Почти сто лет, с 30-х годов прошлого века, инженеры пытаются автоматизировать управление автомобилем. Компания General Motors билась над этой задачей годами и в итоге все-таки подарила нам систему автоматического поддержания скорости, известную сейчас как круиз-контроль. Впервые она была продемонстрирована на концепт-каре Firebird II.

Первые опыты

В 90-х на ниве автоматизации вождения отметилась Daimler-Benz со своим проектом Eureka PROMETHEUS (Program for European Traffic with Highest Efficiency and Unprecedented Safety). Восемь лет работы и 749 млн евро инвестиций позволили компании создать автомобиль на базе Mercedes S600. 

В 1994 году он проехал по автобанам 1678 км от Мюнхена до Копенгагена практически без вмешательства водителя. Четыре камеры передавали информацию в массив из 60 специализированных транспьютерных чипов с размещенной на том же кремниевом кристалле памятью. Этот суперкомпьютер занимал практически весь доступный объем автомобиля.

Но всерьез к созданию беспилотника подобрались только в 2004 году. Тогда научное агентство DARPA, финансируемое Министерством обороны США, пообещало один миллион долларов команде, которая построит автомобиль, автономно преодолевающий сложный маршрут с препятствиями протяженностью свыше 200 км. Этот конкурс получил название DARPA Grand Challenge.

Первый претендент на приз появился годом позже. Им стал построенный на базе Volkswagen Touareg R5 робот Stanley, спроектированный командой Стэнфордского университета. Ориентироваться на местности ему помогали модуль GPS, цветная видеокамера, пять лазерных дальномеров и два радара диапазона 24 ГГц.

Информация со всех сенсоров стекалась в вычислительный кластер из шести компьютеров на базе Pentium M, объединенных коммутатором Gigabit Ethernet и работающих под управлением операционной системы Linux. Внешне это выглядело весьма громоздко. Такова, как известно, участь многих инженерных прототипов.

DARPA Urban Challenge

В 2007 году соревнование было официально переименовано в DARPA Urban Challenge, поменялись и правила его проведения. Пустыня Мохаве уже была покорена, пришло время городских испытаний. На заброшенной военно-воздушной базе был построен почти настоящий городок с домами, светофорами, дорожными знаками и прочими атрибутами «одноэтажной Америки». В этот раз от автономных автомобилей требовалось соблюдение всех правил дорожного движения, действующих в штате Калифорния. Протяженность маршрута составила 96 км.

Успешно справились с маршрутом в установленное время четыре претендента. Первое место досталось роботу Boss на базе Chevrolet Tahoe, построенному в Университете Карнеги-Меллона при поддержке General Motors. Он преодолел весь путь за 4 часа 10 минут, двигаясь со средней скоростью 23 км/ч.

Для расчета траектории движения и контроля дорожной обстановки беспилотник использовал 17 различных сенсоров. Главным среди них стал установленный на крыше лидар Velodyne HDL-64. Два дополнительных лидара и три лазерных дальномера формировали картину окружающей местности на дистанции до 100 метров. Полученные данные дополнялись показаниями приемника GPS и инерциальной системы ориентации Applanix POS-LV.

Вычислительный кластер Boss был построен на базе десяти процессоров Core2Duo с тактовой частотой 2,16 ГГц, объединенных системной шиной CompactPCI и двумя коммутаторами Gigabit Ethernet. Нетрудно заметить, что движение в городской среде потребовало принципиального усложнения компьютерной начинки автономного автомобиля.

На этом закончилась энтузиастская история, и началось настоящее промышленное развитие технологий. Уже в 2010-м о создании собственного автопилота для автомобилей заявила Google. В последующие четыре года аналогичные системы одна за другой продемонстрировали Audi (2012), Nissan (2013), Honda (2013) и Volvo (2014). К 2017 году не осталось ни одного крупного автопроизводителя, не показавшего или собирающегося показать собственную систему автономного управления машиной без участия человека.

Гугломобиль

Так как же устроен современный робокар? Рассказать об этом проще всего на примере эталонных для рынка решений от Google и Tesla.

В средствах распознавания дорожной ситуации со времен DARPA Grand Challenge изменилось не так уж много. Разработанная компанией Waymo (дочерняя структура Alphabet) система управления устанавливается на автомобили разных марок, но обязательно включает в себя:

– главный лидар на крыше (контролирует всю дорожную ситуацию вокруг машины на дистанции до 60 метров);

– четыре радарных датчика в бамперах (определяют расстояние до ближайших объектов);

– видеокамеру на месте центрального зеркала заднего вида (регистрирует светофоры и движущиеся объекты);

– датчик положения автомобиля в заднем левом колесе (позволяет позиционировать машину на высокоточной цифровой карте).

Большую часть багажника «гугломобиля» занимают управляющий компьютер, компьютер визуального интерфейса и контроллеры датчиков, контроллер рулевого управления и привода и система коммуникации «машина-машина».

Для работы такой системы нужна солидная вычислительная мощность. Специализированную плату для автопилотов сделали в NVIDIA. Drive PX Pegasus выполняет 320 триллионов операций в секунду, ее шина памяти имеет пропускную способность 1 ТБ/с, а суммарное тепловыделение двух главных чипов составляет 500 Вт.

Но у такой архитектуры есть и свои недостатки. Автопилот Waymo может не отреагировать на дорожный знак, если тот не внесен в цифровую карту. А лидар гораздо хуже справляется со своей задачей во время сильных осадков, так как луч инфракрасного лазера искажается при прохождении сквозь частицы тумана, капли дождя или снежные хлопья. К тому же лидар не распознает цвета, поэтому не может работать без ассистирующей видеокамеры. Компания пытается решить эти проблемы, но произойдет это явно не завтра.

Источник: Acca

Tesla

Принципиально иной подход использует в своем автопилоте Tesla. Он состоит всего из восьми видеокамер, расположенных по периметру автомобиля. Все они в реальном времени передают видеопоток в специализированный компьютер, архитектура которого адаптирована для работы нейросети. Она способна самостоятельно обучаться на огромном множестве примеров. Если ей показать (условно) миллион изображений кошек в разных ракурсах, нейросеть начнет узнавать кошек самостоятельно, какое бы положение в пространстве они не занимали.

Аналогичным образом нейросеть учится распознавать элементы дорожной разметки, знаки, светофоры, пешеходов и т. д. С каждым миллионом километров, преодоленным машинами Tesla с автопилотом, «умнее» становятся они все, так как данные с камер обрабатываются даже при отключенной функции автопилота. Кроме того, в режиме ручного управления нейросеть видит, как на дорожную обстановку реагирует водитель. И учится.

Источник: Forbes

Яндекс

Вам не кажется, что этот принцип не так уж и уникален? И правильно. Мы уже рассказывали, как нейросети учатся распознавать иероглифы и арабскую вязь. Чем больше примеров – тем точнее информация, которую выдает система. Тот же навигатор от «Яндекса» строит маршрут на основе данных, полученных от тысяч устройств.

В этом свете совсем не кажется удивительным увлечение «Яндекса» темой автомобильных беспилотников. Первый образец компания показала еще в 2016 году, а сегодня она обладает целым автопарком «самобеглых» автомобилей и даже предлагает их протестировать. Летом прошлого года поисковик объявил о том, что выводит на улицы Москвы сто автономных автомобилей. Они будут перемещаться по городу в соответствии с согласованными на уровне мэрии маршрутами. Тогда же «Яндекс» обзавелся и собственным полигоном для тестирования своих разработок.

Источник: N+1

Инструменты

Вне зависимости от того, какую платформу используют производители беспилотных систем, им приходится решать сложнейшую проблему: размещение разрабатываемых систем в автомобиле. Конечно, здесь не обходится без использования специализированных систем проектирования, предназначенных для машиностроения.

У законодателя мод Autodesk есть целая линейка специализированных инструментов – Product Design & Manufacturing Collection. Названия входящих в нее AutoCAD Electrical и AutoCAD Mechanical говорят сами за себя. 

В связке с системой для расчетов Inventor Nastran (Nastran In-CAD) и решением для 3D-прототипирования Inventor она превращается в законченный комплекс для обеспечения всех работ по разработке готовых изделий.