Smart Traveler CTO Ayrıntılı Açıklama: İnsansız Dağıtım Lojistik Araçlarının Arkasındaki Zorluklar ve Anahtar Teknolojiler
Leifeng.com'un notu: Zhixingzhe Technology CTO'su Dr. Wang Xiao'nun Auto Innovation Harbor Mikro Sınıfında paylaşılması, Leifeng.com'u düzenleme ve yayınlama yetkisi verdi.
Wang Xiao, Tsinghua Üniversitesi Otomotiv Mühendisliği Bölümü'nde Ph.D., Beijing Zhixingzhe Technology CTO'su. Çekirdek personel olarak katıldı ve 2012, 2014 ve 2015 China Smart Car Future Challenge Şampiyonalarını kazandı, otomobil endüstrisi bilim ve teknoloji ilerlemesinde birincilik ödülünü, askeri bilim ve teknoloji ilerleme ödülünü ve diğer ödülleri kazandı ve Çin'in akıllı ağ bağlantılı araç teknolojisi yol haritasının hazırlanmasına katıldı. .
Bu makalenin içeriği temel olarak aşağıdaki üç noktayı içermektedir:
-
Tercih edilen iniş sahnesi olarak neden insansız lojistiği seçmelisiniz;
-
Wobita-insansız lojistik araç entegre çözümü;
-
AVOS tasarım fikirleri ve anahtar teknoloji tanıtımı.
Zhixingzhe aslında çok genç bir şirket.Çoğunlukla Tsinghua Üniversitesi Otomobil Bölümü'nden Profesör Li Keqiang'ın laboratuvarında çekirdek ekip üyeleri uzun süredir akıllı araba araştırmaları yapıyorlar.
Zhixingzhe Haziran 2015'te kuruldu ve sadece iki yıl içinde çok fazla iş başardık.
2016 Pekin Otomobil Fuarı'nın arifesinde Changan Automobile, Chongqing'den Pekin'e kadar 2000 kilometrelik otonom sürüş testi sırasında bazı kentsel alanlarda otonom sürüş araştırma çalışmasına katıldı. Ayrıca, BAIC tarafından başlatılan otonom sürüş testi sürüşlerinin gösterimi için birçok ilgili çalışma yaptık.
Bu iki proje Pekin Otomobil Fuarı'nda büyük tepkiler aldı. Ekim 2016'da Hangzhou'daki Alibaba Bulut Konferansı'na katıldık ve Çin'de ilk kez düşük hızlı, kendi kendine giden bir gezi otomobili lanse ettik. 7 günde yaklaşık 2.000 yolcu aldık. Tüm gösteri süreci çok sorunsuz geçti. Çok yüksek.
Kapalı alanlarda otonom sürüşe ek olarak 2016 yılı sonunda yüksek hızlı otonom sürüş eğitimine başlamaya başladık, yani her çeyrekte bir uzun mesafe eğitimi olarak bir rota seçeceğiz.
Geçen yıl Kasım ayında, esas olarak algoritmamızı ulusal otoyolda test etmek için Pekin'den Beidaihe'ye beş günlük bir ileri geri eğitim testi yaptık. Otomobilde, sürücünün her an müdahale edebilmesi, acil durum düğmesi vb. Gibi çok kapsamlı güvenlik önlemleri bulunuyor.
2017'ye girdikten sonra, bir yıldan fazla süren ekip eğitimi, teknik birikim ve otonom sürüş pazarına ilişkin genel yargımızın ardından, tercih edilen iniş sahnesi olarak "düşük hızlı lojistiği" seçtik.
Otonom sürüşün önündeki `` üstünlük ''
* "Dört Adım" Stratejisi
Daha moda olan bir cümleyi yeniden yazdım: "Otonom sürüş sadece şiir ve mesafe değil, aynı zamanda önünüzde bir inatçılık var." Ancak, bu tırnak işareti tırnak işaretleri için kullanılıyor. Söylemek istediğim şey, Smart Traveller'ın genlerinin aslında tamamen teknoloji odaklı bir şirket değil, özerk, ürün odaklı bir şirket olduğu.
Zhixingzhe özellikle ürünleri kullanıcı ihtiyaçlarına göre tanımlayacaktır. Kullanıcı ihtiyaçları arasında maliyet, işlevler vb. Yer alır. Tüm sorunları çözmek için tek bir kamera kullanan akademik tür fikirlerin peşinden gitmek yerine, ürünleştirme için en olgun ve makul teknik çözümleri seçeriz. Bu aynı zamanda bazı yapay zeka şirketleri ile aramızdaki en büyük fark ... Sadece algoritmalar değil ürünler yapıyoruz.
Yukarıdaki resim bizim "dört adımlı" stratejimizdir Açıklanması gerekir: SCR ve GCR kısaltmaları Zhixing'in dahili isimleridir ve resmi ifadeleri temsil etmez.
Özetle, stratejimiz basitten karmaşığa uzanıyor. Açıkça söylemek gerekirse, önce midelerimizi doldurmalıyız ve iyi bir temel oluşturmalıyız, ancak o zaman gerçekten otonom sürüşe ait olan şiir ve mesafeyi karşılama gücüne sahip olacağız. Aksi takdirde, bir startup şirketi için mevcut hedef çok hırslıysa, şiir gününü ve mesafeyi atlatamayabilir.
2016 yılında, BAIC ve Changan gibi OEM'ler için çok sayıda tanıtım projesi yaptık ve hepimiz gönülden katıldık, bu nedenle ekip çok fazla deneyim ve kaynak biriktirdi. 2017'de, düşük hızlı otomatik sürüşe odaklanacağız ve bunu sadece bir gösteri değil, bir ürünün yüksekliğine yükselteceğiz.
Normal araçlarımızda olduğu gibi, otonom sürüşün bir gecede gerçekleştirilebilecek verileri öğrenmek bir yana, gelişmiş yöntemlerin nasıl kullanıldığı ile ilgili olmadığına kesinlikle inanıyoruz. Nispeten basit görünen bir ürünü gerçekten yapmak için büyük sabırlı ve sayısız başarısız uygulayıcılar gerektirir.
Düşüncemiz, yalnızca belirli mekanlarda otonom sürüş konusunda iyi bir iş yaparak, deneyim ve veri biriktirerek ve temel becerileri uygulayarak, şehir içi ve yüksek hızlı otonom sürüş ürünlerini denemek için kalifiye olabilir miyizdir. Aksi takdirde biraz dikkatsizlik büyük bir trafik kazasına neden olabilir, bu şekilde araba üretiyoruz ve cep telefonları farklı. Arabalar, yolcuların hayatlarının güvenliği ile ilgilidir, çarptığında telefonu yeniden başlatmak kadar basit değil.
İnsansız dağıtım lojistik aracı: neden mevcut en iyi iniş sahnesi
Giriş olarak düşük hızlı sahneleri tercih ediyoruz, aslında düşük hızda hepsi düşük hızlı araçlar olan düşük hızlı süpürücüler, düşük hızlı manzaralı gezi araçları ve park banliyö araçları gibi birçoğu da var.
Mevcut otonom sürüşün uygulanması için iki temel gösterge olduğuna inanıyoruz.Vurgulanması gereken, 10 veya 20 yıl yerine "şu anda uygulanması gerekiyor" Bu iki gösterge şunlardır: gerçek katı talep ve öngörülebilir güvenlik riskleri.
Gerçek sadece ihtiyaç süreci, mevcut otonom sürüşün toplumun ve müşterilerin ihtiyaç duyduğu şey olup olmadığını ifade eder. Buradaki ürünler müşteriler tarafından satın alınır ve gösteriler veya yarışmalar için değil kar elde etmeleri gerekir. Bence, gerçekte katılık derecesi kontrol edilemezse, bu para için bir kayıp olabilir.
Örneğin bir çok yarışma ve gösteriye katıldık, çok canlı, medya değerlendirmesi çok yüksek ama aslında sonunda kimse size ödeme yapmıyor, yani sonunda aslında bir gösteri.
Öngörülebilir güvenlik riski, bazı çok aşırı, işlevsel arıza durumlarında ne kadar ciddi bir güvenlik kazasına neden olacağımızla ilgilidir.
Örneğin, haber bültenlerinde, fren arızası nedeniyle büyük bir kargo kamyonu düştü ve insanları öldürdü. Aynı şekilde algoritmalar veya ürünler yaparken de dikkatlice düşünmeliyiz: Şu anda en ileri teknolojiyi kullansak bile, bin veya on bin ürünle seri üretildiğimizi söylesek trafik kazası olma olasılığımız ne kadar? ? Bu, ürün yaparken dikkate almamız gereken bir şeydir.
Düşük hızlı yüklerin mevcut sosyal ihtiyaçlar ve teknolojik seviye açısından en avantajlı olduğuna inanıyoruz.
Otopilota yönelik herhangi bir sosyal talep var mı? Veri analizimize dayanarak, bu iki resim toplu olarak Çin'in e-ticaretinin mevcut refahını ve tüketicilere sağladığı rahatlığı yansıtıyor.Aslında, büyük ölçüde büyük işçilik maliyetlerine dayanıyorlar.
2015'te Çin'in lojistiği GSYİH'nın% 18'ini oluşturuyordu, ancak Amerika Birleşik Devletleri bizimkinin yalnızca yarısına veya daha azına sahip olabilir. Benzer şekilde, hızlı teslimat sektörü de gelecekte zirveye ulaşmış değil.
İlgili veri tahminlerine göre önümüzdeki 3-4 yıl içinde iki katına çıkabilir. Düşünün, önümüzdeki 10 veya 20 yıllık nüfus düşüşünde, böylesine büyük ölçekli bir dağıtım yöntemi sürdürülmeye devam edebilir mi?
Kurye maaşlarının artmasıyla, e-ticaretin temel rekabet gücü nerede? Sadece emek yoğun bir sektörse, bunun uzun vadeli bir çözüm olmadığına inanıyorum. Bu kadar büyük bir endüstri olduğu için, temel rekabet güçlerini gerçekten geliştirmek için maliyeti düşürmeliyiz.
Yukarıdaki veriler, Çin'in lojistik endüstrisindeki en maliyetli bağlantının kamyon şoförleri ve depo yönetimi değil, son kilometrede ön saf kuryeler olduğunu gösteriyor.
Şekilden de anlaşılacağı gibi, 2016 yılında birinci sınıf kuryeler, kuryeyle ilgili tüm pratisyenlerin yarısından fazlasını oluşturuyor. Bu açıdan bakıldığında, cephe kuryeleri insansızsa, ekonomik faydaları kesinlikle önemli ölçüde artacaktır.
Aynı zamanda, başka bir sosyal etki perspektifinden bakıldığında, insan gücüyle çalışan elektrikli üç tekerlekli teslimat yöntemlerinin sayısının artması nedeniyle, üç tekerlekli bisikletlerin kendileri çok hızlı seyahat etmekte ve çoğu zaman trafik kurallarına uymamaktadır ve hatta retrograd gibi problemler yaşamaktadır.
Bu nedenle, son milin insansız kapsamlı faydalarının sadece ekonomik bir fayda değil, çok önemli olması gerektiğini kapsamlı bir şekilde düşünüyoruz.
Parktaki insansız dağıtım lojistiği araçlarının zorlukları
Bazı insanlar, düşük hızlı yükleri seçtiğimizde teknik bir eşiğin olmadığını düşünebilir. Yukarıdaki resim, Tsinghua Üniversitesi'nin saha operasyonu sırasında karşılaştığımız çok tipik bazı sorunları göstermektedir.
İlk sorun RTK, yani diferansiyel GPS temelde başarısız oluyor. Her iki tarafta da çok fazla ağaç olduğu için, bu bizim lazer konumlandırma veya görsel konumlandırma için çok yüksek gereksinimler getirir.
İkinci olarak, parkta hedef trafik davranışı çok karmaşıktır. Örneğin, yolda sürüş yapan birçok bisiklet ve elektrikli araç vardır ve önceden herhangi bir özelliği olmayabilir ve doğrudan müdahale etmek için herhangi bir hareket veya benzeri yoktur. Kendi kendine giden otomobiller için çok doğru hedef davranış ve yörünge tahmini yapmamız gerekiyor, aksi takdirde aracın sert fren yapmasına veya çarpışma kazasına neden olur.
Üçüncüsü, parktaki trafik düzeni üzerinde temelde hiçbir kısıtlama yoktur. Örneğin, retrograd gibi sahneler veya yolun ortasında duran ve fotoğraf çeken insanlar normal olmalıdır. Bu senaryoda, takımın karşı karşıya olduğu çok ciddi bir sorun olan yasa ve yönetmelikleri geçirmenin bir yolu yok.
Dördüncüsü, sürüş yolunda çok sayıda ani ve kaza sonucu kaza meydana gelecektir.Örneğin, insansız lojistik araç, sürüşün ortasında düzensiz bir şekilde park edilmiş bir araç tarafından aniden bloke edilir. Şu anda, lojistik aracın sadece rotayı yeniden planlaması değil, aynı zamanda Aynı zamanda, dönme ve geri dönme gibi çok karmaşık işlemleri de içerebilir.
Yukarıdaki senaryo algoritmalarının karmaşıklığı, aslında yüksek hızlı otomatik sürüşten çok daha fazladır. Yüksek hızda otomatik sürüşün çok basit olduğunu söylemediğimi vurgulamak gerekir.Farklı noktalara odaklanabilir.Yüksek hızlı otomatik sürüş algoritması çok basit olabilir ancak algılama algoritmaları gibi her fonksiyonun çok güvenilir olmasını gerektirir.
Ne yazık ki, şu anda test ettiğimiz birkaç senaryoda, normal bir durum olmalı ve bazı senaryolar bundan çok daha karmaşık.
Son mil lojistik ürün çözümü
Son kilometre lojistik ürün çözümü olarak güvenlik temel gereksinimimizdir.
Wobita ürünü, geçen yıl Kasım ayında dahili olarak kuruldu ve 2.0 sürümüne yinelendi. 1.0 sürümünde yaklaşık yarım yıllık bir araştırmadan sonra, birçok sorun birikti. Sürüm 2.0 şu anda işlevler ve tanımlar açısından nispeten eksiksizdir.
Bu yılın Temmuz ayında, yaklaşık 10 küçük parti prototipini fiili operasyona sokmayı planlıyoruz. Yılın ikinci yarısında sürekli iyileştirmenin ardından ve ortaklarımızın güçlü promosyonları ile bu yıl sonuna kadar küçük parti operasyonlarında 100 birime ulaşmayı umuyoruz.
100 birimin sembolik sayıda istikrarlı ve olgun ürün olduğuna inanıyoruz .. Şimdi bir birimden 100 birime geliştirme zorluğu, 100 birimden 10.000 birime geliştirmekten çok daha büyük.
Şasi ve aktüatörün tasarımında, pratiklik ve güvenilirlik konularını tamamen dikkate alıyoruz.
Hazır oyuncak arabaların şasi modifikasyonunu kullanmak yerine, performansı artırmak için otomotiv sınıfı elektronik olarak kontrol edilen şasi aktüatörleri, piller vb. Kullanıyoruz. Pizza dağıtan bazı yabancı sürücüsüz otomobillerle karşılaştırıldığında, temel farkımız onu gerçekten bir oyuncaktan çok bir araba olarak görmemizdir.
Örneğin, pratikliğini tam olarak düşünmeliyiz, Chongqing'de tırmanma gibi konuları dikkate almalıyız. Daha fazla mal teslim etmek istiyorsak, kilometresini artırmak için büyük kapasiteli piller kullanmalıyız. Şu anda arabamız 70 kilometre koşabiliyor yani tam bir gün koşabiliyor.
En kritik sensör ve bilgi işlem biriminin seçiminde, aşağıdakileri tamamen dikkate alıyoruz: Seri üretim yapıyorsanız, maliyeti, teslimat döngüsünü, satış hizmetini vb. Dikkate almalıyız.
Bu nedenle, daha sonra sorunsuz seri üretimimizi sağlamak için en başından beri yerli çözümlere dayandık. Örneğin, çekirdek lazer radarı, GPS ve kamera vb. Hepimiz en iyi yerli tedarikçi kaynaklarına sahibiz.
Bilgi işlem biriminde, önceki NVIDIA TX serisi çözümden yerel FPGA çözümüne kademeli olarak geçiş yaptık. Hesaplama biriminde, geleneksel CPU işlemlerini ARM + FPGA + MCU kombinasyonu ile uygulayabiliriz ve ayrıca daha sonra derin öğrenme için genişletilebiliriz.
Elbette, araçların ve sensörlerin donanımı Wobita için çok önemli bir temeldir, ancak gerçek ruhu, Smart Traveller'ın Otonom Sürüş Geliştirme Sisteminin yazılım mimarisidir.
Platform, sistem ve anahtar teknolojinin dört yönünü özetliyoruz.Aslında, esas olarak aşağıdaki dört modülü içerir:
-
AVDC, veri, toplama ve etiketleme platformu;
-
AVSIM, simülasyon platformu;
-
Otonom sürüş için işletim sistemi olan AVOS;
-
AVTA, otomatik sürüş algoritması test ve değerlendirme sistemi.
AVOS tasarım fikirleri ve temel teknoloji tanıtımı
Zaman kısıtlamaları nedeniyle, aşağıda AVOS'u ve temel teknolojilerini kısaca tanıtacağım.
AVOS basit havadan icat edilmedi, tamamen taklit edilmedi, önceki proje gösteriminden keşfettiğimiz bir şey. İşlev açısından, çözdüğü ana sorun, algoritmamızın ve işimizin işlevidir: tamamen yüksek uyum ve düşük bağlantı.
Yüksek uyum ve düşük bağlantı, bir yazılım mühendisliği terimidir. Algoritma ve işin işlevlere, birbirine bağlı ve çok sıkı bir şekilde yüksek oranda bağımlı olduğu anlamına gelir. Bu, birden fazla ve bir eksik sorunu değil, kodda yeterli bağlantıdır. , Yüksek derecede bağımlı olamaz.
AVOS çerçevesine dayanarak, çeşitli işletmelerle tam olarak başa çıkabiliriz.
Örneğin, yüksek hızlı otonom araçlar, süpürücüler, lojistik araçlar vb. Yapmak istiyoruz. Eğer bu dikkate alınmazsa, sözde süpürücü versiyonları, lojistik araçlar, binek arabalar ve büyük kamyonlar olacaktır. Sonraki dönemdeki en büyük sorun, bakımının zor olması ve kod yönetiminin çok dağınık olmasıdır.
Bu nedenle, AVOS'un iç mimarisinde çerçeve olarak ROS kullanıyoruz.Bu esas olarak kullanıcılarımız içindir, eğer kendini geliştirmek istiyorsa, ROS kullanmak daha uygun olacaktır.
Gerçek çekirdek katmanımız hala yalnızca KERNEL katmanındadır - çok saf bir otonom sürüş algoritmasından sorumludur. Bu algoritma yapısı sisteminde hiçbir iş fonksiyonu yoktur.
Örneğin, KERNEL katında, araca nereye binileceği veya malların nereye teslim edileceği sözde park yeri yoktur. Bunun iş katmanına ait olduğunu düşünüyoruz ve yalnızca otonom sürüş algoritmaları üzerinde saf araştırma yapıyoruz.
AVOS tasarımı şu üç anahtar kelimeye sahiptir: platformdan bağımsız, işlevsel soyutlama ve bilişsel sanallaştırma.
Platformun yapacak hiçbir şeyi yok. Buradaki "platform" sadece araç donanımı veya sensörler değil, aynı zamanda ulaşmak istediğimiz iki nokta olan görevler: araç katmanı, sensör ve donanım uyarlaması. Bir araba değiştirdikten sonra kodumuzun hala ihtiyaç duyduğu söylenemez. Değiştirmek için uyarlamamız gerekir; görev katmanı, aptalca operasyonlarımızı kolaylaştırmak için bir AVOS Managenent aracı geliştirdiğimiz anlamına gelir.
Fonksiyon soyuttur Buradaki fonksiyon trafik fonksiyonunu ve işletme fonksiyonunu içerir. Taşıma fonksiyonunun ulaşım özellikleri vardır; iş fonksiyonu, sporun yanı sıra aracın aslında araç niteliğine sahip olmasıdır.Örneğin süpürücü yeri süpürür.Lojistiğin hareketine ek olarak bir teslimat aracıdır.Aslında işletme fonksiyonları olan bir araçtır. .
AVOS, otonom sürüş için trafik ve iş işlevlerini algoritmik işlevler halinde birleştirir ve soyutlar. Örneğin AVOS'ta trafik ışığı kavramı yoktur.
Yaklaşımımız trafik ışığını durma çizgisinin önünde aşılmaz bir engel olarak soyutlamaktır.Bu şekilde otomatik sürüş algoritması belirlenen yerde otomatik olarak durabilir.
Benzer şekilde, AVOS'ta bir iş katmanı yoktur ve teslimat mağazası veya yolcu mağazası kavramı yoktur ve oldukça soyutlanacaktır.
Örneğin, tüm yolcuların aşağı inmesine izin vermek için B noktasında 5 saniye durmak istiyorum Bu, iş katmanının bir açıklamasıdır. Bu iş katmanlarının açıklamasını AVOSKERNEL'in anlayabileceği bir dile çevirdik.
Basit bir açıklama, örneğin, kullanıcının yolcu seviyesi noktasında sanal bir engel koymasıyla aşılamaz ve araç da burada durmalıdır. Daha sonra bu aşılmaz engel 5 saniye tutulabilir ve 5 saniye sonra otomatik olarak kaybolur.
Açıklamam nispeten basit, ancak modelde basit değil. Bu işin açıklamasını işlevin açıklamasına dönüştürerek, AVOSKERNEL'de herhangi bir iş olmaksızın işlevin açıklamasına eşdeğeriz.
Sonuncusu, sahne algısı ve durumsal biliş dahil olmak üzere bilişsel sanallaştırmadır.
Sahne algısı, engellerin konumunu ve hızını vb. Hesaplamak gibi bir algoritmadır. Ancak insanlar çevreleyen engellerin davranışını ve gelecekteki yörüngesini anladığında, kesinlikle önceki ve sonraki ikisini karşılaştırmıyoruz.
Aslında, durumsal kavrayışa ulaşmak için, sürekli bir zaman ve uzay varlığının etkileşimli etkisini tanımlamamız gerekir. Burada çok karmaşık modeller söz konusudur.
AVOS anahtar teknolojisi: yüksek hassasiyetli haritalama ve konumlandırma
İki çok detaylı temel teknolojimizi kısaca tanıtın, ilki yüksek hassasiyetli harita yapımı ve konumlandırmadır.
Parktaki Wobita prototipinin gerçek durumu bu, parkın oldukça karmaşık olduğunu görebiliyoruz.
Yolda çok fazla yaya bulunmamasına rağmen etrafındaki çiçekleri ve bitkileri görebilirsiniz.Duvara çok yakın bir yere yürüdüğünde RTK tamamen başarısız olmuştur.Bu durumda lazer radar hassas konumlandırma için kullanılır.
Bu videonun ikinci yarısı, algoritmamızın konumlandırma etkisini göstermektedir. Burada sadece lidar konumlandırma değil, aynı zamanda çok ucuz bir atalet navigasyonu, tekerlek hız göstergesi ve füzyon konumlandırma için RTK var. RTK arızalandığında aracın çok stabil olduğunu ve kayma veya titreme olmadığını gördük.
AVOS anahtar teknolojisi: hedef davranış ve hareket yörüngesi tahmini
İkinci anahtar teknoloji, hedef davranış ve hareket yörüngesinin tahminidir.
Akademik araştırmada, tabii ki derin öğrenme yoluyla da elde edilebilecek birçok davranış tahmin yöntemi vardır. Ama aslında, ürün yaparken şunu dikkate almalıyız: Çok hassas konumlandırmaya yardımcı olmak için mümkün olduğunca tüm mühendislik yöntemlerini ve ön bilgileri kullanmalıyız.
Bu videoda yüksek hassasiyetli bir harita var. Kırmızı araç, kendi kendine giden aracımız ve yeşil yörünge, hedef davranış tarafından tahmin edilen araç. Referans için sol alt köşede bir video var.
Haritada lacivert çizgi otonom aracın mutlak referans yörüngesidir.Şirketin yakınında dört kilometrekarelik bir alana sahip yüksek hassasiyetli bir harita çizdik ve üzerine binalar, çitler vb. İşaretledik.
Araç davranışının tahminine dönersek, dört veya beş nokta, örneğin, bir aracın dört veya beş dakikada gideceği küresel bir yol konumunu temsil eder.
Videoda arabanın başta sola dönme eğilimi olduğunu, sağdan sola kesildiğini, ardından arabanın şeridini sıfırladığını ve sonunda sağ şeride döndüğünü görebiliyoruz.
Davranış tahminlerimiz daha doğru tahmin edilebilir. Bu davranış tahminiyle, diğer modelleri oluştururken çok doğru olabiliriz.
Videonun ikinci yarısında ise kavşakta bir araba sağa döndüğünde öndeki araç da sağa dönüyor. Durmadan başlıyoruz, çünkü öndeki aracın hızı olmadığında bunu tahmin edemiyoruz. Hıza ulaştığında, sağa dönüşünün yörüngesini de doğru bir şekilde tahmin edebiliriz ve sonra hareketi bu yörüngeye göre planlayabiliriz.
