Беспилотный автомобиль требует более точного позиционирования
В отрасли внедряются инновации в области картографических технологий ГНСС, IMU и HD, но требуются дополнительные разработки более производительных и недорогих приложений, которые обеспечивают мгновенное и чрезвычайно точное позиционирование на уровне сантиметра или ещё лучшее для навигации на уровне полосы движения.
Усовершенствованные системы помощи при вождении (ADAS) и технология автономных транспортных средств (AV) более высокого уровня потребуют объединения данных от всё более сложных наборов датчиков, а также информации об абсолютном местоположении для безопасной работы. Усовершенствования датчиков, таких как Lidar, камера и радар, получили в последнее время львиную долю внимания средств массовой информации, тогда как это скорее технология более точного позиционирования с помощью ГНСС, инерциальных измерительных блоков (IMU) и картографических модулей высокой чёткости (HD) является ключевым элементом в обеспечении более высоких уровней автономии.
Хотя многие транспортные средства уже зависят от ГНСС, функциональность может быть нарушена, когда спутниковый сигнал неясен. Например, в городских каньонах, где высокие здания загораживают сигнал, он может быть неточным или медленным для достижения автомобиля. В других районах приём может быть не очень сильным или на него могут влиять такие факторы, как плохая погода.
Поскольку передовые системы помощи водителю продолжают развиваться, эти проблемы позиционирования должны быть преодолены. В конце концов, чтобы даже более высокие уровни автоматизированных систем вождения могли безопасно перемещать автомобиль по автомагистралям и объезжать препятствия, им потребуется мгновенное и чрезвычайно точное позиционирование — на уровне сантиметра или лучше для навигации на уровне полосы движения.
Большая часть усилий индустрии позиционирования направлена на повышение точности стандартного сигнала ГНСС. Допустимая погрешность (до 762 см) не подходит для транспортных средств, которым требуется более точная абсолютная информация для поддержания позиционирования на уровне полосы движения.
Есть примеры успехов в достижении большей точности. Например, в 2017 году компании «Тримбл» (Trimble) и «Дженерал Моторс» (General Motors, GM) начали совместную работу по разработке способа поддержания позиционирования в полосе движения для GM Super Cruise, системы помощи водителю без помощи рук. Технология, обеспечивающая точность более 3,8 см, позволяет автомобилю сохранять своё положение в полосе движения в различных условиях, включая ненастную погоду, такую как дождь, снег и туман. Такие условия часто бросают вызов другим датчикам в наборе технологий ADAS/AV транспортного средства.
Ещё одним ключевым сенсорным компонентом для автоматизированного вождения является IMU, который измеряет силу, угловую скорость, а иногда и ориентацию объекта, используя комбинацию акселерометров, гироскопов, а иногда и магнитометров. Он играет важную роль в процессе объединения датчиков, добавляя дополнительный уровень избыточности.
Примером того, как эта технология может принести пользу автоматизированному вождению, стало недавнее сотрудничество «Панасоника» (Panasonic Industry) и «Сенсибл 4» (Sensible 4) по разработке нового IMU. Партнёры создали совместный тестовый проект с использованием программного обеспечения для автономного вождения.
IMU используется для исправления облака точек и, таким образом, влияет на точность данных Lidar. Партнёры проводят тестирование шестиосевого датчика. По результатам испытаний, средняя боковая ошибка в 7,9 см при тестировании соответствует требованиям для автоматизированного вождения уровня 4. Разработчики считают, что они решили одну из главных проблем автономного вождения — переменчивую погоду. Технология сочетает в себе программное обеспечение и информацию от нескольких датчиков, что позволяет транспортным средствам работать в погодных условиях, включая снег и туман.
Компания «Асеинна» (Aceinna) пытается вывести точное позиционирование на новый уровень с помощью открытых инерциальных сенсорных систем на основе МЭМС, которые обеспечивают более высокую точность при меньших затратах, позволяя создавать простые в использовании навигационные системы с точностью до сантиметра. Семейство её сенсоров основано на анизотропной магниторезистивной (AMR) технологии, которая обеспечивает лучшую точность, полосу пропускания и переходную характеристику в экономичном форм-факторе с одним чипом.
Команда картографической компании «Хиа Технолоджиз» (Here Technologies) считает, что у них есть идеальное решение для позиционирования в городских каньонах, в плохую погоду и в районах, где вообще может не быть сильного приёма ГНСС. Её предложение HD GNSS Positioning сочетает в себе использование спутниковых сигналов ГНСС с визуальной информацией от датчиков и цифровых карт через электронный горизонт, чтобы помочь в точном позиционировании транспортных средств независимо от окружающей среды. С автомобильными приёмниками и приёмниками корпоративного класса решение может достигать точности в пределах 10-20 см по всему миру.
Компания «Энвидиа» (Nvidia), занимающаяся микрочипами и искусственным интеллектом, вышла на рынок локализации с мультимодальным картографическим механизмом, нацеленным на ускорение развёртывания автономии уровней 3 и 4. Картографическая платформа сочетает в себе наземные и картографические движки для достижения точности и масштаба. Являясь частью комплексной среды разработки AV Drive, она служит базовым набором данных для маркировки, обучения, проверки и реконструкции трёхмерной среды для моделирования.
Карта диска содержит несколько уровней локализации данных с камеры, радара и датчиков Lidar, так что AI-водитель может независимо локализовать каждый слой карты, обеспечивая разнообразие и избыточность, необходимые для высочайшего уровня автономии.
Слой локализации камеры состоит из атрибутов карты, таких как разделители полос, дорожная разметка, границы дорог, светофоры, знаки и столбы.
Слой радиолокационной локализации представляет собой совокупное облако точек радиолокационных сигналов, которое помогает при плохом освещении и плохих погодных условиях. Локализация с помощью радара также полезна в пригородных районах, где типичные атрибуты карты недоступны, что позволяет AI-водителю выполнять локализацию на основе окружающих объектов, которые генерируют отражение радара.
Воксельный слой Lidar обеспечивает построение трёхмерного представления окружающей среды с разрешением 5 см – точность, которую невозможно достичь с помощью камер и радаров.
Механизм краудсорсинга на основе AI собирает обновления карт с миллионов автомобилей, постоянно загружая новые данные в облако по мере движения транспортных средств. Данные объединяются и используются для обновления карты.
Подписывайтесь на журнал «Вестник ГЛОНАСС» и навигационный Telegram-канал