2020 Son Otopilot Teknolojisi Raporu Yayınlandı: Waymo, Tesla, Volvo Teknoloji Planları Başladı
2020'ye girerken, kampların sıçramalı rota ile otonom sürüş teknolojisinin ilerici rotası arasındaki ayrımı çok açık hale geldi. Ancak sonunda, otonom sürüş tamamen insansız olacaksa, teknolojisinin hala sürekli yinelemeye ve geliştirmeye ihtiyacı var.
Otonom sürüşün teknolojik ilerlemesiyle ilgili olarak WEVOLVER tarafından yayınlanan "2020 Otonom Sürüş Teknolojisi Raporu" kapsamlı bir açıklama sunuyor.
Rapor, üç seviyeden otonom araç teknolojisinin en son gelişimini açıklar: algılama, planlama ve yürütme.Sensörler, veri işleme, makine öğrenimi, SLAM ve sensör birleştirme, yol planlama ve diğer alanları kapsar ve çoklu otonom sürüş sağlar. Şirketin davaları arasında Tesla, Volvo, Waymo vb.
Bu raporun tam metnini pdf olarak almak istiyorsanız, lütfen Leiphone.com WeChat (leiphone-sz) adresindeki "324 raporu" anahtar kelimesine yanıt verin.
Kaynak: "2020 Otonom Sürüş Teknolojisi Raporu"
Algılamak
Otonom araç bilinmeyen dinamik bir ortamda çalışıyor, bu nedenle önceden bir çevre haritası oluşturması ve haritada kendisini konumlandırması gerekiyor ve senkronize konumlandırma ve haritalama sürecini (SLAM, anlık konumlandırma ve harita yapımı) gerçekleştirmek için girdi gerekiyor Sensörlerin ve yapay zeka sistemlerinin yardımı.
Raporda, sensörlerin aktif sensörler ve pasif sensörler olarak ayrılabileceğine dikkat çekildi.Çeşitli sensörlerin avantajları ve dezavantajları var ve hiçbir sensörün tüm yol koşullarına uygun olamayacağı belirtildi. Normalde, otonom bir otomobili güvenilir ve emniyetli bir şekilde kullanmak istiyorsanız, aynı anda birden fazla sensör kullanmanız gerekir.
Genel olarak, otonom araçlarda bulunan beş ana sensör türü vardır:
1. Uzun menzilli radar: Sinyal, hedefleri yağmur, sis ve toz gibi görüş engellerinden tespit edebilir.
2. Kamera: Genel olarak, kısa menzilli hedef tespiti kombine bir biçimde gerçekleştirilir ve daha çok uzun mesafe özelliği algılama ve trafik tespiti için kullanılır.
3. Lidar: çoğunlukla üç boyutlu ortam haritalama ve hedef tespiti için kullanılır.
4. Kısa menzilli / orta menzilli radar: orta ve kısa menzilli hedef tespiti, yandan ve arkadan kaçınma için uygundur.
5. Ultrasonik: kısa menzilli hedef tespiti.
Daha önce belirtildiği gibi, her tür sensörün avantajları ve dezavantajları vardır ve otonom araçların sensörleri teknik olarak yargılaması ve seçmesi gerekir. Tarama koşulları temel olarak aşağıdaki hususları içerir:
-
Tarama aralığı, sensörün algılanan nesneye tepki verme süresini belirler;
-
Çözünürlük, sensörlerin otonom araçlar için sağlayabileceği çevresel ayrıntılar;
-
Otonom bir aracın algılama alanını kapsaması için kaç sensöre ihtiyaç duyduğunu belirleyen görüş alanı / açı çözünürlüğü;
-
3B bir ortamda statik nesneler ve dinamik nesneler arasında ayrım yapma yeteneği;
-
Yenileme hızı, sensör bilgisi güncellemesinin sıklığını belirler;
-
Farklı çevre koşulları altında genel güvenilirlik ve doğruluk;
-
Maliyet, boyut ve yazılım uyumluluğu;
-
Oluşturulan veri miktarı.
Aşağıda, Tesla'nın sensör çözümleri olan Waymo, Volvo-Uber'in şematik bir diyagramı verilmiştir:
Raporda ayrıca pasif sensörler ve aktif sensörler ile ilgili ayrıntılı bir giriş de yer aldı:
Pasif sensör
Pasif sensörler, ışık ve radyasyon gibi ortamdaki nesneler tarafından yansıtılan mevcut enerjiyi algılayabilir. Ancak düşük ışıklı bir ortamda kendine ait bir iletim kaynağı olmadığından pasif sensörün performansı düşecektir. Oluşturulan veriler açısından, aktif sensörlerle karşılaştırıldığında, pasif sensörler yaklaşık 0,5-3,5 Gb / sn daha fazla veri üretir.
Öyle olsa bile, pasif sensörler, başta aşağıdakiler olmak üzere birçok özelliğe sahiptir:
1. Görüş alanının tüm genişliğini kaplayan yüksek çözünürlüklü pikseller ve renkler;
2. Görüş alanında sabit bir kare hızı sağlayın;
3. İki kamera bir 3D stereo görünüm oluşturabilir;
4. Emisyon kaynaklarının olmaması, diğer araçlardan kaynaklanan parazit olasılığını azaltır;
5. Olgun teknoloji ve düşük maliyet;
6. Sistem tarafından oluşturulan görüntüler, kullanıcıların anlaması ve etkileşime girmesi için kolaydır.
Kendi kendine giden bir arabada pasif bir kamera sensör kiti kullanılıyorsa, aracın etrafındaki çeşitli ortamları kapsaması gerekir. Bu, görüntüleri belirli zaman aralıklarında çeken döner bir kamera kullanarak veya yazılım aracılığıyla 4-6 kamera görüntüsünü birbirine dikerek elde edilebilir.
Ek olarak, bu sensörler 100 desibelden fazla yüksek dinamik aralık (sahnedeki vurguları ve gölgeleri görüntüleyebilme yeteneği) gerektirir ve çeşitli aydınlatma koşullarında çalışmasına ve farklı nesneleri ayırt etmesine olanak tanır.
Aktif sensör
Aktif sensörler bir sinyal iletim kaynağına sahiptir ve ortamı algılamak için TOF prensibine dayanır.ToF, sinyalin geri dönüşünü bekleyerek sinyalin kaynaktan hedefe yayılma süresini ölçebilir Sinyal frekansı, sistemin kullandığı enerjiyi ve doğruluğunu belirler. Bu nedenle, doğru dalga boyunun belirlenmesi, bir sistem seçiminde anahtar rol oynar.
Aktif sensör türleriyle ilgili olarak, rapor temel olarak aşağıdaki üç türü tanıtmaktadır:
Ultrasonik sensör : Sonar olarak da bilinir; ses navigasyon aralığı. Aktif sensörde, ses dalgası en düşük frekansa (en uzun dalga boyu) sahiptir, bu nedenle ses dalgasının bozulma olasılığı daha yüksektir, bu da ultrasonik sensörün yağmur ve toz gibi olumsuz çevresel koşullardan kolayca etkileneceği anlamına gelir. Ek olarak, diğer ses dalgalarının ürettiği parazit, sensörün performansını da etkileyecektir ve paraziti birden çok sensör kullanarak ve ek sensör türlerine güvenerek azaltmak gerekir.
radar: Menzil, esas olarak radyo dalgaları tarafından gerçekleştirilir. Radyo dalgaları ışık hızında hareket eder ve elektromanyetik spektrumdaki en düşük frekansa (en uzun dalga boyuna) sahiptir.Radyo dalgalarının yansıma özelliklerine bağlı olarak, radar sensörleri öndeki nesneler dışındaki şeyleri algılayabilir.
Bununla birlikte, radar sinyalleri, önemli ölçüde iletkenliğe sahip malzemeler (metal nesneler gibi) tarafından kolayca yansıtılır ve diğer radyo dalgası parazitleri de radarın performansını etkileyerek radar sensörünün nesneleri algılayamamasına neden olur. Tespit edilen hedefin şeklini belirlemede, radarın yeteneği lidar kadar iyi değildir.
Lidar: Işık darbeli lazerler şeklinde kullanılır. Lidar sensörü, saniyede 50.000-200.000 darbe hızında bir alanı kaplayabilir ve geri dönen sinyali bir 3B nokta bulutu halinde derleyebilir ve sürekli olarak algılanan nokta bulutu ile nesne arasındaki farkı karşılaştırarak hareketini algılayabilir ve böylece bir 250 oluşturabilir. Metre içinde 3B harita.
planlama
Otonom araçların sensör kiti ve mevcut haritaların yakaladığı orijinal verilere dayanarak, otonom sürüş sisteminin eşzamanlı konumlandırma ve haritalama algoritmaları aracılığıyla belirli bir çevre haritasını oluşturması ve güncellemesi, belirli konumunu izlemesi ve bir noktadan diğerine bir yol planlamaya başlaması gerekir. .
SLAM ve sensör füzyonu
SLAM karmaşık bir süreçtir çünkü konumlandırma bir harita gerektirir ve haritalama iyi bir konum tahmini gerektirir. Gerçek zamanlı konumlandırma ve harita yapımını daha doğru bir şekilde gerçekleştirmek için sensör füzyonu devreye girer.
Sensör birleştirme, bilgi iyileştirme elde etmek için birden çok sensör ve veritabanından gelen verileri birleştirme işlemidir. Veriler arasındaki bağlantıyı ve korelasyonu işleyebilen ve verileri birleştirebilen çok seviyeli bir süreçtir.Tek bir veri kaynağı kullanmaya kıyasla daha ucuz, daha kaliteli ve daha alakalı bilgiler elde edebilir.
Otonom araçların yapay zeka mimarisinde iki ana yöntem vardır:
1. Adım adım işlem yapın. Tüm sürüş süreci, algılama, konumlandırma, harita, rota navigasyonu ve hareket kontrolü gibi her adımı kendi özel yazılım bileşenleri tarafından işlenen bir dizi bağlı boru hattına katman katman ayrılmıştır.
2. Uçtan uca. Derin öğrenmeye dayalı bir çözüm, tüm bu işlevleri aynı anda ele alır.
Sensörlerin birleşmesi yoluyla, sürücüsüz arabalar veri elde eder, ancak sensör sinyallerinden yararlı bilgilerin nasıl çıkarılacağı ve mevcut bilgilere dayalı görevlerin nasıl gerçekleştirileceği, CNN, RNN, DRL gibi makine öğrenme algoritmalarının kullanılmasını gerektirir.
CNN (Evrişimli Sinir Ağı): Esas olarak görüntüleri ve mekansal bilgileri işlemek, ilgi çekici özellikleri çıkarmak ve ortamdaki nesneleri tanımlamak için kullanılır. Bu sinir ağları, evrişimli bir katmandan oluşur: görüntü öğelerini veya giriş verilerini etiketlemek için ayırt etmeye çalışan bir filtre koleksiyonu. Bu evrişimli katmanın çıktısı, görüntünün en iyi tanımını tahmin etmek için bunları birleştiren bir algoritmanın girdisidir. Son yazılım bileşeni, genellikle bir nesne sınıflandırıcı olarak adlandırılır, çünkü görüntüdeki bir yol işareti veya başka bir araba gibi nesneleri sınıflandırabilir.
RNN (Tekrarlayan Sinir Ağı): Esas olarak video bilgisini işlemek için kullanılır Bu ağlarda, önceki adımların çıktıları ağa girdi olarak kullanılacak ve bilgi ve bilginin ağda kalmasına ve bağlamsallaştırılmasına izin verecektir.
DRL (Derin Güçlendirmeli Öğrenme): DRL yöntemi, yazılım tanımlı "aracıların" ödül işlevlerini kullanarak sanal bir ortamda hedeflere ulaşmak için mümkün olan en iyi işlemi öğrenmesini sağlar. Bu hedef odaklı algoritmalar, bir hedefe nasıl ulaşılacağını veya birden çok adımda belirli bir boyut boyunca nasıl maksimize edileceğini öğrenecek. Şu anda, sürücüsüz araçlarda derin takviye öğrenme uygulaması henüz emekleme aşamasında.
Bu yöntemlerin tek başına var olması gerekmez. Aşırı uyumdan kaçınmak için, çok görevli eğitim ağları genellikle derin öğrenmede kullanılır. Bir makine öğrenimi algoritması belirli bir görev için eğitildiğinde, eğitildiği veriyi taklit etmeye o kadar odaklanır ki, enterpolasyon veya tahmin yapmaya çalışırken çıktısı gerçekçi olmaz.
Makine öğrenimi algoritmalarını birden çok görev üzerinde eğiterek, ağın çekirdeği, daha pratik ve kullanışlı uygulamalar üretmek için tek bir göreve odaklanmak yerine tüm amaçlar için yararlı olan ortak özellikleri keşfetmeye odaklanacaktır.
Sensörler ve bu algoritmalar tarafından sağlanan tüm verileri kullanarak, sürücüsüz arabalar etraftaki nesneleri algılayabilir. Sonra, bir yol bulması gerekiyor.
güzergah planı
Araç, çevredeki nesneleri ve konumlarını anladıktan sonra, aracın büyük ölçekli yolunu belirlemek için voronoi diyagramını (araç ile nesne arasındaki maksimum mesafe), doluluk ızgara algoritmasını veya sürüş koridoru algoritmasını kullanabilir. Ancak bu geleneksel yöntemler, araçların dinamik ortamlarda hareketini tatmin edemez.
Rapor, bazı otonom araçların ortamı algılamak için yalnızca makine öğrenimi algoritmalarına değil, aynı zamanda aracı kontrol etmek için bu verilere de güvendiğine dikkat çekti. Yol planlaması taklit öğrenme yoluyla CNN'e öğretilebilir Taklit öğrenmede CNN sürücünün davranışını taklit etmeye çalışır.
Normalde bu makine öğrenme yöntemleri, yolun sağlamlığını sağlamak için klasik hareket planlama ve yörünge optimizasyon yöntemleriyle birleştirilir. Ek olarak, başka amaçlar için (yakıt kullanımını azaltmak gibi), otomobil üreticisi de modeldeki en iyi yol referansını sağlayacaktır.
Aracın çalışması sırasında sinir ağı eğitimi ve çıkarımı çok büyük bir hesaplama gücü gerektirir.Aracın yeni verilere zamanında yanıt vermesi gerektiğinden, aracı çalıştırmak için gereken işlemin bir kısmının araç üzerinde gerçekleştirilmesi ve model iyileştirmesinin bulut üzerinde yapılabilmesi .
Şu anda, makine öğrenimindeki en son ilerleme, sürücüsüz arabaların sensörleri tarafından üretilen verileri etkili bir şekilde işlemek ve hesaplama maliyetlerini düşürmektir. Ek olarak, çip üretimi ve minyatürleştirmedeki gelişmeler, otonom araçlara kurulabilen bilgi işlem gücünü artırıyor. Ağ protokollerinin ilerlemesiyle, arabalar otonom çalışmalarına yardımcı olmak için düşük gecikmeli ağ tabanlı veri işlemeye güvenebilirler.
gerçekleştirillen
Peki araç nasıl davranıyor?
İnsan tahrikli bir arabada, aracın direksiyonu, freni veya sinyali genellikle sürücü tarafından kontrol edilir. Sürücüden gelen mekanik sinyal, elektronik kontrol ünitesi (ECU) tarafından bir sürüş komutuna dönüştürülür ve ardından arabadaki elektrikli veya hidrolik aktüatör tarafından yürütülür.
(Yarı-) otonom araçlarda, bu işlevin yerini doğrudan ECU ile iletişim kuran sürüş kontrol yazılımı almıştır. Bu yazılımlar aracın yapısını değiştirebilir ve parça sayısını azaltabilir; özellikle sürücüden gelen mekanik sinyalleri ECU için elektrik sinyallerine dönüştürmek için özel olarak kullanılan parçalar.
Kendi kendine giden otomobiller genellikle birden fazla ECU içerir.Genel araçlarda yaklaşık 15-20 ECU ve üst düzey modellerde 100 ECU vardır.
ECU, alınan giriş verilerini işlemek ve örneğin otomatik bir iletimi dönüştürmek için alt sistemlerinin çıkış komutlarına dönüştürmek için bağımsız bir mikro denetleyiciye ve belleğe sahip basit bir hesaplama birimidir.
Genel olarak, ECU aracın çalışmasını kontrol etmekten sorumlu olabilir, aynı zamanda güvenlik işlevleri, bilgi-eğlence ve dahili uygulamaların çalıştırılmasından da sorumlu olabilir. Dahası, çoğu ECU, algoritmaları çalıştırabilen ve sensör verilerini yerel olarak işleyebilen elektronik hidrolik direksiyon gibi tek bir uygulamayı destekler.
Zorluk 1: Sistem karmaşıklığı
Mühendislerin, sensör füzyonunu gerçekleştirmek ve kararları talimatlara göre hareket eden daha düşük seviyeli alt sistemlere eş zamanlı olarak dağıtmak için sistem için doğru elektronik mimariyi tasarlaması gerekir.Bu, gereksinimlerin ve karmaşıklığın artması için bir zorluk teşkil eder.
Teorik olarak, aşırı bir durumda, her sensör biriminin kendi ham verilerini işlediği ve ağdaki diğer düğümlerle iletişim kurduğu tamamen dağıtılmış bir mimari seçilebilir. Yelpazenin diğer ucunda, tüm uzaktan kumanda birimlerinin (RCU'lar) doğrudan tüm bilgileri toplayan ve sensör füzyon sürecini gerçekleştiren merkezi bir kontrol noktasına bağlandığı merkezi bir mimari vardır.
Ve bu aralığın ortasında, daha yüksek bir soyutlama düzeyinde çalışan merkezi bir birimi, özel sensör işlemenin yürütülmesiyle veya karar verme algoritmalarını yürüten bir alanla birleştiren karma bir çözüm var. Bu alanlar, aracın ön ve arka alanları, kontrol ettikleri işlev türleri veya kullandıkları sensör türleri (kameralar gibi) gibi aracın içindeki konuma bağlı olabilir.
Merkezi bir mimaride, farklı sensörlerden ölçülen değerler bağımsız miktarlardır ve diğer düğümlerden etkilenmez. Veriler, sensör füzyonu için mümkün olan en büyük bilgiyi sağlayan ve düşük bir gecikmeye sahip olan sistemin kenar düğümlerinde değiştirilmez veya filtrelenmez. Bu mimarinin zorluğu, büyük miktarda verinin merkezi birime iletilmesi ve burada işlenmesi gerektiğidir. Bu sadece güçlü bir merkezi bilgisayar gerektirmez, aynı zamanda yüksek bant genişliğine sahip ağır hizmet tipi bir kablo demeti gerektirir.
Dağıtık mimari, daha hafif elektrik sistemleriyle uygulanabilir, ancak daha karmaşıktır. Böyle bir mimaride, bant genişliği ve merkezi işlemeyle ilgili gereksinimler büyük ölçüde azalmış olsa da, sürüş ve algılama aşamaları arasında bir gecikme meydana getirir ve veri doğrulama zorluğunu artırır.
Zorluk 2: Güç, ısı, ağırlık ve boyutta artış
Otomasyon, sistemin karmaşıklığını artırmanın yanı sıra güç tüketimini, termal ayak izini, ağırlığını ve araç bileşenlerinin boyutunu da artırır. Mimarinin dağıtılmış veya merkezileştirilmiş olup olmadığına bakılmaksızın, otoon-omous sistemin güç tüketimi gereksinimleri çok büyüktür ve bunların arasında, ana itici faktör rekabetçi taleptir.
Tam otomatik arabalara yönelik rekabetçi talep, şu anda üretilen en gelişmiş arabalardan neredeyse 100 kat daha fazladır. Tamamen elektrikli araçlar için, sürüş menzili, bu güç talebinin olumsuz etkilerine karşı hassastır. Bu nedenle, Waymo ve Ford gibi şirketler hibrit araçlara odaklanmayı seçerken, Uber tamamen benzinli SUV'lar kullanıyor. Bununla birlikte, uzmanlar, içten yanmalı motorun yerleşik bilgisayar için elektrik üretmede verimsiz olması nedeniyle, eninde sonunda tamamen elektriğin tercih edilen güç sistemi haline geleceğine dikkat çekti.
Artan işlem talebi ve daha yüksek güç verimi sistemi ısıtacaktır, ancak elektronik bileşenlerin normal ve güvenilir bir şekilde çalışması için, aracın dış koşullarına bakılmaksızın, elektronik bileşenlerin bir soğutma sisteminin varlığını gerektiren belirli bir sıcaklık aralığında tutulması gerekir. . Ancak soğutma sistemi, özellikle sıvı soğutma olmak üzere aracın ağırlığını ve boyutunu daha da artırmaktadır. Ek olarak, ek bileşenler, ek kablolama ve termal yönetim sistemleri de aracın herhangi bir parçasının ağırlığı, boyutu ve termal performansı üzerinde baskı oluşturacaktır.
Buna yanıt olarak, otomatik tahrik bileşenlerinin tedarikçileri, LIDAR'lar gibi büyük bileşenlerin ağırlığını azaltmaktan yarı iletkenler gibi mikro bileşenler oluşturmaya kadar ürünlerini değiştiriyor. Aynı zamanda, yarı iletken şirketler daha küçük ayak izine, daha iyi termal performansa ve daha az parazite sahip bileşenler üretiyor ve MOSFET'ler, çift kutuplu transistörler, diyotlar ve entegre devreler gibi çeşitli silikon bileşenler geliştiriyorlar.
Sadece bu değil, endüstri aynı zamanda yeni malzemeler olan galyum nitrür (GaN) kullanımını da düşünüyor. Silisyumla karşılaştırıldığında galyum nitrür, elektronları daha etkili bir şekilde iletebilir, bu da belirli bir direnç ve bozulma voltajına sahip daha küçük cihazlar üretebilir.
Tamamen kendi kendini süren bir araba, şimdiye kadar geliştirilmiş herhangi bir yazılım platformu veya işletim sisteminden daha fazla kod içerebilir.Tüm algoritmaları ve süreçleri kendi başına idare etmek, önemli bir hesaplama gücü ve güçlü işlem gerektirir. Şu anda, GPU hızlandırılmış işleme endüstri standardı haline geliyor.
GPU alanında, Nvidia pazar lideridir. Nvidia'nın rekabeti esas olarak, derin öğrenme algoritmasının çekirdeği olan tensör işlemini hızlandıran tensör işleme biriminin (TPU) yonga tasarımına odaklanıyor. Ek olarak, grafik işleme için GPU'ların kullanılması, derin öğrenme algoritmalarının çipin yeteneklerinden tam olarak yararlanmasını da engeller.
Araç otomasyon seviyesinin iyileştirilmesi ile araçların yazılım formunda önemli değişikliklerin olacağı görülebilmektedir. Ek olarak, aracın daha fazla özerkliği, kullanıcıların araçla etkileşim biçimini de etkileyecektir.
Leifeng.com'dan not: Makaleler ve resimlerin tümü "2020 Otonom Sürüş Teknik Raporu" Leifeng.com Leifeng.com'dan alınmıştır.
