr. Ulrich Lages ile bir röportajın kısaltmasıdır, Che Yunjun, orijinal niyetini değiştirmeden silme işlemini gerçekleştirdi:
S: Che Yun Fungus
A: Dr. Ulrich Lages
S: Ibeo bir katı hal 3B lidar geliştiriyor, bize detaylı olarak anlatır mısınız?
C: Yeni lidarımız, şerit çizgilerini, zemin kaplamalarını, hedefleri vb. Algılayabilen bir 3D lidar. Algılama aralığı 0-300 metreye ulaşabilir ve yatay görüş alanı 32 ° 'ye ulaşabilir. Birinci nesil katı hal lidarın yatay açı çözünürlüğü 0,25 ° ve ikinci nesil yükseltme 0,1 ° olacaktır. Müşteri ihtiyaçlarına göre özelleştirilebilir.
S: Sensör birleştirme neden zordur?
C: Geçmişte, sensör bir nesneyi algıladığında insanlar çok mutluydu, çünkü nesneyi tanımlamak zordu. Ama şimdi durum farklı. Radar, kamera, lidar vb. Gibi farklı sensörler kullanabilirsiniz, bunların tümü hedef nesnenin kimlik bilgilerini sağlayabilir, ancak bunlar öndeki üç nesne gibi farklı bilgiler sağlayabilir. Önünde dört nesne var, bu nedenle bu anlaşmazlığı çözmenin bir yolunu bulmanız gerekiyor.
Otonom sürüş uygulamalarında, sensörün tanımladığını değil, neyi kaçırmış olabileceğini size söylemesi önemlidir. Ancak günümüz sensörleri hangi nesneleri tespit ettiklerini bildiriyor, bu da size çeşitli bilgiler sağladıkları anlamına geliyor.Bu bilgi kafa karıştırıcı ve bu nedenle kaynaştırılması zor.
Örneğin, az önce yaptığımız bu küçük deneyde, sensör 1 sınırlı bir görüş alanında yalnızca bir nesne algıladı, ancak size sunduğu rapor şu olmalı: çünkü bir nesne tıkalı, bu yüzden emin olabilirim Bir nesne var ama başka nesneler de olabilir. 2 numaralı sensör için şüphesiz iki nesne tespit edilebilir. Bu nedenle, sensör füzyonundan sonra, ileride iki nesne olduğu kolayca anlaşılabilir.
Böylece, sensör birleştirme sonucunun doğruluğunun büyük ölçüde her sensörün kendi sınırlamalarının anlaşılmasına bağlı olduğunu göreceksiniz. Bu sınırlamalar, radar, lidar vb. Yağmur veya siste farklı şekilde davrandığından, diğer nesnelerden veya gizli parçalardan kaynaklanan parazitleri veya hava koşullarından kaynaklanan parazitleri içerebilir. Her sensör kendi sınırlamalarını rapor etmelidir Sonuçta bu, ham veriler dahil her sensör tarafından sağlanan bilgilerin aslında bir olasılık meselesi olduğu anlamına gelir.
Daha sonra, belirli bir sabit standart varsa, her sensör nokta bulutu, olasılık ve güvenilirlik dahil olmak üzere benzer bilgiler sağlayabilir, buna dayalı bir matematiksel model oluşturabilirsiniz, ancak matematiksel modelin çıktısı hala yalnızca doğrudur. Hedef nesnenin olasılığının bir açıklaması, ancak bu zaten bir çevresel model oluşturmanın iyi bir yoludur. Bu, sonuçta yukarıdaki deneyin tek bir nesne mi yoksa iki nesne mi olduğu konusunda herhangi bir tartışma olmayacağı anlamına gelir.
Ancak sorun şu ki, böyle bir matematiksel model çok karmaşık. Çoğu insan sensör füzyonu yaptığında, genellikle geleneksel yöntemleri benimsemeye başlarlar. Yani başlangıçta sadece bir tane radarınız olabilir ve ardından bir kamera eklenecektir, şu anda radar ve sensörün verileri birleştirilmelidir. İki sensör tarafından sağlanan verilerin farklı olduğunu görebilirsiniz, ancak genellikle insanlar anlaşmazlıkları belirli kullanım durumlarına göre çözer. Örneğin, bu durumda, radar verileri daha güvenilir olmadığı için esas olarak kamera verilerine atıfta bulunuruz. Sonuç olarak Sensörlerin sayısı arttıkça, sürekli bir matematiksel model oluşturamazsınız çünkü bu sürekli gelişime dayalıdır. Bu yöntemi sensör füzyonu için kullanırsanız, L5 otonom sürüşe asla ulaşamayabilirsiniz.
Tamamen farklı diğer yöntemler ne olacak?
Önce matematiksel bir model oluşturmanız ve ardından bu matematiksel modele göre sensörler tasarlamanız gerekir, ancak çoğu şirket bu yöntemi seçmeyecektir. Çünkü matematiksel model oluşturulduktan sonra, bir arayüz tanımlarsınız Bir sensör devre dışı bırakılsa bile, bu sensörlerin verilerini göz ardı etmeyi seçebilirsiniz.
S: Yazılım geliştiricilerin diğer sensörleri anlaması gerekiyor mu?
A: Evet. Diğer sensörler hakkında temel bilgiye sahip olmanız gerekir. Her sensörün benzer bilgiler sağlamasını istediğiniz için ve iki farklı sensör türü tarafından döndürülen verileri karşılaştırmak istiyorsanız, verilerin benzer bir model aracılığıyla oluşturulduğundan emin olmalısınız, aksi takdirde karşılaştırılamaz.
Bu nedenle, sensör tedarikçilerinin sağladığı verilerin belirli bir standart tarafından üretilmesini sağlamak için bu yönde çok çalışıyoruz.Farklı tedarikçiler farklı sensörler sağlasa da veri yükleme portları aynı olduğu için kolay. Bu tak ve çalıştır sensör verilerinin birleştirilmesi.
Ancak bu yöntemlerin çoğu şu anda benimsenmedi.Kameralar, radarlar, lidarlar ve diğer sensörleri eklemek istediğinizde sıfırdan başlamanız gerekebilir.Bu sensörlerin verilerini nasıl kullanacağınızı bulmanız gerekir. Bu çok kötü, zaman kaybı ve verimli bir çözüm değil. Gelecekte daha standartlaştırılmış arayüzler sağlayabilirsek ve sensörler kendi algılama yeteneklerimizle eşleşen daha fazla veri sağlarsa, sensör birleştirme de daha kolay olacaktır. Bu aynı zamanda radar A'yı radar B ile değiştirmek gibi farklı sensörleri değiştirebileceğiniz ve yine de çalışacağı anlamına gelir.
S: Ibeo Referans Sistemi ürününü özel olarak tanıtabilir misiniz? Bu, otonom araçları test etmek için bir ürün mü?
C: Bir sensör tedarikçisi yeni bir sensör seti üretirse, bu sensör setinin performansını toplu taşıma araçlarında test etmelidir. Toplu taşımada verileri test edip topladıktan sonra, geri kalanın analiz edilmesi ve işlenmesi gerekiyor.
Bununla birlikte, engelleri işgücü kullanarak manuel olarak kalibre etme yöntemi zaman alıcıdır, yoğun emek gerektirir ve pahalıdır. Bir otoyolda bir saatlik basit bir senaryonun uygulandığını varsayarsak, 100 saatlik manuel kalibrasyon gerektirebilir. Daha karmaşık bir sahne ise bu sefer ikiye katlanacaktır. Bu nedenle, toplanan verilerin yararlı olup olmadığını bilmek istediğinizde, geleneksel manuel kalibrasyon aslında çok istenmeyen bir durumdur ve bu, ürünün piyasaya sürülme sürecini büyük ölçüde geciktirecektir.
İbeo Referans Sistemi ile, halka açık yolda test tamamlandıktan sonra veriler bu platforma aktarılabilir. Bu verileri, hedefin zaman eksenindeki izleme geçmişine göre işleyeceğiz ve manuelden daha doğru ve daha hızlı olan algoritmalar aracılığıyla yer gerçeği veri kalibrasyonunu otomatik olarak tamamlayacağız. Bu, 8 saatlik test verisi gönderirseniz, sistem analizi için bu verilerin ölçümü ve kalibrasyonunun tamamlanması yalnızca 8 saat sürdüğü anlamına gelir. Diğer çözümlerde birkaç hafta beklemeniz gerekebilir.
Giderek daha fazla şirket ibeo'nun bu çözüm setine zaman ve maliyet kaygılarından dolayı öncelik verecek.Bu, işimizin çok hızlı büyüdüğü bir bölümdür.Çin'de ortağımız Oubai Tuo buna uygun desteği vermeye başladı. Program.
S: ADAS'tan otonom sürüşe kadar, ibeo hangi aşamalarda hangi farklı ürünleri sağlayacak?
C: Şimdi bir arabayı denemek istersek, bayiden doğrudan bir araba alacağız CAN veriyolunu açıp içine bir ağ geçidi koyarız, böylece tüm arabayı kontrol edebiliriz. Arabayı çalıştırdıktan sonra normal bir şekilde gidebilecek, ancak araç ek bir ağ geçidi eklendiğini fark etmeyecek, ancak aracın direksiyonunu ve frenini etkileyebiliriz. Bu, L5 seviyesinde otonom sürüşte, araç içinde aktarılan tüm verilerin güvenli bir şekilde şifrelenmesi gerektiği anlamına gelir.
Bu aslında mevcut geleneksel modellerden tamamen farklı bir mimari gerektiriyor, bu da her sensör tarafından iletilen bilgilerin güvenli bir şekilde şifrelenmesi gerektiği anlamına geliyor.
Ancak henüz böyle bir sensörümüz yok ve bugünün sensörleri aktarılan verileri bu şekilde güvenli bir şekilde şifreleyemiyor. Bu aslında aşamalı bir süreç ... Teknolojinin ilerlemesiyle, tüm otomotiv elektronik mimarisi de daha güvenli bir yönde gelişecek, ancak L5 otonom sürüşü gerçeğe dönüştürebilecek bir mimari yok.
Öyleyse insanlar artıklık için kaç ECU'ya ihtiyacınız olduğu hakkında konuşsunlar, arabada A'dan B'ye nasıl veri iletirsiniz, herkes arabadan veri iletmek istiyorsanız, ağ bilgi güvenliğinin birincil husus olduğunu anlar. Peki ya arabadaki verilerin iletimi? Bir güvenlik görevlisi olduğu sürece sürüş için herhangi bir işlevi geliştirebilir, sürücüsüz otomobili başka hiç kimsenin kurcalamamasını sağlayabilirsiniz. Bu nedenle, L5 otomatik sürüşün gerçekleştirilmesinden sonra, otomobilin kendisi çok akıllı hale gelmeli ve yolcuların güvenliğini sağlamak için bir anormalliğin kendi kendine tespit edilmesinden sonra kenara çekebilme gibi kendini koruma yeteneğine sahip olmalıdır.
Bu nedenle, mevcut seri üretilen sensörler L5 otonom sürüşün gereksinimlerini karşılamıyor ve çoğu sürüş yardımı işlevi uygulamaları için geliştirildi.
Makine, insanları sürüş için tamamen değiştirdikten sonra, otonom sürüş sisteminin anormallikleri tespit edecek kadar akıllı olması gerekir. Şu anda L5 otonom sürüş gibi işlevleri geliştirebiliyor olsak da, ilgili gösterileri de gerçekleştirebiliriz ve hatta bu araçları kamu trafiğine sokabiliriz, ancak bu çok büyük bir riskle karşı karşıya kalacak. Sensör mükemmel olmadığı için sensör füzyon teknolojisi yerinde değil ve veri aktarımı güvenli bir şekilde şifrelenemiyor.Hala birçok zorlukla karşı karşıyayız.Bu nedenle mevcut otomatik sürüş ADAS'ı geçemez.
Sürüş destek sistemleri için kademeli olarak çeşitli fonksiyonlar geliştirebiliriz ve sürücü denetleyici bir rol oynayabilir, ancak otonom sürüş farklıdır. Şu anda hiçbir şirket tam bir çözüm sunamaz, henüz bu noktaya gelmedik. Seri üretim teknolojisinin uygulanması.
S: Ibeo'nun lidar hattında neden sadece 4 veya 8 satır var? Lidar satırlarının sayısı daha mı iyi?
C: Ne kadar çok çizgi varsa, tüm lazerleri yaymak için o kadar fazla enerji gerekir. Çok hatlı Lidar kullanımında enerji problemleri olacak, güç kaynağı için batarya yakında tükenecek, ısı dağılımı problemleri olacak; hesaplama kaynaklarının üst limitinde problemler olacak.Bu veriler sensör füzyonu için kullanıldığında, veri miktarı çok büyük.
İhtiyacımız olan şey, araç yüksekliğini ve geniş algılama aralığını kapsamaktır, kullanılan hat sayısı özel duruma ve ortama bağlıdır. Araba sürerken yoğun gözlem alanınız yaklaşık 5 derece ve 5 derece olduğu sürece ne olduğunu bilebilirsiniz. Bir araba yol kenarından hızla geçerse, size ne tür bir araba olduğunu soracağım, ne olduğunu bilmiyor olabilirsiniz. Ama aniden bir arabanın geldiğini hissedebilir, bir gölge görebilir ve gölge değişimine göre hareket edebilirsiniz.
Herkes çok geniş bir aralığı kapsama umuduyla sensörler geliştiriyor. Örneğin kamera çok geniş bir alanı görebilir ancak verileri işlerken sorunlar yaşanacaktır. Bunun giderek daha fazla hat ihtiyacıyla ilgili bir soru olduğunu sanmıyorum, ancak ortama göre ayarlanabilen akıllı ve uyarlanabilir bir sensör.
Son olarak, ihtiyacımız olan sensör belirli bir algılama mesafesine ve algılama açısına sahip olacak ve çözüm, otonom araçlarla ilgili nesneleri algılamak için yeterince iyi olacaktır. Bu şey çok küçük olabilir, örneğin yoldaki kayalar, bazen büyük bir kamyon. Büyük kamyonlar için doğal olarak çok fazla hatta ihtiyacımız yok. Yoldaki taş için, nerede olduğunu bilirsem, tüm çevrenin 360 derece algılanmasına gerek kalmadan algılama alanını o küçük alana yoğunlaştırabilirim.Bu tür 360 derecelik 3D algılama yöntemi mükemmel bir algılama sağlayacaktır. Alan gökyüzü.
S: Ibeo'nun şu anda tüm Ar-Ge ekibinde kaç personel rezervi var?
C: 2005 yılında sensör füzyon teknolojisi üzerine araştırmalar yapmaya başladık Başlangıçta sadece çoklu lidar sensör verilerinin füzyonu üzerine araştırma yaptık. Birkaç yıl önce, lidar ve diğer sensör verilerinin birleşmesi üzerine araştırma yapmak için yeni bir kavramsal model geliştirdik. Ekibimiz hızla büyüyor ve şimdi sensör füzyonu üzerinde çalışan düzinelerce insan var.
