Uporaba HD zemljevidov za samodejno upravljanje avtonomnih vozil
Avtor: Vilim Šprajc
Mentor: izr. prof. dr. Matej Rojc univ. dipl. inž. el.
Stopnja: 1.
Datum: september, 2020
DKUM: VILIM ŠPRAJC
HD zemljevidi
V projektu podrobneje predstavljamo, kako se lahko avtonomno vozilo zaveda svoje dejanske pozicije in na osnovi teh informacij sistem tudi usmerja vozilo v prostoru, ter katere tehnologije temu služijo, kako uspešne so, in kakšna je glavna problematika. Vsesplošno sprejemanje in nižanje cen naprednih krmilnih sistemov za avtonomno vožnjo (angl. Advanced Driving Automation Systems (ADAS)), nas vedno bolj približuje dobi samovozečih vozil. Kljub temu, pa samo ADAS sistem danes ne zadostuje za realizacijo avtonomnih vozil visoke stopnje. Za reševanje enega od največjih izzivov avtonomne vožnje – določanje natančnega položaja vozila v realnem času – je potreben še en ključni vir in sicer zemljevidi visoke ločljivosti (HD zemljevidi).
Avtonomna vožnja
Avtonomno vozilo lahko prepozna okolje v katerem se nahaja, in samodejno upravlja vozilo z zelo malo ali nič nadzora uporabnika. Avtonomna vozila uporabljajo različne senzorje za zaznavanje okolja, kot so na primer: radarji, LiDAR, sonar, GPS, odometer, in IMU (angl. ‘Inertial measurement unit’). Senzorične informacije za prepoznavanje ustreznih prometnih poti, ovir in prometnih znakov procesirajo napredni nadzorni sistemi. Avtomobil opremljen s peto stopnjo avtonomnosti je sposoben samodejno upravljati vozilo v vsaki situaciji in samodejno zaznava okolico v kateri se nahaja.
HD zemljevidi za avtonomna vozila
Avtonomno vozilo potrebuje zemljevid, s katerim lahko določa trenutno lokacijo in načrtuje pot, HD zemljevidi dejansko omogočajo bolj napredno uporabo zaradi natančnih in bolj bogatih informacij. Tako je na primer v pomoč, da ima vozilo informacijo o številu pasov na cestišču, in kako naj se vozilo razvršča, da se pride do željenega cilja bolj optimalno. Običajni zemljevidi so izdelani za naše potrebe, in niso posebej primerni za uporabo v takšnih sistemih. Za razliko od običajnih zemljevidov, vsebujejo namreč HD zemljevidi večjo raznolikost elementov, kot so podatki o omejitvah hitrosti, podrobnosti zgradb in ostalih objektov ob cesti itd. Pomembna je tudi precej večja natančnost, ki jo HD zemljevidi zagotavljajo celo na nivoju centimetrov.
HD zemljevidi tvorjeni iz podatkov s senzorjev
Generiranje HD zemljevidov s pomočjo podatkov s senzorjev, je ena od najbolj uporabljanih metod za generiranje zemljevidov. Omenjena vozila vključujejo ponavadi naslednje senzorje. GPS/IMU senzor zapisuje prostorske koordinate, ki so osnova za tvorjenje poti cest v zemljevidih. Da bi dosegli dovolj veliko natančnost zemljevidov, potrebujemo zelo natančen GPS. Vozilo je prav tako opremljeno z eno ali več kamerami, ki so postavljene v različne smeri. Uporabljajo se za zaznavanje in lociranje objektov okoli cestišča in tudi za zaznavanje značilnosti ceste, kot so talne označbe (označbe pasu, druge označbe). LIDAR se uporablja skupaj s kamerami za lokalizacijo objektov in ostalih podrobnosti okolice vozila.
Vsebina HD zemljevidov
Podatki HD zemljevidov so razvrščeni v sloje. Razvrščanje na sloje omogoča samostojno dizajniranje, tvorjenje in uvoz novih podatkov v HD zemljevide. Sloji so med seboj poravnani in indeksirani tako, da se omogoča učinkovito branje informacij za trenutno lokacijo avtonomnega vozila in za predstavitev okolice. Osnovni podatki o mreži cest podanih tudi na prosto dostopnih spletnih zemljevidih se smatrajo kot najnižji sloj takšnih podatkov. Vsak naslednji sloj pa dodaja dodatne informacije. V nadaljevanju bomo podrobneje predstavili programsko opremo Lyft level 5. Štirje najpomembnejši sloji so: osnovni zemljevid, geometrijski zemljevid, pomenski zemljevid, prednostni zemljevid, realno-časovni sloj.
Shranjevanje HD zemljevidov
HD zemljevidi so nenehno uporabljani s strani sistema vozila, kot so sistem za zaznavanje, ter sistemi za načrtovanje in krmiljenje, tudi večkrat v sekundi. Modul za detekcijo sprememb se mora realno-časovno aktivirati, da preverja okolico vozila, npr. v čem se okolje razlikuje od že zabeleženih podatkov in preveriti, ali je razlika dovolj pomembna, da se jo uporabi v sloju realnega-časa (npr. gradbena dela, prometni zamaški, itd.). To informacijo se nato pošlje procesu robnega računalništva, in aktivira tudi proces aktivnega zbiranja podatkov, informacije se deli tudi z oblakom.
Diskusija in rezultati
