Daftar Isi[Bersembunyi][Menunjukkan]
Sensor dan perangkat lunak digabungkan dalam kendaraan otonom untuk menavigasi, mengarahkan, dan mengoperasikan berbagai kendaraan, termasuk sepeda motor, mobil, truk, dan drone.
Tergantung pada bagaimana mereka dikembangkan atau dirancang, mereka mungkin atau mungkin tidak memerlukan bantuan pengemudi.
Mobil yang sepenuhnya otonom dapat beroperasi dengan aman tanpa pengemudi manusia. Beberapa seperti Google Waymo mobil, bahkan tidak bisa memiliki kemudi.
Sebuah kendaraan sebagian otonom, seperti a Tesla, dapat mengambil kendali penuh atas kendaraan tetapi mungkin memerlukan pengemudi manusia untuk membantu jika sistem mengalami keraguan.
Berbagai tingkat otomatisasi otomatis disertakan dalam mobil-mobil ini, mulai dari panduan lajur dan bantuan pengereman hingga prototipe swakemudi yang sepenuhnya mandiri.
Tujuan dari mobil tanpa pengemudi adalah untuk menurunkan lalu lintas, emisi, dan tingkat kecelakaan.
Hal ini dimungkinkan karena kendaraan otonom lebih mahir mematuhi peraturan lalu lintas daripada manusia.
Untuk kelancaran berkendara, informasi tertentu diperlukan, seperti lokasi mobil atau objek terdekat, jalur terpendek dan teraman ke tujuan, dan kapasitas untuk mengoperasikan sistem mengemudi.
Sangat penting untuk memahami kapan dan bagaimana melakukan tugas yang diperlukan.
Artikel ini akan membahas banyak hal, termasuk sistem arsitektur untuk mobil otonom, komponen yang dibutuhkan, dan jaringan ad hoc kendaraan (VANET).
Komponen yang diperlukan untuk Kendaraan Otonom
Kendaraan otonom saat ini menggunakan berbagai sensor, termasuk kamera, GPS, unit pengukuran inersia (IMU), sonar, deteksi dan jangkauan iluminasi laser (lidar), deteksi dan jangkauan radio (radar), navigasi suara, dan jangkauan (sonar), dan peta 3D.
Bersama-sama, sensor dan teknologi ini menganalisis data secara real-time untuk mengontrol kemudi, akselerasi, dan pengereman.
Sensor radar membantu melacak keberadaan mobil di sekitarnya. Kendaraan dibantu dengan sensor ultrasonik saat parkir.
Sebuah teknologi yang dikenal sebagai lidar diciptakan dengan menggunakan kedua jenis sensor tersebut. Dengan memantulkan pulsa cahaya dari lingkungan sekitar mobil, sensor lidar dapat mendeteksi margin jalan raya dan mengidentifikasi penanda jalur.
Ini juga memperingatkan pengemudi tentang hambatan yang berdekatan, seperti kendaraan lain, pejalan kaki, dan sepeda.
Ukuran dan jarak segala sesuatu di sekitar mobil diukur menggunakan teknologi lidar, yang juga membuat peta 3D yang memungkinkan kendaraan untuk melihat sekelilingnya dan mengidentifikasi risiko apa pun.
Terlepas dari waktu, apakah itu cerah atau suram, ia melakukan pekerjaan yang luar biasa untuk merekam informasi dalam berbagai jenis cahaya sekitar.
Mobil menggunakan kamera, radar, dan antena GPS, bersama dengan lidar dan kamera, untuk mendeteksi sekelilingnya dan mengidentifikasi lokasinya.
Kamera memeriksa pejalan kaki, pengendara sepeda motor, mobil, dan hambatan lainnya sambil juga mendeteksi sinyal lalu lintas, membaca rambu dan marka jalan, dan melacak kendaraan lain.
Namun, mereka bisa mengalami kesulitan di daerah yang redup atau gelap. Kendaraan otonom dapat melihat ke mana arahnya dengan menggunakan campuran lidar, radar, kamera, antena GPS, dan sensor ultrasonik untuk memetakan jalan di depannya secara digital.
Arsitektur Sistem tingkat tinggi
Sensor, aktuator, perangkat keras, dan perangkat lunak penting tercantum dalam arsitektur, yang juga menunjukkan seluruh mekanisme atau protokol komunikasi dalam AV.
Persepsi
Tahap ini terdiri dari mengidentifikasi lokasi AV dalam kaitannya dengan lingkungan dan merasakan lingkungan di sekitar AV menggunakan berbagai sensor.
AV menggunakan RADAR, LIDAR, kamera, real-time kinetic (RTK), dan sensor lainnya pada langkah ini. Modul pengenalan menerima data dari sensor ini dan memprosesnya setelah meneruskannya.
Secara umum, AV terdiri dari sistem kontrol, LDWS, TSR, unknown obstacle recognition (UOR), modul vehicle positioning and localization (VPL), dll.
Gabungan informasi tersebut diberikan pada tahap pengambilan keputusan dan perencanaan setelah diolah.
Keputusan & Perencanaan
Pergerakan dan perilaku AV diputuskan, direncanakan, dan dikendalikan pada langkah ini menggunakan informasi yang diterima selama proses persepsi.
Tahap ini, yang akan diwakili oleh otak, adalah di mana pilihan dibuat pada hal-hal seperti perencanaan jalur, prediksi tindakan, penghindaran rintangan, dll.
Pilihannya didasarkan pada informasi yang sekarang dan dapat diakses secara historis, termasuk data peta waktu nyata, spesifikasi lalu lintas, tren, informasi pengguna, dll.
Mungkin ada modul data log yang melacak kesalahan dan data untuk digunakan nanti.
kontrol
Modul kontrol menjalankan operasi/tindakan yang berkaitan dengan kontrol fisik AV, seperti kemudi, pengereman, akselerasi, dll. setelah menerima informasi dari modul keputusan dan perencanaan.
Casis
Langkah terakhir melibatkan interaksi dengan bagian-bagian mekanis yang menempel pada sasis, seperti motor roda gigi, motor roda kemudi, motor pedal rem, dan motor pedal untuk akselerator dan rem.
Modul kontrol memberi sinyal dan mengatur semua komponen ini.
Sekarang kita akan berbicara tentang komunikasi umum AV sebelum berbicara tentang desain, operasi, dan penggunaan berbagai sensor kunci.
RADAR
Dalam AV, RADAR digunakan untuk memindai lingkungan untuk menemukan dan menemukan mobil dan objek lainnya.
RADAR sering digunakan dalam tujuan militer dan sipil, seperti bandara atau sistem meteorologi, dan mereka beroperasi dalam spektrum gelombang milimeter (mm-Wave).
Pita frekuensi yang berbeda, termasuk 24, 60, 77, dan 79 GHz, digunakan dalam mobil kontemporer dan memiliki rentang pengukuran 5 hingga 200 m [10].
Dengan menghitung ToF antara sinyal yang ditransmisikan dan gema yang dikembalikan, jarak antara AV dan objek ditentukan.
Dalam AV, RADAR menggunakan susunan antena mikro yang membuat kumpulan lobus untuk meningkatkan resolusi jangkauan dan beberapa identifikasi target. mm-Wave RADAR dapat secara tepat menilai objek jarak dekat ke segala arah dengan memanfaatkan varians dalam pergeseran Doppler karena peningkatan penetrasi dan bandwidth yang lebih besar.
Karena radar mm-Wave memiliki panjang gelombang yang lebih panjang, radar ini memiliki kemampuan anti-pemblokiran dan anti-polusi yang memungkinkannya berfungsi dalam hujan, salju, kabut, dan cahaya redup.
Selain itu, pergeseran Doppler dapat digunakan untuk menghitung kecepatan relatif melalui radar gelombang mm. Karena kemampuannya, radar mm-Wave sangat cocok untuk berbagai aplikasi AV, termasuk deteksi rintangan, dan pengenalan pejalan kaki dan kendaraan.
Sensor Ultrasonik
Sensor ini bekerja dalam kisaran 20-40 kHz dan menggunakan gelombang ultrasonik. Sebuah membran magneto-resistif yang digunakan untuk mengukur jarak objek menghasilkan gelombang ini.
Dengan menghitung time-of-flight (ToF) dari gelombang yang dipancarkan ke sinyal yang digaungkan, jarak ditentukan. Kisaran khas sensor ultrasonik kurang dari 3 meter.
Output sensor diperbarui setiap 20 ms, yang mencegahnya memenuhi persyaratan QoS ITS yang ketat. Sensor ini memiliki jangkauan deteksi sinar yang relatif kecil dan diarahkan.
Oleh karena itu, untuk mendapatkan penglihatan bidang penuh, diperlukan banyak sensor. Namun, banyak sensor akan berinteraksi dan dapat menghasilkan ketidakakuratan jangkauan yang signifikan.
LiDAR
Spektrum 905 dan 1550 nm digunakan dalam LiDAR. Karena mata manusia rentan terhadap kerusakan retina dari rentang 905 nm, LiDAR saat ini beroperasi pada pita 1550 nm untuk mengurangi kerusakan retina.
Hingga 200 meter adalah jangkauan kerja maksimum LiDAR. LiDAR solid-state, 2D, dan 3D adalah subkategori LiDAR yang berbeda.
Sinar laser tunggal tersebar di atas cermin yang berputar cepat dalam LiDAR 2D. Dengan menempatkan beberapa laser pada pod, LiDAR 3D dapat memperoleh gambar 3D dari lingkungan sekitar.
Telah dibuktikan bahwa sistem LiDAR pinggir jalan menurunkan jumlah tabrakan kendaraan-ke-pejalan kaki (V2P) di zona persimpangan dan non-persimpangan.
Ini menggunakan sistem LiDAR 16-baris, real-time, dan efektif secara komputasi.
Disarankan untuk menggunakan auto-encoder buatan yang dalam saraf jaringan (DA-ANN), yang mencapai akurasi 95% pada jarak 30 m.
Dalam, ditunjukkan bagaimana algoritma berbasis mesin vektor dukungan (SVM) yang dikombinasikan dengan LiDAR 64D 3-baris dapat meningkatkan pengenalan pejalan kaki.
Meskipun memiliki presisi pengukuran dan penglihatan 3D yang lebih baik daripada radar gelombang mm, kinerja LiDAR kurang baik dalam cuaca buruk termasuk kabut, salju, dan hujan.
Kamera
Tergantung pada panjang gelombang perangkat, kamera dalam AV dapat berbasis inframerah atau cahaya tampak.
Charge-coupled device (CCD) dan sensor gambar pelengkap metal-oxide-semiconductor (CMOS) digunakan di kamera (CMOS).
Tergantung pada kualitas lensa, jangkauan maksimum kamera adalah sekitar 250 m. Tiga pita yang digunakan oleh kamera tampak—Merah, Hijau, dan Biru—dipisahkan oleh panjang gelombang yang sama dengan mata manusia, atau 400–780 nm (RGB).
Dua kamera VIS digabungkan dengan panjang fokus yang ditetapkan untuk membuat saluran baru yang berisi informasi kedalaman (D), memungkinkan penciptaan penglihatan stereoskopik.
Pemandangan 3D dari area sekitar kendaraan dapat diperoleh berkat kemampuan ini melalui kamera (RGB-D).
Sensor pasif yang memiliki panjang gelombang antara 780 nm dan 1 mm digunakan oleh kamera inframerah (IR). Dalam pencahayaan puncak, sensor IR di AV menawarkan kontrol visual.
Kamera ini membantu AV dengan pengenalan objek, kontrol tampilan samping, perekaman kecelakaan, dan BSD. Namun, dalam cuaca buruk, seperti salju, kabut, dan kondisi cahaya yang berubah, kinerja kamera akan berubah.
Manfaat utama kamera adalah kemampuannya untuk secara tepat mengumpulkan dan merekam tekstur, distribusi warna, dan bentuk lingkungan.
Sistem Satelit Navigasi Global dan Sistem Pemosisian Global, Unit Pengukuran Inersia
Teknologi ini membantu AV dalam menavigasi dengan menunjukkan lokasi yang tepat. Sekelompok satelit yang mengorbit di sekitar permukaan planet digunakan oleh GNSS untuk melokalisasi.
Sistem menyimpan data tentang lokasi AV, kecepatan, dan waktu yang tepat.
Ia bekerja dengan mencari tahu ToF antara sinyal yang diterima dan emisi satelit. Koordinat Global Positioning System (GPS) sering digunakan untuk mendapatkan lokasi AV.
Koordinat yang diekstraksi GPS tidak selalu tepat, dan biasanya menambahkan kesalahan posisi dengan nilai rata-rata 3 m dan variasi standar 1 m.
Dalam situasi metropolitan, kinerja semakin memburuk, dengan kesalahan di lokasi hingga 20 m, dan dalam keadaan parah tertentu, kesalahan posisi GPS kira-kira 100 m.
Selain itu, AV dapat menggunakan sistem RTK untuk menentukan posisi kendaraan secara tepat.
Dalam AV, posisi dan arah kendaraan juga dapat ditentukan menggunakan perhitungan mati (DR) dan posisi inersia.
Penggabungan Sensor
Untuk manajemen dan keselamatan kendaraan yang tepat, AV harus mendapatkan pengetahuan yang tepat dan real-time tentang lokasi, status, dan faktor kendaraan lainnya seperti bobot, stabilitas, kecepatan, dll.
Informasi ini harus dikumpulkan oleh AV dengan menggunakan berbagai sensor.
Dengan menggabungkan data yang diperoleh dari beberapa sensor, digunakan teknik sensor fusion untuk menghasilkan informasi yang koheren.
Metode ini memungkinkan sintesis data yang belum diproses yang diperoleh dari sumber yang saling melengkapi.
Hasilnya, penggabungan sensor memungkinkan AV untuk memahami sekelilingnya secara akurat dengan menggabungkan semua data berguna yang dikumpulkan dari berbagai sensor.
Berbagai jenis algoritma, termasuk filter Kalman dan filter Bayesian, digunakan untuk melakukan proses fusi di AV.
Karena digunakan dalam beberapa aplikasi, termasuk pelacakan RADAR, sistem navigasi satelit, dan odometri optik, filter Kalman dipandang penting bagi kendaraan untuk beroperasi secara mandiri.
Jaringan Ad-Hoc Kendaraan (VANET)
VANET adalah subkelas baru dari jaringan ad hoc seluler yang dapat secara spontan membuat jaringan perangkat seluler/kendaraan. Komunikasi kendaraan-ke-kendaraan (V2V) dan kendaraan-ke-infrastruktur (V2I) dimungkinkan dengan VANET.
Tujuan utama dari teknologi tersebut adalah untuk meningkatkan keselamatan jalan; misalnya, dalam situasi berbahaya seperti kecelakaan dan kemacetan lalu lintas, mobil dapat berinteraksi satu sama lain dan jaringan untuk menyampaikan informasi penting.
Berikut ini adalah komponen utama dari teknologi VANET:
- OBU (on-board unit): Ini adalah sistem pelacakan berbasis GPS yang ditempatkan di setiap kendaraan yang memungkinkan mereka untuk berinteraksi satu sama lain dan dengan unit pinggir jalan (RSU). OBU dilengkapi dengan beberapa komponen elektronik, termasuk prosesor perintah sumber daya (RCP), perangkat sensor, dan antarmuka pengguna, untuk mendapatkan informasi penting. Tujuan utamanya adalah menggunakan jaringan nirkabel untuk berkomunikasi antara beberapa RSU dan OBU.
- Roadside Unit (RSU): RSU adalah unit komputer tetap yang diposisikan pada titik yang tepat di jalan, tempat parkir, dan persimpangan. Tujuan utamanya adalah untuk menghubungkan kendaraan otonom ke infrastruktur, dan juga membantu dengan lokalisasi kendaraan. Selain itu, dapat digunakan untuk menghubungkan kendaraan ke RSU lain menggunakan berbagai topologi jaringan. Selain itu, mereka telah dijalankan pada sumber energi ambien termasuk tenaga surya.
- Trusted Authority (TA): Ini adalah badan yang mengontrol setiap langkah proses VANET, memastikan bahwa hanya RSU dan OBU kendaraan yang sah yang dapat mendaftar dan berinteraksi. Dengan mengonfirmasi ID OBU dan mengautentikasi kendaraan, ia menawarkan keamanan. Selain itu, ia menemukan komunikasi berbahaya dan perilaku aneh.
VANET digunakan untuk komunikasi kendaraan, yang meliputi komunikasi V2V, V2I, dan V2X.
Kendaraan 2 Kendaraan Komunikasi
Kemampuan mobil untuk berbicara satu sama lain dan bertukar informasi penting mengenai kemacetan lalu lintas, kecelakaan, dan pembatasan kecepatan dikenal sebagai komunikasi antar-kendaraan (IVC).
Komunikasi V2V dapat membuat jaringan dengan menggabungkan berbagai node (Vehicles) bersama-sama menggunakan topologi mesh, baik sebagian atau penuh.
Mereka dikategorikan sebagai sistem single-hop (SIVC) atau multi-hop (MIVC) tergantung pada berapa banyak hop yang digunakan untuk komunikasi antar-kendaraan.
Sementara MIVC dapat digunakan untuk komunikasi jarak jauh, seperti pemantauan lalu lintas, SIVC dapat digunakan untuk aplikasi jarak pendek seperti penggabungan jalur, ACC, dll.
Banyak manfaat, termasuk BSD, FCWS, pengereman darurat otomatis (AEB), dan LDWS, ditawarkan melalui komunikasi V2V.
Kendaraan 2 Infrastruktur Komunikasi
Mobil dapat berkomunikasi dengan RSU melalui proses yang dikenal sebagai roadside-to-vehicle communication (RVC). Ini membantu dalam mendeteksi meteran parkir, kamera, penanda jalur, dan sinyal lalu lintas.
Koneksi ad hoc, nirkabel, dan dua arah antara mobil dan infrastruktur.
Untuk administrasi dan pengawasan lalu lintas, data infrastruktur digunakan. Mereka digunakan untuk menyesuaikan berbagai parameter kecepatan yang memungkinkan mobil memaksimalkan penghematan bahan bakar dan mengatur arus lalu lintas.
Sistem RVC dapat dipisahkan menjadi RVC Jarang (SRVC) dan RVC Ubiquitous tergantung pada infrastruktur (URVC).
Sistem SRVC hanya menawarkan layanan komunikasi di hotspot, seperti mencari tempat parkir terbuka atau pom bensin, sedangkan sistem URVC menawarkan jangkauan di sepanjang rute, bahkan pada kecepatan tinggi.
Untuk menjamin jangkauan jaringan, sistem URVC memerlukan investasi besar.
Kendaraan 2 Semuanya Komunikasi
Mobil dapat terhubung dengan entitas lain melalui V2X, termasuk pejalan kaki, objek pinggir jalan, perangkat, dan Grid (V2P, V2R, dan V2D) (V2G).
Dengan menggunakan komunikasi semacam ini, pengemudi dapat menghindari menabrak pejalan kaki, pengendara sepeda, dan pengendara sepeda motor yang berisiko.
Sistem Pedestrian Collision Warning (PCW) dapat memperingatkan pengemudi dari penumpang pinggir jalan sebelum tabrakan dahsyat terjadi berkat komunikasi V2X.
Untuk mengirim pesan penting kepada pejalan kaki, PCW dapat memanfaatkan Bluetooth smartphone atau Near Field Communication (NFC).
Kesimpulan
Banyaknya teknologi yang digunakan untuk membuat mobil otonom dapat berdampak besar pada cara mereka beroperasi.
Pada dasarnya, mobil mengembangkan peta sekelilingnya menggunakan serangkaian sensor yang memberikan informasi tentang rute di sekitarnya dan kendaraan lain di jalurnya.
Data ini kemudian dianalisis oleh sistem pembelajaran mesin yang rumit, yang menghasilkan serangkaian tindakan untuk dijalankan oleh mobil. Perilaku ini secara teratur diubah dan diperbarui saat sistem mempelajari lebih lanjut tentang lingkungan kendaraan.
Terlepas dari upaya terbaik saya untuk memberi Anda gambaran umum tentang arsitektur sistem kendaraan otonom, ada lebih banyak hal yang terjadi di balik layar.
Saya benar-benar berharap Anda akan menemukan pengetahuan ini berharga dan memanfaatkannya.
Tinggalkan Balasan