Beberapa hari yang lalu
, Vedomosti mengatakan bahwa Moskow akan segera mulai menguji trem tanpa awak. Sekarang mereka mengujinya di depot, tetapi dalam beberapa bulan mereka berencana untuk meluncurkannya di rute No. 17 - sejauh ini tanpa penumpang dan dengan sopir di dalam taksi.
Pada tahap selanjutnya, pengemudi juga akan terus mengendalikan trem. Sistem ini hanya akan merekam pemicunya, tetapi akan dapat mempengaruhi kontrol trem hanya dalam dua kasus - ia akan melambat jika melihat benda asing di trek, dan melambat jika pengemudi berakselerasi terlalu banyak dalam kondisi cuaca buruk.
Kemungkinan besar, trem akan menjadi sepenuhnya tak berawak hanya dalam beberapa tahun. Seperti yang ditulis Vedomosti, pada 2021-2022.
Pengembangan didasarkan pada model Vityaz M, yang diproduksi oleh PC Transport Systems, dan perusahaan Cognitive Technologies bergerak dalam bidang autopilot. Kepala departemennya untuk pengembangan kendaraan tak berawak, Yuri Minkin, memberi tahu kami lebih banyak tentang proyek tersebut.
Sensor
Sistem akan menggunakan 20 kamera dan 10 radar - jika kita berbicara tentang konfigurasi untuk trem tanpa awak sepenuhnya. Kami saat ini sedang mengerjakan solusi sehingga sensor menutupi semua 360 derajat di sekitar trem. Ini adalah perkiraan kuantitas kami saat ini.
Sebagian besar akan dipasang di depan. Ada hingga lima kamera dalam konfigurasi berbeda. Tiga kamera ada di belakang, dan sisanya didistribusikan di seberang mobil. Sensor terpisah juga mengontrol perimeter pintu. Baik kamera atau sensor lain akan berfungsi di ambang pintu - kami masih mengerjakan masalah ini. Mereka harus melihat ketika tidak ada orang di pintu dan mereka bisa ditutup.
Kamera dan radar secara terpisah adalah instrumen yang baik, tetapi mereka tidak memberikan informasi lengkap ketika mereka bekerja dalam isolasi, terutama dalam kondisi yang sulit. Dalam kondisi ideal, kamera sudah cukup untuk semuanya. Namun sayangnya kita tidak hidup di dunia yang ideal. Karena berbagai alasan, kamera dapat berhenti berfungsi secara normal.
Misalnya, matahari bersinar, atau tingkat iluminasi yang sangat rendah, hujan salju lebat, hujan lebat. Yaitu, kondisi di mana orang maupun kamera tidak melihat apa pun. Akan aneh untuk merilis sistem yang tidak akan pergi ke mana pun dalam kabut tebal. Tidak diperlukan dan bahkan berbahaya, karena kabut dapat menyelinap tanpa diketahui. Dan radar tidak begitu sensitif terhadap kondisi cuaca, tetapi pada saat yang sama tidak dapat melihat gambaran lengkapnya. Misalnya, itu tidak mengenali sinyal lalu lintas.
Untuk mengatasi semua ini, teknologi fusi data digunakan - ketika kita secara bersamaan memproses data dari kamera dan radar, dan membuat keputusan berdasarkan dua sensor yang berbeda. Dengan demikian diperoleh solusi semua-cuaca, yang pada saat yang sama cukup dapat diterima.
Akurasi deteksi dalam kondisi sulit, tentu saja, berkurang. Untuk memastikan keselamatan lalu lintas dan memastikan tingkat kualitas yang dapat diterima, tindakan pencegahan harus diambil - pengurangan kecepatan dan sebagainya. Ini mengurangi jarak pengereman, dan meningkatkan waktu untuk menilai situasi saat ini.
Radar akan melihat ke depan dan ke belakang. Mereka memiliki radius aksi besar - hingga dua ratus meter, bahkan mungkin sedikit lebih. Radar akan berada di sudut sehingga kita mengontrol semua titik buta. Dan beberapa lagi di sepanjang trem.
Radar adalah perkembangan kami. Kami mengambil kamera siap. Tapi apa yang akan diajukan, dalam jumlah berapa, dan pada tahap apa masalah bersama dengan produsen trem. Karena itu, kita sebaiknya membicarakan segala sesuatu pada tahap keputusan desain akhir.
Perangkat lunak
Pertama, ini adalah penerimaan dan pemrosesan data secara sinkron dari sensor yang berbeda - kamera, radar, pemosisian presisi tinggi, sensor inersia. Yang utama adalah bahwa data diterima secara sinkron, sehingga sistem memahami bahwa semua informasi mengacu pada satu periode waktu.
Kami juga menerima informasi dari sistem trem udara. Misalnya, posisi kontrol, putaran mesin, kondisi pintu dan berbagai simpul trem.
Ada juga kartografi presisi tinggi - informasi yang kami kumpulkan sebelumnya, dan terus diperbarui. Dengan itu, kita selalu dapat mengembalikan lokasi sesuai dengan informasi dari kamera dan radar, bahkan jika kita kehilangan sinyal GPS. Kita tahu di mana semua objek yang menarik pada rute berada, berhenti, lampu lalu lintas, dan lainnya.
Misalnya, agar tidak menyia-nyiakan sumber daya komputer dalam mendeteksi sinyal lalu lintas di seluruh rute, kami, mengetahui di mana mereka berada, termasuk komponen yang sesuai jika perlu. Ini memungkinkan Anda untuk mengoptimalkan beban komputasi.
Tingkat berikutnya dalam perangkat lunak sedang diproses. Kami mengembalikan adegan jalan di sekitar kami, mengatur objek, menganalisis adegan jalan, dan membuat keputusan tentang bagaimana mempengaruhi kontrol.
Jika kita berbicara tentang sistem peringatan pengemudi, maka kita mengevaluasi apakah sudah waktunya bagi sistem untuk campur tangan atau tidak. Jika tentang autopilot, maka ia terus-menerus mengevaluasi adegan jalan.
Visi mesin dan pelatihan jaringan saraf
Dengan bantuan penglihatan alat berat, kami mendeteksi berbagai objek - pejalan kaki, mobil, sinyal lalu lintas, posisi panah dan lainnya. Semua banyak objek yang monitor pengemudi juga dikenali oleh sistem.
Kami melakukan pengakuan berdasarkan jaringan saraf - ini adalah pendekatan yang paling terbukti. Tetapi tugas ini membutuhkan komputer yang relatif kuat untuk memberikan kualitas yang dapat diterima pada kecepatan yang dapat diterima. Di dalam mobil, dimungkinkan untuk menempatkan peralatan seperti itu, menghubungkannya ke daya. Selain itu, biaya peralatan dapat diterima untuk jenis transportasi ini.
Kami telah mengumpulkan data tentang trem yang sudah ada sejak lama. Proyek ini berlangsung lebih dari enam bulan, baru saja diumumkan. Kami mengumpulkan pada waktu yang berbeda dalam sehari, dalam kondisi pencahayaan yang berbeda. Kami terus memperluas dataset - ini adalah hal yang paling berharga. Algoritma dikembangkan dan ditingkatkan, dan dataset dapat digunakan untuk pengujian dan pelatihan selama bertahun-tahun. Ini adalah dasar dari pembelajaran mesin.
Untuk bagian dari detektor, misalnya, pengenalan mobil dan pejalan kaki, kami menggunakan data yang kami kumpulkan sebelumnya, sebelum proyek dengan trem
Keamanan, sistem cadangan, serangan
Karena teknologi tinggi dari mobil trem, kami dapat sepenuhnya mengontrol trem menggunakan unit antarmuka yang sesuai. Kami dapat memengaruhi semua badan pengatur dan menerima informasi tentang kondisi terkini semua sistem trem.
Ada sistem cadangan. Semua node digandakan dengan margin. Sistem kami selalu mengirimkan sinyal ke unit otonom yang berfungsi. Begitu sinyal ini hilang, unit hanya menghentikan mobil.
Semua informasi terkandung secara lokal. Kami tidak mengendarai trem di luar. Pertama, jika tidak maka tidak akan aman. Kedua, saluran komunikasi yang ada tidak memberikan jaminan yang memadai. Kita semua mengerti bahwa jika sesuatu terjadi pada saluran komunikasi selama gerakan, situasi umumnya tidak dapat diprediksi. Karena itu, semuanya diproses secara eksklusif di atas kapal.
Sistem ini tidak memiliki pintu masuk dari luar. Itu benar-benar tertutup untuk serangan. Hanya jika Anda menyerang trem itu sendiri, buka panel, hubungkan ke kabel - tetapi ini sudah cerita yang fantastis. Meretas melalui Internet dan mengelola trem tidak mungkin. Seluruh sistem tertutup dan sepenuhnya terisolasi.
Dalam kasus serangan menggunakan gambar halangan, radar akan membantu kami. Misalnya, penglihatan akan tertipu - ia akan melihat mobil dan rem yang tidak ada. Tetapi pada radar kita akan melihat bahwa tidak ada yang di depan. Ya, itu akan menjadi jelas - ada sesuatu yang salah, trem akan melambat atau memberi sinyal.
Tetapi sekali lagi, kami mengumpulkan semua metode yang memungkinkan Anda menipu penglihatan Anda, dan mengembangkan metode untuk menyiasatinya, untuk membuat sistem penglihatan tidak merespons gambar-gambar tersebut. Penipuan spesifik untuk setiap implementasi, mereka tidak universal. Misalkan Tesla memiliki sistem tertentu, dan menjadi jelas bagi seseorang cara menipu itu. Dan kemungkinan besar, apa yang menipu Tesla tidak akan menipu kita.
Anda dapat menangani ini dengan memonitor secara konstan. Orang jahat datang dengan cara baru untuk mencuri, orang baik datang dengan cara melindungi diri dari ini.
Perbedaan antara trem dan kendaraan tak berawak biasa
Di satu sisi, tanggung jawab tumbuh, karena itu adalah transportasi penumpang. Selalu memastikan perjalanan yang mulus. Anda mengerti bahwa ada lusinan orang di dalamnya untuk siapa Anda bertanggung jawab.
Di sisi lain, trem berjalan di atas rel, hampir selalu memiliki keuntungan dalam peraturan lalu lintas. Tidak perlu menyelesaikan masalah taksi, lintasannya, semua tempat menarik, semua lampu lalu lintas, pemberhentian selalu diketahui secara menyeluruh. Ini sangat menyederhanakan tugas.
Selain itu, tremnya besar, masalah lebih sedikit dengan penempatan peralatan, dengan kekuatannya. Di dalam mobil, daya generator tidak selalu cukup untuk mengakomodasi peralatan yang memungkinkan Anda mengemudi secara mandiri. Tetapi tidak ada masalah dengan trem.
Trem yang kami gunakan sangat modern. Semuanya dikontrol secara elektronik, dan sudah ada banyak sistem keamanan bawaan. Misalnya, dia tidak bisa bergerak sama sekali sampai pintu terkunci. Jika pintu menemukan sesuatu saat menutup, mereka akan membuka diri, tidak pernah mencubit siapa pun. Oleh karena itu, ternyata mesin pangkalan sangat sukses, di mana kami telah menempatkan sistem kami.
Artinya, dari sudut pandang implementasi - lebih sederhana, tetapi lebih bertanggung jawab.
Tetapi banyak hal yang perlu dikoordinasikan. Pertama, kami berkoordinasi dengan pabrikan trem, kemudian kami pergi ke Mosgortrans, dan ini mempersulit jalannya pengujian. Jika kami dapat mengendarai mobil ke TPA, maka pengujian dapat dilakukan di depot kecil - tetapi Anda tidak akan sering ke sana - atau Anda dapat secara khusus mengatur pengujian di kondisi perkotaan dan memastikan keamanan. Misalnya naik di malam hari.
Autopilot dan jadwal
Ini akan bekerja dengan cara kerjanya sekarang. Setiap trem memiliki jadwal yang harus diikuti. Jika mobil naik di jalur trem, jadwal akan bergerak. Sudah disiapkan dengan mempertimbangkan bahwa mungkin ada hambatan di jalan pergerakan. Ada banyak pengalaman dalam pengoperasian trem, telah lama diketahui bagaimana rata-rata trem dapat menyimpang dari jadwal idealnya. Kami menempatkan penyimpangan ini dalam rute pergerakan.
Secara alami, sesuatu yang lebih serius dapat terjadi. Di masa depan, sebuah sistem akan disediakan ketika kita mengetahui tentang pergerakan trem lain, dan kita akan memikirkan hal ini.
Ya, pengemudi dapat menunggu satu detik ekstra untuk orang yang berlari kepadanya, melambaikan tangannya dan terlambat, tetapi mobil tidak. Secara teoritis, ini tentu saja dapat ditetapkan, tetapi dalam praktiknya ini tidak akan terjadi. Jika kita menunggu sebentar, maka dalam satu menit orang lain akan berlari. Ini adalah mobil, dan berfungsi sesuai aturan yang jelas. Berkat aturan-aturan ini, ini lebih aman.
Apa yang dibutuhkan untuk mengeluarkan proyek dari tahap uji coba
Kita perlu menguji semuanya - bahkan apa yang sudah siap. Dalam sejumlah kondisi, semuanya bekerja dengan baik. Tetapi kita memahami bahwa hidup ini kaya akan peristiwa, jadi kita perlu mencoba lebih jauh, meniru berbagai skenario di kota, untuk melihat apakah sistem itu berfungsi atau tidak.
Rencana kami adalah meluncurkan beberapa trem yang akan mengendarai, mengumpulkan data, dan menonton cara kerja sistem. Artinya, sistem tidak akan mempengaruhi kontrol, tetapi hanya akan berhenti berlangganan tanggapannya. Dan kami akan memantau dan membandingkan reaksi sistem dengan reaksi pengemudi. Berdasarkan ini, kita akan menganalisis apa yang benar, apa yang salah. Kami akan mendapatkan semua informasi dari sensor, dan kami akan melihat apa yang salah.
Secara alami, algoritma perlu dikembangkan lebih lanjut. Visi sudah cukup dekat dengan standar industri, dengan apa yang sudah diizinkan untuk bekerja. Kita perlu menyusun skenario dan menganalisis nuansa. Misalnya, untuk menganalisis bagaimana pejalan kaki bergerak sehingga sistem tidak bekerja salah, tetapi pada saat yang sama melambat ketika itu benar-benar dibutuhkan.
Ini semua adalah nuansa tuning, debugging yang membutuhkan banyak waktu.