कैमरा या लेजर

मानवरहित वाहनों में कौन सा सेंसर सबसे महत्वपूर्ण होगा? वे सेंसर जो तथाकथित धारणा प्रणाली को नियंत्रित करते हैं, और यह ड्राइविंग में सबसे महत्वपूर्ण बात है। धारणा प्रणाली का कार्य सड़क पर या उसके आस-पास के सभी महत्वपूर्ण वस्तुओं का पता लगाना है, उदाहरण के लिए, अन्य वाहन, पैदल यात्री, कचरा, और कुछ मामलों में, सड़क की वस्तुएं, जैसे संकेत और लेन चिह्न।

(सड़क पर पोजिशनिंग भी सेंसर पर निर्भर करती है)।

धारणा प्रणाली को सभी बाधाओं का पता लगाना चाहिए और उन्हें पहचानने का प्रयास करना चाहिए। उसे अपनी गति और दिशा को मापने की जरूरत है, और उनके आंदोलन की भविष्यवाणी करने की भी। यह बहुत मुश्किल काम है।

धारणा प्रणाली में दो मुख्य त्रुटियां झूठी सकारात्मकता (अंधापन) और झूठी सकारात्मक (भूतिया वस्तुएं) हैं।

झूठी नकारात्मक प्रतिक्रिया एक ऐसी स्थिति है जिसमें एक बाधा का पता नहीं लगाया गया था। यह विनाशकारी परिणाम पैदा कर सकता है यदि सिस्टम इतने लंबे समय तक काम करता है कि आप सुरक्षित रूप से बाधा के आसपास नहीं जा सकते। एक अच्छी प्रणाली लगभग कभी भी गलत नकारात्मक परिणाम नहीं देगी। एक बाधा को पहचानने में कुछ अतिरिक्त समय लग सकता है, अचानक चमक के कारण कुछ छूट सकता है, लेकिन बार-बार होने वाली त्रुटियों से दुर्घटना हो सकती है। "कभी नहीं" कहने का अर्थ है, "लाखों लोगों के लिए एकता का क्रम"।

एक गलत सकारात्मक परिणाम एक अन्य प्रकार की त्रुटि है। उसके मामले में, सिस्टम कुछ ऐसा देखता है जो वास्तव में नहीं है, और यह कार को ब्रेक या पतन के लिए मजबूर करता है। यह यात्रियों को परेशान करता है, और यदि उन्हें बन्धन नहीं किया जाता है, तो इससे चोट लग सकती है। यह भी एक दुर्घटना का कारण बन सकता है अगर दूसरी कार बहुत करीब से यात्रा कर रही है या बहुत तेज ब्रेकिंग और कॉर्नरिंग के साथ। आमतौर पर, ऐसे मामले खतरनाक नहीं होते हैं, लेकिन अगर ऐसा बहुत बार होता है, तो उपयोगकर्ता सिस्टम को छोड़ देंगे।

उपरोक्त त्रुटियों के साथ गलत वर्गीकरण भी जुड़ा हुआ है। एक गलत वर्गीकरण का मतलब है कि साइकिल चालक को एक पैदल यात्री के लिए गलत किया गया था, या कि दो मोटरसाइकिलों को एक कार के लिए गलत किया गया था। सटीक पहचान के बिना भी, मशीन को पता है कि एक बाधा में दुर्घटना कैसे नहीं होती है, लेकिन सिस्टम गलत तरीके से यह निर्धारित कर सकता है कि यह कहां घूम रहा है या इसका जवाब देने के लिए सबसे अच्छा कैसे है।

त्रुटियों का एक और वर्ग पूरी तरह से विफल है। सेंसर या इसके सॉफ्टवेयर में खराबी हो सकती है या यह ठीक से काम नहीं कर सकता है। आश्चर्यजनक रूप से, यह अंधेपन की तुलना में अधिक बार अनुमत है, क्योंकि सिस्टम को पता चल जाएगा कि सेंसर ऑर्डर से बाहर है और इसके डेटा को स्वीकार नहीं करेगा। इस मामले में, वह स्टैंडबाय सेंसर पर भरोसा करेगी, या यदि यह पर्याप्त नहीं है, तो अन्य सेंसर का उपयोग करके जितनी जल्दी हो सके सड़क से उतरने का प्रयास करें। हालांकि यह भी अक्सर नहीं होना चाहिए, अन्यथा लोग सिस्टम पर भरोसा करना बंद कर देंगे।

मानव रहित वाहनों के लिए कई महत्वपूर्ण सेंसर हैं, लेकिन सबसे अधिक शोध और चर्चा लिडार और कैमरे हैं।



लिडार एक प्रकाश आधारित रडार है। सेंसर आंख के लिए अदृश्य लेजर प्रकाश की छोटी दालों भेजता है और पता चलता है कि कब तक परिलक्षित प्रकाश रिटर्न। इस प्रकार, सिस्टम लक्ष्य की चमक और सीमा को काफी सटीक रूप से पहचानता है।

लिडार के बड़े फायदे हैं:

• यह पर्याप्त आकार की विभिन्न वस्तुओं का पता लगाने में बेहद विश्वसनीय है और उनकी दूरी, आकार और स्थिति की गणना 100% विश्वसनीयता के बहुत करीब है।
• लिडार का नतीजा दुनिया भर का 3 डी मानचित्र है। सेंसर के पीछे की वस्तुओं (या इसके सामने) से कुछ का चयन करना आसान है
• लिडार उत्सर्जित प्रकाश का उपयोग करता है, इसलिए यह परिवेशीय प्रकाश की परवाह किए बिना काम करता है। दिन हो या रात, बादल हो या धूप, आसमान में बादल छाए हुए हैं या सूरज चमक रहा है - लिडार सभी स्थितियों में लगभग समान है।
• यह हस्तक्षेप के लिए प्रतिरोधी है और इसमें रडार की तुलना में बहुत अधिक रिज़ॉल्यूशन है।
• कुछ लिडार डॉपलर प्रभाव का उपयोग करके किसी वस्तु की गति निर्धारित कर सकते हैं।

हालांकि, नुकसान हैं:

• प्रारंभ में, लिडार बहुत महंगे थे। उच्च-रिज़ॉल्यूशन के लिडार का उत्पादन कम मात्रा में किया गया और कारों की तुलना में अधिक लागत (नए मॉडल $ 1000 से कम की कीमत पर दिखाई देते हैं)
• सुंदर विनम्र संकल्प। सर्वश्रेष्ठ उपकरणों को 10 हर्ट्ज की आवृत्ति के साथ ऊर्ध्वाधर स्कैन में 128 पिक्सेल की छवि प्राप्त होती है।
• सीमा सीमित है। मध्यम लिडार 70-100 मीटर की दूरी पर देखते हैं और लगभग सौ मीटर की दूरी पर कारों जैसी बड़ी वस्तुओं से कम रिटर्न प्राप्त करते हैं। कुछ लोग 200 मीटर तक काम करने का दावा करते हैं, लेकिन यह संदिग्ध है। 1.5 माइक्रोन लिडार, जो और भी महंगे हैं, आगे देख सकते हैं।
• अधिकांश लिडार में दुनिया को स्कैन करने के लिए बढ़ते भाग होते हैं। फ्लैश लिडार बिना चलते हुए पुर्जे करते हैं, लेकिन अब वे और भी महंगे हैं (नई पीढ़ी के सॉलिड-स्टेट लिडार में, मूविंग पार्ट्स की संख्या कम से कम हो जाती है, या वे पूरी तरह से खत्म हो जाते हैं)।
• ताज़ा दर आमतौर पर कम है। इसके अलावा, जबकि लिडार दृश्य को स्कैन करता है, यह स्कैन की गई कारों और अन्य वस्तुओं के आंदोलन के कारण विकृत होता है, और चूंकि दृश्य के विभिन्न किनारों को अलग-अलग समय पर स्कैन किया जाता है, इसलिए एक ऑफसेट होता है।
• लिडार भारी बारिश, बर्फ और कोहरे के साथ समस्याओं का सामना कर सकते हैं, हालांकि कैमरों सहित अन्य प्रकाश संवेदक समान व्यवहार करते हैं। लिडार कभी-कभी एग्जॉस्ट चीजों जैसे एग्जॉस्ट फ्यूम्स को भी ट्रिगर कर सकते हैं।
• Lidars सबसे अच्छा बाहर घुड़सवार हैं। उन्हें हर फोटॉन की आवश्यकता होती है, इसलिए उन्हें विंडशील्ड के पीछे स्थापित करके उन्हें कमजोर न करें।

कैमरा

कैमरा आधारित सिस्टम इंसानों की तरह व्यवहार करते हैं। एक या अधिक कैमरे दृश्य का निरीक्षण करते हैं, और सॉफ्टवेयर एक व्यक्ति के समान काम करने की कोशिश करता है - दो आयामी छवि से तीन आयामी दुनिया की कल्पना करना और समझना।

• कैमरे वास्तव में सस्ते हैं। उपकरण की कीमत केवल दसियों डॉलर है, आप उनमें से बहुत कुछ कर सकते हैं।
• चूंकि ऐसे कैमरे जो दृश्य प्रकाश के प्रति संवेदनशील होते हैं, वे परावर्तित प्रकाश का उपयोग करते हैं, वे दिन के दौरान एक मनमाना दूरी देख सकते हैं यदि उनके पास देखने का एक संकीर्ण क्षेत्र है और उन्हें निर्देशित किया जा सकता है। रात में, उन्हें प्रेषित प्रकाश का उपयोग करना चाहिए - जैसे कि आपके हेडलाइट्स।
• वे रंग देखते हैं। इन्फ्रारेड स्पेक्ट्रम में लिडार ग्रे के रंगों का अनुभव करते हैं।
• जब तक कैमरों को निर्देशित नहीं किया जाता है, तब तक उनके पास चलने वाले हिस्से नहीं होते हैं; अन्यथा, वे दूरस्थ वस्तुओं के लिए भी एक उच्च-रिज़ॉल्यूशन छवि प्राप्त कर सकते हैं। यहां तक ​​कि व्यापक पहुंच में भी बहुत उच्च रिज़ॉल्यूशन वाले कैमरे होते हैं - जबकि लिडार 64 लाइनों को देखता है, कैमरा 3000 देखता है।
• उच्च रिज़ॉल्यूशन और रंग के कारण, कैमरे उन दृश्यों के बारे में निष्कर्ष निकालने में सक्षम होते हैं जो लिडार से प्राप्त कम-रिज़ॉल्यूशन छवि से प्राप्त नहीं किए जा सकते हैं।
• कैमरे ट्रैफिक लाइट, आयाम, टर्न सिग्नल और उत्सर्जित प्रकाश के अन्य स्रोतों को देख सकते हैं। अक्षर पढ़ने के लिए कैमरे बहुत अच्छे हैं।

हालाँकि, कैमरों में कुछ कमियां हैं, और पहले वाला बहुत कुछ बिगाड़ देता है:

• आज, सुरक्षित ड्राइविंग के लिए आवश्यक विश्वसनीयता के साथ सभी महत्वपूर्ण विशेषताओं का पता लगाने के लिए कंप्यूटर विज़न पर्याप्त रूप से काम नहीं करता है।
• कैमरों को बदलते प्रकाश व्यवस्था के साथ काम करना चाहिए। अवलोकन की गई वस्तुएं अक्सर छाया के आंदोलन के अधीन होती हैं, और उन्हें किसी भी दिशा से जलाया जा सकता है (या बिल्कुल नहीं जलाया जाता है)।
• रात में, कैमरों को अतिरिक्त प्रकाश व्यवस्था की आवश्यकता होती है, और हेडलाइट्स पर्याप्त नहीं हो सकती हैं।
• कंप्यूटर विज़न कार्यों को वर्तमान आवश्यकताओं के स्तर पर संचालित करने के लिए उच्च प्रदर्शन प्रोसेसर या विशिष्ट चिप्स की आवश्यकता होती है।

कंप्यूटर दृष्टि

कैमरे से इमेज प्रोसेसिंग को मोटे तौर पर दो श्रेणियों में विभाजित किया जा सकता है: "कंप्यूटर विजन" और "मशीन विजन"। मशीन दृष्टि डिजिटल छवियों का एक सरल, स्थानीय विश्लेषण को संदर्भित करता है। इसमें एक छवि के विवरण और किनारों की खोज और गति के लंबन का निर्धारण करने के साथ-साथ दूरी को निर्धारित करने के लिए स्टीरियो छवियों को लंबन लागू करने जैसे कार्य शामिल हैं। ये विधियां काफी अच्छी तरह से स्थापित हैं, और उनमें से कई काफी समझ में आते हैं। कुछ मशीन दृष्टि कार्य (जैसे कि सड़क के संकेतों को पहचानना और पढ़ना) अधिक कठिन हैं, लेकिन जल्द ही हल हो जाएंगे।

कंप्यूटर दृष्टि कार्यों के एक अधिक जटिल सेट को संदर्भित करती है, जिसमें मानव जैसी कौशल की आवश्यकता होती है, जिसमें छवियों को समझने की क्षमता भी शामिल है। ये कार्य कौशल को भी प्रभावित करते हैं जैसे कि छवि को खंडों में विभाजित करने और वस्तुओं को पहचानने की क्षमता। आप किसी अन्य व्यक्ति की छवि किसी ऐसे व्यक्ति को दिखा सकते हैं, जो लगभग किसी भी स्थिति में और किसी भी प्रकाश में है, और पर्यवेक्षक आसानी से यह निर्धारित कर सकता है कि व्यक्ति छवि में क्या है, और यहां तक ​​कि वह कितनी दूरी पर है। हम यह भी निर्धारित कर सकते हैं कि किस पर ध्यान दिया जाए और चित्रित व्यक्ति क्या करे। इस क्षेत्र में एल्गोरिदम बेहतर और बेहतर हो रहे हैं, लेकिन अभी तक पर्याप्त स्तर पर नहीं हैं।

कुछ कार्य सीमा क्षेत्र में पहुंच गए। मशीन दृष्टि उपकरण छवि में विवरण की तलाश करते हैं, और छवि के आकार और अभिविन्यास की परवाह किए बिना करते हैं। यह आपको अन्य कारों, पैदल चलने वालों, सड़क की सीमाओं और सड़क के निशान का पता लगाने की अनुमति देता है। सटीक पहचान की सामान्य समस्या यह है कि कई विश्वास अंततः हल हो जाएंगे, लेकिन यह भविष्यवाणी करने के लिए बहुत कठिन है कि यह कब होगा। ड्राइविंग के लिए सिस्टम को "कभी भी याद नहीं" करने की आवश्यकता होती है जो एक सुरक्षा मुद्दा हो सकता है। विशेष रूप से कठिन स्थिर बाधाएं हैं जो इतनी दूर हैं कि स्टीरियो छवि काम नहीं करती है, और आंदोलन के लंबन (जिस तरह से आपके आंदोलन के दौरान अन्य वस्तुओं के संबंध में पृष्ठभूमि में वस्तुएं चलती हैं) भी सीमित हैं। (जिस वस्तु के लिए आप सीधे जा रहे हैं, जैसे पैदल यात्री या खड़ी कार, में बहुत कम गति होगी)

कृत्रिम दृष्टि प्रणालियों के लिए एक और समस्या प्रकाश और छायांकन की विविधता है। किसी भी दिशा से वस्तुओं को जलाया जा सकता है। इसके अलावा, सूरज उनके पीछे हो सकता है। अक्सर, छायाएं ही वस्तु को पार करती हैं। इस मामले में, एचडीआर प्रौद्योगिकियों का उपयोग करना आवश्यक होगा ताकि प्रत्येक छवि क्षेत्रों में विवरण देखने में सक्षम हो, जब छाया की सीमाएं विपरीत छवि में ऑब्जेक्ट की विशेषता सुविधाओं को धुंधला करती हैं।

एक विशेष प्रकार का कैमरा है, जिसे लॉन्ग-वेव इन्फ्रारेड या "थर्मल" के रूप में जाना जाता है, जो परावर्तित प्रकाश के बजाय उत्सर्जित करता है। सूर्य के प्रकाश के सापेक्ष छाया में रहने वाली वस्तुएं अभी भी छवि में अस्पष्ट हो जाएंगी, लेकिन अब चलती छाया नहीं होगी। थर्मल छवियां मोनोक्रोम हैं और दिन और रात दोनों में समान रूप से अच्छी तरह से काम करती हैं, हालांकि रात में परिणाम थोड़ा बेहतर होता है। ऐसे कैमरों को कोहरे और कुछ अन्य मौसम स्थितियों में बेहतर देखा जा सकता है। वे जीवित चीजों का पता लगाने में बहुत अच्छे हो सकते हैं, सिवाय इसके कि जब पृथ्वी का तापमान मानव शरीर के तापमान के बराबर हो। दुर्भाग्य से, थर्मल कैमरे बहुत महंगे हैं, और अच्छे रिज़ॉल्यूशन वाले मॉडल और भी अधिक महंगे हैं। उन्हें बाहरी रूप से भी स्थापित किया जाना चाहिए क्योंकि अवरक्त तरंगें कांच से नहीं गुजरती हैं। वर्तमान में, इन कैमरों के व्यावहारिक उपयोग पर कोई रिपोर्ट नहीं है, हालांकि, कुछ शोध किए जा रहे हैं।

"हाइपरस्पेक्ट्रल" इमेजिंग के क्षेत्र में कुछ संभावनाएं हैं, जिसमें आपके पास ऐसे कैमरे हैं जो अवरक्त और पराबैंगनी सहित कई रंग रेंजों में काम करते हैं। ऐसी छवियों के साथ, कुछ प्रकार की वस्तुओं को पहचानना आसान होगा।

लोग देखे गए दो-आयामी चित्रों को दुनिया के तीन-आयामी मॉडल में बदलने में सक्षम हैं, और एक ही समय में दृश्य की जांच करने और गति के लंबन को देखने के बाद इसे बहुत बेहतर करते हैं। कंप्यूटर वर्तमान में अभी भी छवियों का विश्लेषण करने में मामूली हैं और केवल कभी-कभी गति का उपयोग करने का सहारा लेते हैं। लोग स्टीरियो छवियों का उपयोग करते हैं, लेकिन वे तब भी ड्राइव कर सकते हैं जब एक आंख बंद हो या लापता हो।

बदले में, लिडार एक पास में दृश्य का पूर्ण त्रि-आयामी नक्शा बना सकता है। एकाधिक पास चित्र को बेहतर बना सकते हैं - और गति की सराहना करने में उसकी मदद कर सकते हैं।

गहरी सीख

कंप्यूटर दृष्टि में आज का अधिकांश प्रचार दृढ़ तंत्रिका नेटवर्क के साथ जुड़ा हुआ है, विशेष रूप से डीप लर्निंग नामक उपकरण का उपयोग करके बनाया गया है, जो जैविक मस्तिष्क की कई क्षमताओं की नकल करता है। बहुत से लोग सोचते हैं कि यह दिशा एक सफलता होगी। डीप लर्निंग नेटवर्क एक बड़े लर्निंग सेट के साथ काम करते हैं (और कुछ हद तक विशेष प्रशिक्षण के बिना भी काम कर सकते हैं) विश्वदृष्टि को बेहतर ढंग से समझने और कार्रवाई करने के लिए। लोगों ने रोबोट बनाए, जो गहरी सीखने की तकनीक का उपयोग करते हुए किसी न किसी इलाके में किए गए थे, जिसके बाद ये रोबोट समान परिस्थितियों में आंदोलन सीखने में सक्षम थे।

यह एक बहुत अच्छा काम है, लेकिन हम अभी भी उच्च सटीकता से दूर हैं जो मानव रहित वाहनों के लिए आवश्यक हैं। यह भी विचलित करने वाला है कि जब हम गहरी शिक्षा के साथ काम करते हैं, तो हमें यह नहीं पता होता है कि यह काम क्यों करता है, हमारे पास केवल काम का तथ्य है। आप त्रुटियों को ठीक करने के लिए तंत्रिका नेटवर्क को पुनः प्राप्त कर सकते हैं, लेकिन आप यह सुनिश्चित नहीं कर सकते हैं कि पुनर्प्रयास ने सब कुछ ठीक क्यों किया है। वही दोष मानव मस्तिष्क की भी विशेषता है, केवल एक व्यक्ति आपको समझा सकता है कि उसने एक या दूसरे तरीके से काम क्यों किया।

कानूनी दृष्टिकोण से मानवरहित वाहनों में गहन प्रशिक्षण पर अलग-अलग विचार हैं। मशीन लर्निंग आपको चोट पहुँचा सकती है क्योंकि आप समझ नहीं पाते हैं कि यह कैसे काम करता है, और यह उपयोगी हो सकता है क्योंकि आपने अच्छे सुरक्षा संकेतकों के साथ सर्वोत्तम तकनीकों को लागू किया और कोई गलती नहीं की जिसे मैला कहा जा सकता है।

मशीन लर्निंग प्रशिक्षण डेटा की मात्रा में वृद्धि के साथ काम की गुणवत्ता में सुधार करता है, यही कारण है कि इस तरह के डेटा के बड़े संस्करणों को बनाने के लिए इस तरह के महान प्रयास किए जाते हैं। हालांकि, तंत्रिका नेटवर्क उन चीजों को पहचानने में सक्षम नहीं हैं जो उन्होंने कभी नहीं देखी (या समान वस्तुओं को नहीं देखा)।

अन्य सेंसर

अन्य सेंसर का सबसे महत्वपूर्ण रडार है। रडार के शानदार फायदे हैं। सबसे पहले, वह कोहरे के माध्यम से अच्छी तरह से देखता है, जबकि ऑप्टिकल सेंसर इससे सामना नहीं कर सकते हैं। दूसरे, वह अन्य कारों को अच्छी तरह से देखता है और रडार की हर हिट न केवल दूरी के बारे में, बल्कि गति के बारे में भी जानकारी देती है, डॉपलर प्रभाव के लिए धन्यवाद। यह लिडार की जानकारी से भी अधिक है - रडार का एक शॉट सभी चलती बाधाओं और उनकी गति को दर्शाता है। रडार आपके सामने कार या ट्रक के नीचे सड़क से प्रतिबिंबों का मूल्यांकन कर सकता है और ट्रक के अंधा क्षेत्र में कार के कार्यों के बारे में जानकारी दे सकता है - यह एक बहुत चालाक चाल है।

रडार बहुत कम रिज़ॉल्यूशन प्रदान करते हैं। प्रायोगिक उच्च-रिज़ॉल्यूशन वाले रडार हैं, लेकिन उन्हें एक बड़े रेडियो स्पेक्ट्रम (फ़्रीक्वेंसी रेंज) की आवश्यकता होती है - जो कि नियामकों से अधिक होता है। रडार आपको यह बताने की संभावना नहीं है कि लक्ष्य आपके लेन पर है या नहीं, या यह आपके सामने एक फ्लाईओवर या सड़क पर है या नहीं।

फिक्स्ड ऑब्जेक्ट भी रडार सिग्नल को दर्शाते हैं, और यह एक समस्या है। पृथ्वी, संकेत, बाड़ - वे सभी संकेत देते हैं कि वे स्थिर वस्तु हैं। इस प्रकार, जब एक खड़ी कार एक रडार सिग्नल को दर्शाती है, तो आप यह सुनिश्चित नहीं कर सकते कि यह सड़क के किनारे का संकेत है या उस पर खड़ी कार है। अधिकांश कार रडार बस स्थैतिक वस्तुओं से प्रतिबिंबों को अनदेखा करते हैं, जो एक कारण था कि लंबे समय तक, स्वचालित क्रूज़ नियंत्रण ट्रैफ़िक प्रवाह में काम नहीं करता था, जिसमें आपको अक्सर गैस और ब्रेक की आवश्यकता होती है।

नए शोध के परिणामस्वरूप, एक उच्च-रिज़ॉल्यूशन रडार बनाया गया था, और उनके प्रतिबिंबों में उनकी विशिष्ट विशेषताओं द्वारा वस्तुओं को पहचानने के लिए अनुसंधान भी चल रहा है। चरणबद्ध सरणी वाले डिजिटल रडार दृश्य का निरीक्षण कर सकते हैं और संकल्प को एक डिग्री बढ़ा सकते हैं। यह पर्याप्त नहीं है, लेकिन यह पहले से ही एक सुधार है।

सेंसर एसोसिएशन

जब आप एक से अधिक सेंसर का उपयोग करते हैं, तो आप सभी डेटा को संयोजित करना चाहते हैं ताकि आप समझ सकें कि राडार का पता लगाने वाली मशीन वही है जो कैमरा या लिडार ने देखी थी। इससे प्राप्त आंकड़ों की गुणवत्ता में सुधार होता है, लेकिन यह चोट भी पहुंचा सकता है। सेंसर का संयोजन 100% विश्वसनीय नहीं है। अगर रडार दिखाता है कि सामने एक कार है, और कैमरा समझता है कि यह नहीं है (या इसके विपरीत) तो आप क्या करेंगे? आपको चुनना होगा कि क्या विश्वास करना है। यदि विकल्प गलत है, तो एक समस्या उत्पन्न हो सकती है। यदि आप बाधा के बारे में संदेश में विश्वास करते हैं, तो आप अंधापन को कम कर सकते हैं (जो बहुत महत्वपूर्ण है), लेकिन आप दोनों सेंसर से गैर-मौजूद बाधाओं को ध्यान में रख सकते हैं। , – .

, , , .

, . , .

( , – , , – . , , .)

, (, ). , 3D, , .

GPS, . . GPS ( GPS ), .

, , , ?

, . ?

2020 . – .

. , Velodyne 75 000 $, 32 . . , , 1982 5- 3000 $, , . , , , .

, . , , , . , , . , ,

, , .

. , , . , .

MobilEye, Intel, (, , ), , , , . 4 , .

, . , , . , . .

, . , . , , , VisLab , , , Mercedes 6D MobilEye, .

, , , , – . , .

, , , . , , , .

, “Super Cruise”, , . ( , ) , . , , , , .

, – . , . 99% , 99% 99.9999% . . , , , .

. , , , , . , - . , 10-20% , , - , , . , , , , , , .

- , - . , , 100 000 $, 3000 $ .

?

, , , .

, . , 400 000 . 170 290 . , 3 , 6000 . , .

, . , - ( 80% , ). - . , . - , , – , . - , , , .

, , . , . , , . . .

, , , , , . , , , . - , , , – . , .

. , , , .

. , . , . ( , ) - .

, , , . , , , . , - .

, , , . , . , , ( ), , , . - , , .

, . , “ ” , 40 /. , 3D, .

, , ( Microsoft Kinect). 3D, , , .

, , . , . , – .

, , , . , . , . , , . . , , , . , . , 99.9% , , , , , . , .

, , - . , , . - – , . , 99.99999%, .

, , . , . , 1 10 000 100 000 , -, .

, -, 2017 2019 , . – , . , , , , . , , . , , .

, 2020, , , , , .

( 25 /) , .

, , , – , ?

Tesla

, Tesla , “” , “”. 8 , : . , , . , , .

Tesla , , , . , , , , . , - , .

, , . Velodyne, , , 64 . 10 . 905 (, ) . Velodyne 32 16 10 000 $.

, . , , , , , .

. – , . , , , , DVD. , , .

. 16- Velodyne 10 000 $. Quanergy, , 8 . Valeo/IBEO 250 4 , , Velodyne , 300 . .

, :

• , , , . . 360 , Velodyne . , , .
• फ्लैश लिडार पूरे क्षेत्र में एक उज्ज्वल फ्लैश भेजते हैं, और फिर इसे सेंसर और टाइमर की एक सरणी द्वारा प्राप्त किया जाता है जो एक ही बार में पूरे दृश्य की तस्वीर ले सकता है। इस डिज़ाइन के कई फ़ायदे हैं - कोई चलते हुए हिस्से नहीं हैं और आपको गति की कलाकृतियाँ नहीं मिलेंगी, क्योंकि स्कैनिंग के दौरान दुनिया और सेंसर दोनों चलते हैं। स्कैनिंग लिडार में, सभी वस्तुओं को फैलाया और विकृत किया जाता है क्योंकि वे सेंसर के सापेक्ष चलते हैं। एक फ्लैश लिडार आज बहुत महंगा है - इसे एक विशेष सेंसर चिप की आवश्यकता है, और एक बार में पूरे क्षेत्र को रोशन करने के लिए पल्स बेहद शक्तिशाली होना चाहिए।
• माइक्रोस्कोप अल्ट्रा पतली चलती दर्पण हैं जो सिलिकॉन चिप्स के आधार पर बने होते हैं। इस तरह से अधिकांश वीडियो प्रोजेक्टर काम करते हैं। हालांकि वहाँ चलती भागों हैं, वे बहुत छोटे हैं और बहुत हल्के और टिकाऊ हो सकते हैं। इस तकनीक का उपयोग करके कुछ शॉर्ट-रेंज लिडार बनाए गए थे।
• यदि आप 1.5 माइक्रोन रेंज (मिड-रेंज इंफ्रारेड) में प्रकाश का उपयोग करते हैं, तो मानव आंख अब इसे केंद्रित नहीं करती है। इसका मतलब यह है कि आप बिना नुकसान पहुंचाए ज्यादा तेज दाल भेज सकते हैं, और इसका मतलब है कि आप अधिक दूरी पर देख सकते हैं। बुरी खबर यह है कि 1.5-माइक्रोन प्रकाश सिलिकॉन को ट्रिगर नहीं करता है, जिसका अर्थ है कि आपको अन्य प्रकार के इलेक्ट्रॉनिक्स, प्रौद्योगिकियों का उपयोग करना होगा जिसमें सिलिकॉन जैसे व्यापक उत्पादन की कम लागत नहीं है। इस प्रकार, 1.5 माइक्रोन लिडार इस समय बहुत महंगे हैं।
• कुछ विशेष लिडार को आगे देखने के लिए बनाया गया था, और वे डॉपलर प्रभाव का भी लाभ उठाते हैं, ताकि उन्हें पता चले कि जिस वस्तु को उन्होंने देखा है वह कितनी तेजी से चलती है। यह उच्च-रिज़ॉल्यूशन के सामान्य प्रयोजन के लिड में करना मुश्किल है।
• कुछ टाइम-ऑफ-फ़्लाइट कैमरे एक वाहक तरंग के साथ प्रकाश का अध्ययन करते हैं और समय को मापने के लिए वापसी प्रतिबिंबों के चरण परिवर्तनों को देखते हैं। इस तरह के कैमरे बहुत सस्ती हो सकते हैं, लेकिन दूरी को मापते समय कम रेंज और शोर करते हैं।

---

और अधिक उपयोगी लेख पढ़ें:

• खुले स्रोत पर स्वायत्त कारें
• स्वायत्त कार लोगों के स्वार्थ के स्तर को ध्यान में रखते हैं
• मैकिन्से: ऑटोमोटिव में रीथिंकिंग सॉफ्टवेयर और इलेक्ट्रॉनिक्स आर्किटेक्चर
• एक और ओएस युद्ध पहले से ही कारों के हुड के नीचे है
• कार में प्रोग्राम कोड
• एक आधुनिक कार में, कोड की अधिक लाइनें हैं ...