ВВЕДЕНИЕ:

В современную эпоху транспортные средства ориентированы на автоматизацию, чтобы водитель мог спокойно управлять автомобилем. В ближайшие годы мы, по сути, сможем делать в машине все, что захотим, будь то сон, чтение новостей или видеочат с друзьями. Автомобиль сделает все за нас, что позволит нам сэкономить время в дороге. Автономные транспортные средства позволили бы транспорту быть точным и безопасным, тем самым уменьшая количество ненужных смертей. В области автомобилей были рассмотрены различные аспекты, которые делают автомобиль автоматизированным. С момента зарождения коммерческой автомобильной промышленности в конце 1890-х автомобили становились все более безопасными и удобными. Недавно автопроизводители начали внедрять передовые системы помощи водителю, такие как адаптивный круиз-контроль (автоматизирующий ускорение и торможение) и активный ассистент движения по полосе (автоматизирующий рулевое управление). Эти системы стали достаточно функциональными, чтобы новые роскошные автомобили могли самостоятельно управлять медленным дорожным движением. Исследования автономных автомобилей значительно продвинулись с момента первых демонстраций в 1980-х годах. Есть много технологий, которые делают возможными беспилотные автомобили. В беспилотных автомобилях используется множество датчиков, таких как RADAR, LIDAR, GPS и т. д., наряду с передовыми методами глубокого обучения, включающими обнаружение объектов, компьютерное зрение и обучение нейронных сетей различным условиям, в которые может попасть автомобиль. Автономному транспортному средству нужны сенсорные устройства ввода, такие как камеры, чтобы позволить автомобилю воспринимать окружающий мир, создавая цифровую карту. Мы сосредоточены на визуализации, когда автомобили выполняют обнаружение объектов. Обнаружение и отслеживание объектов вокруг автономного транспортного средства необходимы для безопасной эксплуатации. Обнаружение объектов состоит из двух частей: классификации изображений и локализации изображений. Классификация изображения определяет, что представляют собой объекты на изображении, например, автомобиль или человек, а локализация изображения определяет конкретное местоположение этих объектов. Мы обучаем сверточную нейронную сеть, которая поможет транспортному средству лучше понять окружающую среду и получить искусственную визуальную силу.

ПРЕДПОСЫЛКИ И НАБЛЮДЕНИЕ:

На протяжении поколений автомобильная промышленность была источником инноваций и экономического роста. Умение водить машину — это символ мобильности и независимости, которые передаются из поколения в поколение. Автомобили играют важную роль в нашей жизни и приносят много пользы обществу.

Тем не менее, несмотря на все блага, принесенные обществу, ни одно другое изобретение в истории гражданской техники не причинило столько вреда, как автомобиль. Каждые 30 секунд кто-то погибает в дорожно-транспортном происшествии, что составляет более 1 миллиона смертей в год1. В США автомобильные аварии являются основной причиной смерти людей в возрасте от 3 до 34 лет. Более того, человеческий фактор является причиной более 90% автомобильных аварий.

Кроме того, неэффективность, связанная с использованием автомобилей, ошеломляет. Большинство автомобилей не используются более 95% своего срока службы, а автострада, работающая с максимальной эффективностью, имеет автомобили только на 5% своей поверхности. В перегруженных городских районах 40% всего используемого бензина тратится, когда машины кружат в поисках места для парковки4. Кроме того, в некоторых городах США парковочные места занимают более трети территории, становясь единственной заметной особенностью ландшафта нашей застроенной среды.

Автономные транспортные средства могли бы смягчить или полностью решить эти серьезные проблемы. Технологии автономного вождения обычно делятся на две категории: реализация на основе датчиков или реализация «подключенного автомобиля». Реализация на основе датчиков часто является расширением текущих расширенных функций безопасности, в то время как технология подключенных транспортных средств (V2X) предполагает связь автомобилей друг с другом (V2V) и с инфраструктурой (V2I).

ЦЕЛЬ И НЕОБХОДИМОСТЬ

Беспилотный автомобиль — это технологический прогресс, вызывающий всеобщее удивление. Возможно, мы еще не достигли будущего летающих автоматизированных транспортных средств, подобного Jetsons, но беспилотные транспортные средства все ближе и ближе становятся широко распространенным и жизнеспособным методом транспортировки. И хотя многие скептически относятся к будущему беспилотных и беспилотных транспортных средств на дорогах, существует множество данных и исследований, подтверждающих идею о том, что беспилотные транспортные средства могут быть лучше для нашего будущего.

Имея это в виду, вот несколько причин использовать автомобили с автопилотом:

Наши дороги станут безопаснее:

Самоуправляемые транспортные средства являются чисто аналитическими, полагаясь на камеры, радары и другие датчики для навигации. Здесь нет никаких эмоций и, конечно же, никаких отвлекающих факторов, таких как мобильные телефоны, или ухудшающих факторов, таких как алкоголь, которые могут повлиять на эффективность вождения. Компьютеры в умной машине просто реагируют быстрее, чем наш разум, и не восприимчивы к множеству потенциальных ошибок, которые мы можем совершить на дороге. В результате будущее, полное беспилотных автомобилей, будет более безопасным.

Мы будем продуктивнее:

Хотя многие уже ездят на работу на автобусах или поездах, многие до сих пор ездят на работу на своих автомобилях. Беспилотное транспортное средство позволит им выполнить некоторую работу, отправить несколько электронных писем или даже немного поспать, если им нужно рано вставать, чтобы добраться до работы. Многие люди все равно испытывают искушение посмотреть на свои телефоны во время вождения, так почему бы не сделать это хотя бы безопасно в беспилотном автомобиле.

Мы можем сэкономить деньги

Самоуправляемые автомобили безопаснее, они сократят любые расходы, связанные с авариями, а значит, и страховые взносы не взлетят до небес. Кроме того, беспилотные автомобили не подвержены такому же износу, как автомобили, управляемые людьми. Они не нажимают на педаль газа и не нажимают на тормоза, если не обнаружена чрезвычайная ситуация, что обеспечивает лучшее техническое обслуживание, более медленную амортизацию и даже лучшую топливную экономичность.

ПОДХОД НА ОСНОВЕ ГЛУБОКИХ НЕЙРОННЫХ СЕТЕЙ

ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ

Прежде чем мы приступим к созданию различных компонентов модели обнаружения объектов, мы выполним некоторые шаги предварительной обработки. Этапы предварительной обработки включают изменение размера изображений (в соответствии с входной формой, принятой моделью) и преобразование координат блока в соответствующую форму. Поскольку мы будем создавать обнаружение объектов для беспилотного автомобиля, мы будем обнаруживать и локализовать восемь разных классов.

ПЕРЕСЕЧЕНИЕ НАД ОБЪЕДИНЕНИЕМ:

Он используется при обнаружении объектов, потому что сравнивает ограничительную рамку истинности с предсказанной ограничительной рамкой. Разделив область перекрытия на площадь объединения, мы получаем функцию, которая вознаграждает сильное перекрытие и наказывает неточные предсказания ограничивающей рамки. Цель ограничительной рамки — максимально точно ограничить объект изображением, и IoU — отличный показатель для определения этого.

ОПРЕДЕЛЕНИЕ МОДЕЛИ

Вы только посмотрите один раз (YOLO) — это современная система обнаружения объектов в реальном времени, которая имеет mAP на VOC 2007 78,6% и mAP 48,1% на тест-разработчике COCO. YOLO применяет одну нейронную сеть к полному изображению. Эта сеть делит изображение на области и предсказывает ограничивающие рамки и вероятности для каждой области. Эти ограничивающие рамки взвешиваются по предсказанным вероятностям.

Одним из преимуществ YOLO является то, что он просматривает все изображение во время тестирования, поэтому его прогнозы основаны на глобальном контексте изображения. В отличие от R-CNN, для которого требуются тысячи сетей для одного изображения, YOLO делает прогнозы с помощью одной сети. Это делает этот алгоритм чрезвычайно быстрым, более чем в 1000 раз быстрее, чем R-CNN, и в 100 раз быстрее, чем Fast R-CNN.

АРХИТЕКТУРА МОДЕЛИ

Модель YOLO имеет следующую архитектуру (см. рис. 3). Сеть имеет 24 сверточных слоя, за которыми следуют два полносвязных слоя. Чередование сверточных слоев 1 × 1 уменьшает пространство признаков по сравнению с предыдущими слоями. Сверточные слои предварительно обучаются на задаче классификации ImageNet с половинным разрешением (входное изображение 224 × 224), а затем удваивают разрешение для обнаружения.

РЕАЛИЗАЦИЯ МОДЕЛИ НА РЕАЛЬНЫХ ДАННЫХ

Когда нам нужно выполнить обнаружение объекта на реальных данных, мы используем для этого подачу с видеокамеры. Видео — это последовательность изображений в разные временные рамки, поэтому мы будем прогнозировать вероятности классов и ограничивающие рамки для изображения, снятого в каждый временной кадр. Мы будем использовать функцию захвата видео OpenCV, чтобы читать видео и преобразовывать его в изображения/кадры с разными временными шагами. Затем мы загружаем предварительно обученные веса модели YOLOv2 и замораживаем все веса, кроме последнего слоя, во время обучения модели. Мы удаляем последний сверточный слой модели YOLOv2 и заменяем его новым сверточным слоем, указывающим количество предсказываемых классов.

ДЖЕТСОН НАНО

Jetson Nano – это небольшой мощный компьютер для встраиваемых приложений и Интернета вещей с искусственным интеллектом, который обеспечивает мощь современного искусственного интеллекта в модуле стоимостью 129 долларов США. Быстро начните работу с комплексным JetPack SDK с ускоренными библиотеками для глубокого обучения, компьютерного зрения, графики, мультимедиа и многого другого.

Чтобы настроить Jetson Nano, вы можете перейти на этот сайт для получения полного руководства.

ИНТЕРФЕЙС ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ И ОБОРУДОВАНИЯ

В вычислительной технике интерфейс — это общая граница, через которую два или более отдельных компонента системы обмениваются информацией. Программные интерфейсы (программные интерфейсы) — это языки, коды и сообщения, которые программы используют для связи друг с другом и с оборудованием. В нашем проекте должна быть связь между аппаратным обеспечением, которым является GPU (Graphics Processing Unit) и различными подсистемами E-auto. Мы знаем, что для того, чтобы любой автомобиль работал должным образом, у нас должны быть три основные рабочие части автомобиля, которые

  1. Система ускорения.
  2. Система торможения
  3. Рулевая система.

Эти три подсистемы автомобиля подключены к драйверам двигателей и разъемам, которыми будет управлять графический процессор.

В JETSON NANO у нас есть различные контакты GPIO, которые помогают подключать к нему различные аппаратные компоненты.

ESC (СИСТЕМА ЭЛЕКТРОННОГО РЕГУЛЯТОРА СКОРОСТИ)

В E-Auto у нас есть BLDC (бесщеточный двигатель постоянного тока), который управляет ускорением автомобиля.

BLDC двигатель состоит из двух основных частей, статора и ротора. На этой иллюстрации ротор представляет собой постоянный магнит с двумя полюсами, а статор состоит из катушек, расположенных, как показано на рисунке ниже.

Мы управляем электронным регулятором скорости с помощью графического процессора Jetson Nano. Сначала мы подключаем комплект SERVO Motor Kit к ESC, чтобы помочь генерировать PWM-сигналы для ESC. Что касается управления ESC, нам необходимо генерировать ШИМ-сигналы, которые являются сигналами ШИМ-ИМПУЛЬСНОЙ МОДУЛЯЦИИ. Сигнал широтно-импульсной модуляции (ШИМ) — это метод генерации аналогового сигнала с использованием цифрового источника. Сигнал ШИМ состоит из двух основных компонентов, определяющих его поведение: коэффициент заполнения и частота.

EBS (ЭЛЕКТРОННАЯ ТОРМОЗНАЯ СИСТЕМА)

В E-Auto у нас есть барабанный тормоз, который управляет тормозной системой автомобиля. Барабанный тормоз — это тормоз, в котором используется трение, вызванное набором колодок или колодок, которые давят наружу на вращающуюся цилиндрическую деталь, называемую тормозным барабаном. Под барабанным тормозом обычно понимают тормозную систему, в которой колодки давят на внутреннюю поверхность барабана. Когда обувь давит на внешнюю сторону барабана, это обычно называют кламмерным тормозом. Там, где барабан зажимается между двумя колодками, как в обычном дисковом тормозе, его иногда называют прижимным барабанным тормозом, хотя такие тормоза встречаются относительно редко. Барабанные тормоза существуют почти столько же, сколько и сам автомобиль, и до сих пор используются в модифицированной и более сложной форме в современных автомобилях. Термин «барабанный тормоз» описывает принцип конструкции, а именно закрытую цилиндрическую конструкцию.

ПРИНЦИП РАБОТЫ:

Когда водитель нажимает на педаль тормоза, мощность усиливается усилителем тормозов (сервосистема) и преобразуется в гидравлическое давление (давление масла) главным цилиндром. Давление достигает тормозов на колесах через трубки, заполненные тормозным маслом (тормозной жидкостью). Подаваемое давление толкает поршни тормозов четырех колес. Поршни прижимают тормозные колодки, представляющие собой фрикционные материалы, к внутренним поверхностям тормозных барабанов, которые вращаются вместе с колесами. Накладки прижимаются к вращающимся барабанам, которые, в свою очередь, тормозят колеса, тем самым замедляя и останавливая транспортное средство.

Мы разработали поршневую систему для управления тормозной системой автомобиля. Поршневая система управляется двигателем, который подключен к контактам GPIO Jetson Nano.

Поршень представляет собой подвижный диск, заключенный в цилиндр, герметизированный поршневыми кольцами. Диск движется внутри цилиндра, когда жидкость или газ внутри цилиндра расширяются и сжимаются. Поршень способствует преобразованию тепловой энергии в механическую работу и наоборот. Такая система известна как поршневой двигатель.

Двигатель состоит из неподвижного цилиндра и подвижного поршня. Расширяющиеся газы сгорания толкают поршень, который, в свою очередь, вращает коленчатый вал. После того, как поршень сжимает топливно-воздушную смесь, искра воспламеняет ее, вызывая сгорание. Расширение продуктов сгорания толкает поршень во время рабочего такта.

Мы управляем поршневой системой с помощью серводвигателя, который принимает сигналы от графического процессора и помогает управлять поршневой системой, которая, в свою очередь, управляет тормозной системой автомобиля.

РУЛЕВАЯ СИСТЕМА

Рулевое управление — это набор компонентов, соединений и т. д., который позволяет любому транспортному средству (автомобилю, мотоциклу, велосипеду) следовать заданному курсу. Основная цель системы рулевого управления - позволить водителю управлять транспортным средством. есть реечная система рулевого управления. Это преобразует вращательное движение рулевого колеса в линейное движение, которое поворачивает колеса и направляет ваш путь. В системе используется круглая шестерня (рулевая шестерня), которая фиксирует зубья на стержне (рейке).

Шаговый двигатель представляет собой электромеханическое устройство, преобразующее электрическую энергию в механическую. Для управления рулевым управлением автомобиля мы использовали шаговый двигатель. Шаговые двигатели — это двигатели постоянного тока, которые перемещаются дискретными шагами. У них есть несколько катушек, которые организованы в группы, называемые «фазами». При последовательном включении каждой фазы двигатель будет вращаться шаг за шагом. С шаговым управлением, управляемым компьютером, вы можете добиться очень точного позиционирования и/или управления скоростью. Когда вектор магнитного поля статора поворачивается на угол, ротор также вращается с магнитным полем на угол. Каждый раз, когда на вход подается электрический импульс, двигатель поворачивается на один градус дальше.

АРХИТЕКТУРА СИСТЕМЫ

Когда мы взаимодействуем со всеми компонентами системы, которые нам нужны для преобразования электронного транспортного средства в самоуправляемое транспортное средство, мы получаем подчеркивающую архитектуру системы следующим образом:

МОДЕЛЬ ВЗАИМОДЕЙСТВИЯ

Пользователь введет сведения о пункте назначения, которого он хочет достичь, и система вернет карту пути, по которому он будет следовать, чтобы добраться до пункта назначения. После подтверждения пользователем система перейдет в режим автономного вождения и достигнет пункта назначения.

МОДЕЛЬ ОБРАБОТКИ ДАННЫХ

НЕКОТОРЫЕ ИЗОБРАЖЕНИЯ:

ВЫВОД:

В проекте были реализованы три общие задачи, а именно отслеживание объектов, обнаружение безопасной полосы движения и обнаружение пешеходов. Поскольку мы внедрили прототип самоуправляемого транспортного средства с одной камерой, мы сочли это многообещающим в случаях использования, когда мы размечаем полосы движения и слабое движение. Это лучше всего подходит для кампусного сценария колледжей, университетов и даже транснациональных компаний. Современные разработки в области беспилотных автомобилей отражают яркое будущее, которое уготовано этим автомобилям. Согласно официальным прогнозам, к 2030-м годам большинство автомобилей станут полностью автономными. Наш проект является шагом вперед в развитии и достижениях, происходящих в этой области исследований.