A relatív érzékelés és az abszolút pozicionálás közötti szakadék áthidalása az autonóm járműveknél
Az önvezető járművek fejlesztésének felgyorsulása átalakítja a mobilitás jövőjét, a beruházások, a szabályozás és a fogyasztói kereslet mind előremozdítja az iparágat. Ahogy az eredetiberendezés-gyártók (OEM-ek) a fejlett vezetéstámogatáson túl a magasabb szintű automatizálás felé haladnak, az iparág meghatározó pillanattal néz szembe. A további előrelépés egy szélesebb körű és innovatívabb víziótól függ, amely leküzdheti azokat a korlátokat, amelyek még mindig korlátozzák a valós világbeli elterjedést. Xavier Banque, a Trimble autóipari és IoT stratégiai marketingmenedzsere az alábbiakat mondta a témáról.
A kihívás középpontjában a pozicionálás áll. A járműveknek mindenkor képesnek kell lenniük pontos helyük és sebességük meghatározására olyan pontossággal és megbízhatósággal, amely támogatja a biztonságos döntéshozatalt. E képesség nélkül még a legfejlettebb érzékelő rendszerek sem tudják következetesen lehetővé tenni az átmenetet az L2++-ról az L3-ra és azon túlra.
A relatív és az abszolút intelligencia egyesítése
A modern autonóm rendszerek egy látásalapú kamerákra, lidarra és radarra épülő érzékelési rendszerre támaszkodnak, amely részletes környezeti ismereteket nyújt, de eredendően lokális marad a jármű környezetéhez képest.
Az autonómia skálázásához ezeket az adatokat egy globális abszolút helyhez kell rögzíteni, hogy a járművek meg tudják határozni a helyzetüket a tágabb úthálózaton belül. A fejlett helymeghatározás ezt a referenciát biztosítja azáltal, hogy az érzékelési kimeneteket nagyfelbontású (HD) térképekkel és útvonalszintű intelligenciával hangolja össze, miközben támogatja a fizikai mesterséges intelligencia megvalósítását is. Ez a feltörekvő technológia a geocímke metaadatokra támaszkodik, hogy pontos geolokációs információkat biztosítson a látásalapú érzékelők számára egy objektum, például egy közlekedési lámpa azonosításához.
A relatív érzékelés és az abszolút pozicionálás kombinálása a vezetési környezet teljesebb megértését eredményezi, ami elengedhetetlen az automatizált és összekapcsolt vezetési helyzetekben, például a többsávos autópályákon, a komplex csomópontokban és a sűrűn beépített városi környezetben.
Nagy pontosságú GNSS, mint térbeli gerinchálózat
A nagy pontosságú GNSS biztosítja a kooperatív és összekapcsolt autonóm mobilitás (CCAM) nagyszabású bevezetéséhez szükséges globális referenciát. A CCAM a következő szintre emeli az autonómiát azáltal, hogy összekapcsolja a járműveket egymással, más közlekedőkkel (pl. kerékpárosokkal) és a közlekedési infrastruktúrával. A deciméteres pontossággal a precíz GNSS lehetővé teszi a járművek számára, hogy pontosan megértsék környezetüket, és a látótávolságon túlmutató objektumokon túlmutató forgatókönyveket jósoljanak meg, ami jelenleg a relatív érzékelők hatókörén kívül esik.
A CCAM támogatja a járművektől mindenhez (V2X) való kapcsolódást olyan felhasználási esetekben, mint az ütközések elkerülése városi kereszteződésekben. A közös koordináta-keretrendszer az összes érintett elemet lehorgonyozza a látótávolságtól függetlenül. Ebben az összefüggésben a pozicionálás központi szerepet játszik az autonómiában, lehetővé téve a járművek számára, hogy előre jelezzék a közelgő manővereket, optimális pályát kövessenek, és fenntartsák a teljesítményt, amikor a vizuális bemenetek romlanak.
A műholdas helymeghatározást a légköri viszonyok, a jelvisszaverődések és az olyan kihívást jelentő környezetek, mint az alagutak vagy a városi kanyonok, inherens korlátai befolyásolják. A nyers adatok pontossága jellemzően néhány méter. A korrekciós szolgáltatások ezeket a hibákat centiméteres szintre csökkentik, ami a sávszintű önállósághoz szükséges.
Integritás megőrzése GNSS és INS fúzióval
A GNSS önmagában még korrekciós szolgáltatásokkal sem képes minden környezetben megfelelni a megbízhatósági követelményeknek. Ennek megoldására szorosan integrálva van az inerciális navigációs rendszerekkel (INS). Az olyan érzékelők, mint az inerciális mérőegységek (IMU) és a kerékfutásmérők, folyamatos mozgásadatokat szolgáltatnak, míg a GNSS hosszú távú pontosságot és kalibrálást biztosít.
Ezen technológiák kölcsönhatása kiegészíti egymást. A GNSS-mérés folyamatosan korrigálja az eltolódást, míg az inerciális érzékelők megőrzik a folytonosságot az ideiglenes jelkiesés során. Együttesen egy rugalmas pozicionálási megoldást biztosítanak, amely támogatja a biztonságkritikus műveleteket.
A jövőben a fejlett vezetéstámogató rendszerek (ADAS) és az automatizált vezetési rendszerek (ADS) többet igényelnek majd, mint pusztán precíz navigációt. Az autonómia algoritmusoknak integritási információkat is be kell építeniük a pozicionálás megbízhatóságának felméréséhez. Ezt a védelmi szint koncepciója kezeli, amely nagyon nagy megbízhatósággal meghatároz egy statisztikai határt, amelyen belül a vevő valódi pozíciója található. A sávszintű navigáció pozicionálási integritásának biztosítása érdekében a SOTIF-megközelítéssel összhangban a statisztikai előrejelzési módszereket kiterjedt vezetési tesztadatokkal kombinálják különböző régiókban és környezetekben.
Rugalmas, skálázható, költséghatékony pozicionálási architektúrák
Ahogy a járműarchitektúrák a szoftveresen definiált platformok felé fejlődnek, a helymeghatározást egyre inkább központosított szoftverszolgáltatásként, nem pedig fix hardverfunkcióként nyújtják. Ennek eredményeként a helymeghatározási intelligencia a tágabb járműrendszer adaptálható rétegévé válik, lehetővé téve egy rugalmasabb és skálázhatóbb megközelítést.
Egy modern architektúra összesíti az érzékelők adatait, korrekciós szolgáltatásokat és fúziós algoritmusokat alkalmaz, és egységes pozícióbecslést oszt el a járműben. Az érzékelési, tervezési és vezérlőrendszerek egy közös térbeli referenciából működnek, míg a járműbe épített infotainment (IVI) megoldások, beleértve az érintőképernyőket, audiorendszereket és csatlakozási modulokat, javítják az általános vezetési élményt.
A szoftver és a hardver leválasztása lehetővé teszi az OEM-ek számára, hogy a kategória legjobb komponenseit alkalmazzák teljes rendszeráttervezés nélkül, miközben megőrzik a kompatibilitást a meglévő architektúrákkal. Az eredmény a komplexitás csökkenése, a gyorsabb telepítés és az alacsonyabb belépési korlátok az OEM-ek és az első osztályú beszállítók számára. A nagy pontosságú pozicionálás így jelentős hardveres változtatások nélkül bevezethető, így szélesebb körű járműplatformokon érhető el.
A skálázhatóság a költséghatékonyságtól is függ. A szoftverközpontú megközelítés fokozatos telepítést tesz lehetővé, így a funkciók idővel bővíthetők és opcionális vagy előfizetéses funkcióként is elérhetők.
A hardveres rugalmasság, a skálázható szoftverek és a költséghatékony integráció kombinálásával a helymeghatározás széles körben elérhető alapjává válik az önvezető autóknak. A Lucid Gravity jó úton halad afelé, hogy az első elektromos jármű legyen, amely teljes mértékben integrálja a Trimble helymeghatározó megoldását a standard navigációs berendezésének részévé.
Helymeghatározás szinkronizálása HD térképekkel
A HD térképek központi szerepet játszanak a fejlett autonómiában, részletes információkat nyújtva az út geometriájáról, a sávszerkezetről és az infrastruktúráról. Hatékonyságuk azonban teljes mértékben a jármű pontos lokalizációjától függ.
A helyadatok és a térképtartalom összehangolása lehetővé teszi a járművek számára a magabiztos navigációt, támogatva a biztonságos irányítást és a prediktív útvonaltervezést. Még a kis eltérések is helytelen döntésekhez vezethetnek, ezért mind a pontosság, mind az integritás elengedhetetlen. Ha egy jármű részletes, naprakész térképpel rendelkezik, de rossz a pozíciója, akkor nem fogja tudni, melyik sávban van. Alternatív megoldásként a pontos helymeghatározás pontos térkép nélkül haszontalan.
A helymeghatározó rendszereknek ezért egyértelmű megbízhatósági mutatókat kell szolgáltatniuk, amelyek tájékoztatják a rendszer viselkedését. A megbízható lokalizáció lehetővé teszi a járművek számára, hogy valós időben alkalmazkodjanak, fenntartva a biztonságos működést összetett vagy változó környezetekben.
Többrétegű adatok kihasználása
A jövőbeli helymeghatározó rendszerek további adatforrásokat fognak integrálni a pontosság és a rugalmasság javítása érdekében. A látásalapú lokalizáció, az ultraszéles sávú és az újonnan megjelenő műholdkonstellációk kiegészítik majd a GNSS-t és az inerciális navigációt.
A műholdas helymeghatározás megbízhatóságának és pontosságának növelése érdekében az alacsony Föld körüli pályán (LEO) keringő konstellációk, mint például a Xona Pulsarja, új, továbbfejlesztett képességeket és magas szintű üzemidőt biztosítanak. A Trimble és a Pulsar integrációja a megbízható cellafedezet nélküli területeken, korlátozott égbolt-láthatóságú területeken és más kihívást jelentő földrajzi adottságokkal rendelkező felhasználók számára lesz előnyös.
Ezen bemenetek fejlett fúziós keretrendszereken belüli kombinálása lehetővé teszi az állandó teljesítményt, és támogatja az önvezető rendszerek iránti növekvő igényeket.
A pozicionálás, mint a skálázható autonómia alapja
A relatív érzékelés és az abszolút pozicionálás közötti szakadék áthidalása továbbra is az önvezető autóipar egyik fő kihívása. A környezettudatosság és a pontos globális referenciák összekapcsolása lehetővé teszi a járművek számára, hogy az univerzális telepítéshez szükséges pontossággal, megbízhatósággal és bizalommal működjenek.
A pozicionálás képezi a skálázható autonómia alapját. Lehetővé teszi a járművek számára, hogy ne csak érzékeljék a környezetüket, hanem pontosan megértsék, hol is vannak bennük. Ez a képesség fogja végső soron meghatározni, hogy az önvezető autók milyen gyorsan és hatékonyan juthatnak el a szabályozott környezetekből a széles körű elterjedésig.
