Բառը[Թաքցնել][Ցուցադրում]
Սենսորները և ծրագրակազմը համակցված են ինքնավար մեքենաներում՝ նավարկելու, ղեկավարելու և գործարկելու տարբեր տրանսպորտային միջոցներ, այդ թվում՝ մոտոցիկլետներ, ավտոմեքենաներ, բեռնատարներ և անօդաչու սարքեր:
Կախված նրանից, թե ինչպես են դրանք մշակվել կամ նախագծվել, դրանք կարող են պահանջել կամ չպահանջել վարորդի օգնությունը:
Լիովին ինքնավար մեքենաները կարող են անվտանգ աշխատել առանց մարդկանց վարորդների: Ոմանք, ինչպես Google-ի Waymo մեքենա, նույնիսկ ղեկ չէր կարող ունենալ:
Մասամբ ինքնավար փոխադրամիջոց, ինչպիսին է Tesla, կարող է ստանձնել մեքենայի ամբողջական կառավարումը, սակայն կարող է անհրաժեշտ լինել մարդ վարորդ՝ օգնելու համար, եթե համակարգը կասկածի տակ է առնում:
Այս մեքենաներում ներառված են ինքնակառավարման տարբեր աստիճաններ՝ սկսած գծի ուղղորդումից և արգելակման օգնությունից մինչև լիովին անկախ, ինքնակառավարվող նախատիպեր:
Առանց վարորդի մեքենաների նպատակն է նվազեցնել երթևեկությունը, արտանետումները և վթարների մակարդակը:
Դա հնարավոր է, քանի որ ինքնավար մեքենաներն ավելի հմուտ են երթևեկության կանոնները պահպանելու հարցում, քան մարդիկ:
Սահուն վարելու համար անհրաժեշտ են որոշակի տեղեկություններ, ինչպիսիք են մեքենայի կամ մոտակա օբյեկտների գտնվելու վայրը, նպատակակետ տանող ամենակարճ և անվտանգ ճանապարհը և վարորդական համակարգը գործարկելու հնարավորությունը:
Շատ կարևոր է հասկանալ, թե երբ և ինչպես կատարել անհրաժեշտ առաջադրանքները:
Այս հոդվածը կներառի շատ հիմքեր, ներառյալ համակարգի ճարտարապետություն ինքնավար մեքենաների, անհրաժեշտ բաղադրիչների և տրանսպորտային միջոցների ժամանակավոր ցանցերի համար (VANET):
Ինքնավար մեքենայի համար անհրաժեշտ բաղադրիչներ
Այսօրվա ինքնավար մեքենաներն օգտագործում են մի շարք սենսորներ, այդ թվում՝ տեսախցիկներ, GPS, իներցիալ չափման միավորներ (IMU), սոնար, լազերային լուսավորության հայտնաբերում և տիրույթ (լիդար), ռադիոյի հայտնաբերում և տիրույթ (ռադար), ձայնային նավիգացիա և տիրույթ (սոնար) և 3D քարտեզներ.
Այս սենսորներն ու տեխնոլոգիաները միասին իրական ժամանակում վերլուծում են տվյալները՝ կառավարելու ղեկը, արագացումը և արգելակումը:
Ռադարային սենսորներն օգնում են հետևել շրջակա մեքենաների գտնվելու վայրին: Ավտոմեքենաներին օգնում են ուլտրաձայնային տվիչներով կայանման ժամանակ:
Lidar անունով հայտնի տեխնոլոգիան ստեղծվել է երկու տեսակի սենսորների օգտագործմամբ: Արտացոլելով լույսի իմպուլսները ավտոմեքենայի շրջակա միջավայրից՝ լիդարի սենսորները կարող են հայտնաբերել ճանապարհների եզրերը և բացահայտել երթևեկության գծանշումները:
Դրանք նաև զգուշացնում են վարորդներին հարակից խոչընդոտների մասին, ինչպիսիք են այլ տրանսպորտային միջոցները, հետիոտները և հեծանիվները:
Մեքենայի շուրջ ամեն ինչի չափն ու հեռավորությունը չափվում է lidar տեխնոլոգիայի միջոցով, որը նաև ստեղծում է 3D քարտեզ, որը թույլ է տալիս մեքենային դիտել իր շրջապատը և բացահայտել ցանկացած ռիսկ:
Անկախ օրվա ժամից, լինի դա պայծառ, թե մռայլ, այն հիանալի աշխատանք է կատարում՝ տեղեկատվություն գրանցելու տարբեր տեսակի շրջակա լույսի ներքո:
Մեքենան օգտագործում է տեսախցիկներ, ռադարներ և GPS ալեհավաքներ՝ լիդարի և տեսախցիկների հետ միասին՝ շրջապատը հայտնաբերելու և գտնվելու վայրը պարզելու համար։
Տեսախցիկները ստուգում են հետիոտների, հեծանվորդների, ավտոմեքենաների և այլ խոչընդոտների առկայությունը՝ միաժամանակ հայտնաբերելով ճանապարհային ազդանշանները, կարդալով ճանապարհային նշաններ և գծանշումներ և հետևել այլ տրանսպորտային միջոցներին:
Այնուամենայնիվ, նրանք կարող էին դժվարություններ ունենալ աղոտ կամ ստվերային վայրերում: Ինքնավար մեքենան կարող է տեսնել, թե ուր է գնում՝ օգտագործելով լիդարի, ռադարի, տեսախցիկների, GPS ալեհավաքների և ուլտրաձայնային սենսորների խառնուրդը՝ դիմացի ճանապարհը թվային ձևով քարտեզագրելու համար:
Բարձր մակարդակի համակարգի ճարտարապետություն
Հիմնական սենսորները, ակտուատորները, սարքաշարը և ծրագրաշարը թվարկված են ճարտարապետության մեջ, որը ցույց է տալիս նաև AV-ների հաղորդակցման ողջ մեխանիզմը կամ արձանագրությունը:
Ըմբռնում
Այս փուլը ներառում է AV-ի գտնվելու վայրի նույնականացումը շրջակա միջավայրի հետ կապված և AV-ի շուրջ շրջակա միջավայրի հայտնաբերումը տարբեր սենսորների միջոցով:
AV-ն այս քայլում օգտագործում է RADAR, LIDAR, տեսախցիկ, իրական ժամանակի կինետիկ (RTK) և այլ սենսորներ: Ճանաչման մոդուլները ստանում են տվյալներ այս սենսորներից և դրանք փոխանցելուց հետո մշակում:
Ընդհանուր առմամբ, AV-ն բաղկացած է կառավարման համակարգից, LDWS, TSR, անհայտ խոչընդոտների ճանաչման (UOR), մեքենայի դիրքավորման և տեղայնացման (VPL) մոդուլից և այլն:
Համակցված տեղեկատվությունը մշակվելուց հետո տրվում է որոշումների կայացման և պլանավորման փուլին:
Որոշում և պլանավորում
ԱՎ-ի շարժումներն ու վարքագիծը որոշվում, պլանավորվում և վերահսկվում են այս քայլում՝ օգտագործելով ընկալման գործընթացում ստացված տեղեկատվությունը:
Այս փուլը, որը կներկայացնի ուղեղը, այն է, որտեղ ընտրվում են այնպիսի բաներ, ինչպիսիք են ճանապարհի պլանավորումը, գործողությունների կանխատեսումը, խոչընդոտներից խուսափելը և այլն:
Ընտրությունը հիմնված է այն տեղեկատվության վրա, որն այժմ և պատմականորեն հասանելի է, ներառյալ իրական ժամանակի քարտեզի տվյալները, երթևեկության առանձնահատկությունները, միտումները, օգտվողի տեղեկությունները և այլն:
Կարող է լինել տվյալների մատյան մոդուլ, որը հետևում է սխալների և տվյալների հետագա օգտագործման համար:
Վերահսկել
Կառավարման մոդուլը որոշումից և պլանավորման մոդուլից տեղեկատվություն ստանալուց հետո իրականացնում է ԱՎ-ի ֆիզիկական հսկողության հետ կապված գործողություններ/գործողություններ, ինչպիսիք են ղեկը, արգելակումը, արագացումը և այլն:
Chassis
Վերջին քայլը ներառում է շասսիին ամրացված մեխանիկական մասերի հետ փոխազդեցություն, ինչպիսիք են փոխանցման շարժիչը, ղեկի շարժիչը, արգելակային ոտնակի շարժիչը և արագացուցիչի և արգելակի ոտնակային շարժիչները:
Կառավարման մոդուլը ազդանշան է տալիս և կառավարում այս բոլոր բաղադրիչները:
Այժմ մենք կխոսենք AV-ի ընդհանուր հաղորդակցության մասին՝ նախքան տարբեր հիմնական սենսորների նախագծման, շահագործման և օգտագործման մասին խոսելը:
Ռադիոտեղորոշում
AV-ներում RADAR-ներն օգտագործվում են շրջակա միջավայրը սկանավորելու համար՝ մեքենաներ և այլ օբյեկտներ գտնելու և տեղորոշելու համար:
ՌԱԴԱՐ-ները հաճախ օգտագործվում են ինչպես ռազմական, այնպես էլ քաղաքացիական նպատակներով, ինչպիսիք են օդանավակայանները կամ օդերևութաբանական համակարգերը, և դրանք գործում են միլիմետրային ալիքի (մմ-ալիք) սպեկտրում:
Տարբեր հաճախականությունների տիրույթներ, ներառյալ 24, 60, 77 և 79 ԳՀց, օգտագործվում են ժամանակակից ավտոմեքենաներում և ունեն 5-ից 200 մ չափման միջակայք [10]:
Հաղորդվող ազդանշանի և վերադարձված արձագանքի միջև ToF-ը հաշվարկելով՝ որոշվում է AV-ի և օբյեկտի միջև հեռավորությունը:
AV-ներում RADAR-ներն օգտագործում են միկրո-ալեհավաքների զանգված, որոնք ստեղծում են բլթակների հավաքածու՝ ընդլայնելու տիրույթի լուծումը և բազմակի թիրախների նույնականացումը: մմ-ալիքային ՌԱԴԱՐ-ը կարող է ճշգրիտ գնահատել մոտ հեռավորության վրա գտնվող օբյեկտները ցանկացած ուղղությամբ՝ օգտագործելով Դոպլերային տեղաշարժի շեղումը, որը պայմանավորված է իր բարձր թափանցելիությամբ և ավելի մեծ թողունակությամբ:
Քանի որ mm-Wave ռադարներն ունեն ավելի երկար ալիքի երկարություն, դրանք օժտված են հակաշրջափակման և աղտոտման դեմ կարողություններով, որոնք թույլ են տալիս գործել անձրևի, ձյան, մառախուղի և ցածր լույսի ներքո:
Բացի այդ, դոպլերային տեղաշարժը կարող է օգտագործվել մմ-ալիքի ռադարների միջոցով հարաբերական արագությունը հաշվարկելու համար: Իրենց հնարավորությունների շնորհիվ mm-Wave ռադարները հարմար են ԱՎ կիրառությունների լայն շրջանակի համար, ներառյալ խոչընդոտների հայտնաբերումը և հետիոտների և տրանսպորտային միջոցների ճանաչումը:
Ուլտրաձայնային սենսորներ
Այս սենսորներն աշխատում են 20-40 կՀց տիրույթում և օգտագործում են ուլտրաձայնային ալիքներ: Մագնիսական դիմադրողական թաղանթը, որն օգտագործվում է օբյեկտի հեռավորությունը չափելու համար, առաջացնում է այս ալիքները:
Արձագանքվող ազդանշանին արտանետվող ալիքի թռիչքի ժամանակը (ToF) հաշվարկելով՝ որոշվում է հեռավորությունը։ Ուլտրաձայնային սենսորների բնորոշ միջակայքը 3 մետրից պակաս է:
Սենսորի ելքը թարմացվում է յուրաքանչյուր 20 ms-ում, ինչը թույլ չի տալիս այն համապատասխանել ITS-ի խիստ QoS պահանջներին: Այս սենսորներն ունեն ճառագայթների հայտնաբերման համեմատաբար փոքր տիրույթ և ուղղորդված են:
Հետևաբար, ամբողջական դաշտային տեսողություն ստանալու համար անհրաժեշտ են բազմաթիվ սենսորներ: Այնուամենայնիվ, շատ սենսորներ փոխազդելու են և կարող են հանգեցնել տիրույթի զգալի անճշտությունների:
LiDAR- ը
LiDAR-ում օգտագործվում են 905 և 1550 նմ սպեկտրները: Քանի որ մարդու աչքը ենթակա է ցանցաթաղանթի վնասմանը 905 նմ միջակայքից, ներկայիս LiDAR-ը գործում է 1550 նմ տիրույթում՝ նվազեցնելու ցանցաթաղանթի վնասը:
Մինչև 200 մետրը LiDAR-ի առավելագույն աշխատանքային տիրույթն է: Պինդ վիճակ, 2D և 3D LiDAR-ը LiDAR-ի տարբեր ենթակատեգորիաներ են:
Մեկ լազերային ճառագայթը ցրվում է հայելու վրա, որն արագ պտտվում է 2D LiDAR-ում: Տեղադրելով մի քանի լազերներ պատիճի վրա՝ 3D LiDAR-ը կարող է ձեռք բերել շրջապատի 3D պատկեր:
Ապացուցված է, որ ճամփեզրի LiDAR համակարգը նվազեցնում է տրանսպորտային միջոցի հետիոտնի (V2P) բախումների քանակը ինչպես խաչմերուկում, այնպես էլ ոչ խաչմերուկային գոտիներում:
Այն օգտագործում է 16 տող, իրական ժամանակում, հաշվարկային արդյունավետ LiDAR համակարգ:
Առաջարկվում է արհեստական խորը ավտոմատ կոդավորիչ օգտագործել նյարդային ցանց (DA-ANN), որը հասնում է 95% ճշգրտության 30 մ հեռավորության վրա:
Ցուցադրվում է, թե ինչպես է օժանդակ վեկտորային մեքենայի (SVM) վրա հիմնված ալգորիթմը, որը համակցված է 64 տողանոց 3D LiDAR-ի հետ, կարող է ուժեղացնել հետիոտների ճանաչումը:
Չնայած ավելի լավ չափման ճշգրտությանը և 3D տեսլականին, քան mm-Wave ռադարը, LiDAR-ը ավելի քիչ լավ է գործում անբարենպաստ եղանակին, ներառյալ մառախուղը, ձյունը և անձրևը:
Տեսախցիկներ
Կախված սարքի ալիքի երկարությունից՝ AV-ների տեսախցիկը կարող է լինել ինֆրակարմիր կամ տեսանելի լույսի վրա հիմնված:
Տեսախցիկում (CMOS) օգտագործվում են լիցքավորվող սարքը (CCD) և լրացուցիչ մետաղական օքսիդ-կիսահաղորդիչ (CMOS) պատկերի սենսորները:
Կախված ոսպնյակի որակից՝ տեսախցիկի առավելագույն տիրույթը մոտ 250 մ է: Տեսանելի տեսախցիկների կողմից օգտագործվող երեք ժապավենները՝ Կարմիրը, Կանաչը և Կապույտը, բաժանված են նույն ալիքի երկարությամբ, ինչ մարդու աչքը կամ 400–780 նմ (RGB):
Երկու VIS տեսախցիկները միացված են հաստատված կիզակետային երկարություններին՝ ստեղծելու նոր ալիք, որը պարունակում է խորության (D) տեղեկատվություն, որը թույլ է տալիս ստեղծել ստերեոսկոպիկ տեսողություն:
Այս հնարավորության շնորհիվ մեքենան շրջապատող տարածքի 3D տեսք կարելի է ստանալ տեսախցիկի միջոցով (RGB-D):
Ինֆրակարմիր (IR) տեսախցիկով օգտագործվում են պասիվ սենսորներ, որոնք ունեն 780 նմ-ից մինչև 1 մմ ալիքի երկարություն: Պիկ լուսավորության դեպքում AV-ների IR սենսորներն առաջարկում են տեսողական կառավարում:
Այս տեսախցիկը օգնում է AV-ներին օբյեկտների ճանաչման, կողային տեսքի վերահսկման, վթարի ձայնագրման և BSD-ի միջոցով: Այնուամենայնիվ, անբարենպաստ եղանակին, ինչպիսիք են ձյունը, մառախուղը և փոփոխվող լուսային պայմանները, տեսախցիկի աշխատանքը փոխվում է:
Տեսախցիկի հիմնական առավելություններն են շրջակա միջավայրի հյուսվածքը, գույների բաշխումը և ձևը ճշգրիտ հավաքելու և գրանցելու կարողությունը:
Գլոբալ նավիգացիոն արբանյակային համակարգ և գլոբալ դիրքորոշման համակարգ, իներցիոն չափման միավոր
Այս տեխնոլոգիան օգնում է AV-ին նավարկելու հարցում՝ հստակեցնելով դրա ճշգրիտ վայրը: Մոլորակի մակերեսի շուրջ ուղեծրում գտնվող արբանյակների խումբն օգտագործվում է GNSS-ի կողմից՝ տեղայնացնելու համար:
Համակարգը պահպանում է տվյալներ AV-ի գտնվելու վայրի, արագության և ճշգրիտ ժամանակի վերաբերյալ:
Այն աշխատում է՝ պարզելով ToF-ը ստացված ազդանշանի և արբանյակի արտանետումների միջև: Գլոբալ դիրքորոշման համակարգի (GPS) կոորդինատները հաճախ օգտագործվում են AV տեղադրությունը ստանալու համար:
GPS-ով արդյունահանվող կոորդինատները միշտ չէ, որ ճշգրիտ են, և դրանք սովորաբար ավելացնում են դիրքային սխալ՝ 3 մ միջին արժեքով և 1 մ ստանդարտ տատանումներով:
Մետրոպոլիտական իրավիճակներում կատարողականը հետագայում վատթարանում է, մինչև 20 մ տեղակայման սխալը, իսկ որոշ ծանր հանգամանքներում GPS դիրքի սխալը մոտավորապես 100 մ է:
Բացի այդ, AV-ները կարող են օգտագործել RTK համակարգը՝ մեքենայի դիրքը ճշգրիտ որոշելու համար:
AV-ներում մեքենայի դիրքը և ուղղությունը կարող է որոշվել նաև մեռած հաշվարկի (DR) և իներցիոն դիրքի միջոցով:
Սենսորային միաձուլում
Տրանսպորտային միջոցների պատշաճ կառավարման և անվտանգության համար ԱՎ-ները պետք է ստանան ճշգրիտ, իրական ժամանակի իմացություն գտնվելու վայրի, կարգավիճակի և մեքենայի այլ գործոնների մասին, ինչպիսիք են քաշը, կայունությունը, արագությունը և այլն:
Այս տեղեկատվությունը պետք է հավաքվի ԱՎ-ների կողմից՝ օգտագործելով տարբեր սենսորներ:
Մի քանի սենսորներից ստացված տվյալների միաձուլմամբ՝ սենսորների միաձուլման տեխնիկան օգտագործվում է համահունչ տեղեկատվություն ստանալու համար:
Մեթոդը թույլ է տալիս սինթեզել լրացուցիչ աղբյուրներից ձեռք բերված չմշակված տվյալները:
Արդյունքում, սենսորների միաձուլումը AV-ին հնարավորություն է տալիս ճշգրիտ ընկալել իր շրջապատը՝ միաձուլելով տարբեր սենսորներից հավաքված բոլոր օգտակար տվյալները:
AV-ներում միաձուլման գործընթացն իրականացնելու համար օգտագործվում են տարբեր տեսակի ալգորիթմներ, ներառյալ Kalman ֆիլտրերը և Bayesian ֆիլտրերը:
Քանի որ այն օգտագործվում է մի քանի ծրագրերում, ներառյալ RADAR-ի հետագծումը, արբանյակային նավիգացիոն համակարգերը և օպտիկական օդաչափությունը, Kalman ֆիլտրը համարվում է շատ կարևոր մեքենայի ինքնավար աշխատանքի համար:
Ավտոմեքենաների ժամանակավոր ցանցեր (VANETs)
VANET-ները շարժական ժամանակավոր ցանցերի նոր ենթադաս են, որոնք կարող են ինքնաբուխ ստեղծել շարժական սարքերի/տրանսպորտային միջոցների ցանց: VANET-ներով հնարավոր է փոխադրամիջոց-մեքենա (V2V) և մեքենա-ենթակառուցվածք (V2I) հաղորդակցություն:
Նման տեխնոլոգիայի առաջնային նպատակը ճանապարհային անվտանգության բարձրացումն է. Օրինակ՝ վտանգավոր իրավիճակներում, ինչպիսիք են վթարները և խցանումները, մեքենաները կարող են փոխազդել միմյանց և ցանցի հետ՝ փոխանցելու կարևոր տեղեկատվություն:
VANET տեխնոլոգիայի հիմնական բաղադրիչները հետևյալն են.
- OBU (բորտային միավոր). Սա GPS-ի վրա հիմնված հետագծման համակարգ է, որը տեղադրված է յուրաքանչյուր մեքենայում, որը թույլ է տալիս նրանց փոխազդել միմյանց և ճանապարհային միավորների (RSU) հետ: OBU-ն համալրված է մի քանի էլեկտրոնային բաղադրիչներով՝ ներառյալ ռեսուրսների հրամանի պրոցեսորը (RCP), սենսորային սարքերը և օգտագործողի միջերեսներէական տեղեկատվություն ստանալու համար։ Դրա հիմնական նպատակն է օգտագործել անլար ցանց՝ մի քանի RSU-ների և OBU-ների միջև հաղորդակցվելու համար:
- Ճամփեզրի միավոր (RSU). RSU-ները ֆիքսված համակարգչային միավորներ են, որոնք տեղակայված են փողոցների, կայանատեղերի և հանգույցների ճշգրիտ կետերում: Դրա հիմնական նպատակն է կապել ինքնավար մեքենաները ենթակառուցվածքի հետ, ինչպես նաև օգնում է տրանսպորտային միջոցների տեղայնացմանը: Բացի այդ, այն կարող է օգտագործվել մեքենան այլ RSU-ների հետ կապելու համար՝ օգտագործելով տարբեր ցանցային տոպոլոգիաներ. Բացի այդ, դրանք գործարկվել են շրջակա միջավայրի էներգիայի աղբյուրների վրա, ներառյալ արևային էներգիան:
- Վստահելի մարմին (TA). Այն մարմին է, որը վերահսկում է VANET-ների գործընթացի յուրաքանչյուր քայլ՝ ապահովելով, որ միայն օրինական RSU-ները և տրանսպորտային միջոցների OBU-ները կարող են գրանցվել և փոխազդել: Հաստատելով OBU ID-ն և իսկականացնելով մեքենան՝ այն ապահովում է անվտանգություն: Բացի այդ, այն գտնում է վնասակար հաղորդակցություններ և տարօրինակ վարքագիծ:
VANET-ներն օգտագործվում են տրանսպորտային միջոցների հաղորդակցության համար, որը ներառում է V2V, V2I և V2X հաղորդակցությունը:
Vehicle 2 Vehicle Communication
Ավտոմեքենաների՝ միմյանց հետ խոսելու և երթևեկության խցանումների, վթարների և արագության սահմանափակումների վերաբերյալ կարևոր տեղեկություններ փոխանակելու ունակությունը հայտնի է որպես միջտրանսպորտային հաղորդակցություն (IVC):
V2V կապը կարող է ստեղծել ցանց՝ միացնելով տարբեր հանգույցներ (Տրանսպորտային միջոցներ)՝ օգտագործելով ցանցային տոպոլոգիա՝ մասնակի կամ ամբողջական:
Դրանք դասակարգվում են որպես մեկ հոպ (SIVC) կամ բազմահոպ (MIVC) համակարգեր՝ կախված այն բանից, թե քանի հոփ է օգտագործվում տրանսպորտային միջոցների միջև հաղորդակցության համար:
Մինչ MIVC-ը կարող է օգտագործվել հեռահար հաղորդակցության համար, ինչպիսին է երթևեկության մոնիտորինգը, SIVC-ը կարող է օգտագործվել կարճ հեռահարության ծրագրերի համար, ինչպիսիք են գոտիների միաձուլումը, ACC և այլն:
Բազմաթիվ առավելություններ, ներառյալ BSD, FCWS, ավտոմատացված վթարային արգելակումը (AEB) և LDWS, առաջարկվում են V2V կապի միջոցով:
Մեքենա 2 Ենթակառուցվածքային հաղորդակցություն
Ավտոմեքենաները կարող են շփվել RSU-ների հետ մի գործընթացի միջոցով, որը հայտնի է որպես ճանապարհային հաղորդակցություն (RVC): Այն օգնում է կայանման հաշվիչների, տեսախցիկների, երթևեկության նշանների և ճանապարհային ազդանշանների հայտնաբերմանը:
Ժամանակավոր, անլար և երկկողմանի կապ մեքենաների և ենթակառուցվածքի միջև:
Երթևեկության կառավարման և վերահսկման համար օգտագործվում են ենթակառուցվածքի տվյալները: Դրանք օգտագործվում են արագության տարբեր պարամետրերը կարգավորելու համար, որոնք թույլ են տալիս մեքենաներին առավելագույնի հասցնել վառելիքի տնտեսումը և կառավարել երթևեկության հոսքը:
RVC համակարգը կարող է բաժանվել Sparse RVC-ի (SRVC) և Ubiquitous RVC-ի՝ կախված ենթակառուցվածքից (URVC):
SRVC համակարգը առաջարկում է կապի ծառայություններ միայն թեժ կետերում, ինչպիսիք են բաց կայանատեղերի կամ բենզալցակայանների տեղակայումը, մինչդեռ URVC համակարգը ապահովում է ծածկույթ ամբողջ երթուղու երկայնքով, նույնիսկ բարձր արագությամբ:
Ցանցի ծածկույթը երաշխավորելու համար URVC համակարգը մեծ ներդրում է պահանջում:
Vehicle 2 Ամեն ինչ Հաղորդակցություն
Մեքենան կարող է միանալ այլ սուբյեկտների հետ V2X-ի միջոցով, այդ թվում՝ հետիոտների, ճանապարհին գտնվող օբյեկտների, սարքերի և Ցանցի (V2P, V2R և V2D) (V2G):
Օգտագործելով այս տեսակի հաղորդակցությունը՝ վարորդները կարող են խուսափել վտանգի տակ գտնվող հետիոտներին, հեծանվորդներին և մոտոցիկլետով վարորդներին հարվածելուց:
Հետիոտնի բախման նախազգուշացման (PCW) համակարգը V2X կապի շնորհիվ կարող է նախազգուշացնել ճանապարհի եզրին գտնվող ուղևորի վարորդին աղետալի բախումից առաջ:
Հետիոտնին կարևոր հաղորդագրություններ ուղարկելու համար PCW-ն կարող է օգտվել սմարթֆոնի Bluetooth-ից կամ մոտակա դաշտային հաղորդակցությունից (NFC):
Եզրափակում
Ինքնավար մեքենաների կառուցման համար օգտագործվող բազմաթիվ տեխնոլոգիաները կարող են մեծ ազդեցություն ունենալ դրանց աշխատանքի վրա:
Ամենակարևոր ձևով մեքենան մշակում է իր շրջակայքի քարտեզը՝ օգտագործելով սենսորների մի շարք, որոնք տեղեկատվություն են տրամադրում իր շուրջը գտնվող երթուղու և այլ տրանսպորտային միջոցների մասին:
Այնուհետև այս տվյալները վերլուծվում են մեքենայական ուսուցման բարդ համակարգի միջոցով, որը ստեղծում է մի շարք գործողությունների, որոնք մեքենան պետք է կատարի: Այս վարքագծերը պարբերաբար փոփոխվում և թարմացվում են, քանի որ համակարգը ավելին է իմանում մեքենայի շրջակայքի մասին:
Չնայած իմ լավագույն ջանքերին՝ ձեզ ներկայացնելու ինքնավար տրանսպորտային միջոցների համակարգի ճարտարապետության ակնարկը, կուլիսների հետևում շատ ավելին է կատարվում:
Ես անկեղծորեն հուսով եմ, որ դուք արժեքավոր կգտնեք այս գիտելիքները և կօգտագործեք դրանք:
Թողնել գրառում