სარჩევი[დამალვა][ჩვენება]
სენსორები და პროგრამული უზრუნველყოფა გაერთიანებულია ავტონომიურ სატრანსპორტო საშუალებებში ნავიგაციისთვის, სამართავად და სხვადასხვა სატრანსპორტო საშუალებების, მათ შორის მოტოციკლების, ავტომობილების, სატვირთო მანქანებისა და თვითმფრინავების ჩათვლით.
იმისდა მიხედვით, თუ როგორ შემუშავდა ან დაპროექტდა, მათ შეიძლება მოითხოვონ ან არ მოითხოვონ მძღოლის დახმარება.
სრულად ავტონომიურ მანქანებს შეუძლიათ უსაფრთხოდ იმუშაონ ადამიანების მძღოლების გარეშე. ზოგს მოსწონს Google-ის Waymo ავტომობილი, საჭაც კი არ ქონდა.
ნაწილობრივ ავტონომიური მანქანა, როგორიცაა ა Tesla, შეუძლია აიღოს ავტომობილის სრული კონტროლი, მაგრამ შეიძლება დასჭირდეს ადამიანის მძღოლი დახმარებას, თუ სისტემას ეჭვი შეექმნა.
ამ მანქანებში შედის თვითავტომატიზაციის სხვადასხვა ხარისხი, დაწყებული ზოლის ხელმძღვანელობითა და დამუხრუჭებით დაწყებული სრულად დამოუკიდებელი, თვითმართვადი პროტოტიპებით.
უმართავი ავტომობილების მიზანია ტრაფიკის, გამონაბოლქვის და ავარიების სიხშირის შემცირება.
ეს შესაძლებელია, რადგან ავტონომიური მანქანები უფრო ოსტატურად იცავენ საგზაო წესების დაცვას, ვიდრე ადამიანები.
გლუვი მგზავრობისთვის საჭიროა გარკვეული ინფორმაცია, როგორიცაა მანქანის ან ახლომდებარე ობიექტების მდებარეობა, დანიშნულების ადგილამდე უმოკლესი და უსაფრთხო გზა და მართვის სისტემის მუშაობის შესაძლებლობა.
მნიშვნელოვანია გვესმოდეს, როდის და როგორ უნდა შეასრულოთ საჭირო ამოცანები.
ეს სტატია მოიცავს ბევრ საფუძველს, მათ შორის სისტემური არქიტექტურა ავტონომიური მანქანებისთვის, საჭირო კომპონენტებისთვის და ავტომობილების ad hoc ქსელებისთვის (VANETs).
ავტონომიური ავტომობილისთვის საჭირო აუცილებელი კომპონენტები
დღევანდელ ავტონომიურ მანქანებში გამოიყენება სხვადასხვა სენსორები, მათ შორის კამერები, GPS, ინერციული საზომი ერთეულები (IMU), სონარი, ლაზერული განათების გამოვლენა და დიაპაზონი (ლიდარი), რადიო გამოვლენა და დიაპაზონი (რადარი), ხმის ნავიგაცია და დიაპაზონი (სონარი) და 3D რუქები.
ეს სენსორები და ტექნოლოგიები ერთად აანალიზებენ მონაცემებს რეალურ დროში, რათა გააკონტროლონ საჭის მართვა, აჩქარება და დამუხრუჭება.
რადარის სენსორები ხელს უწყობს მიმდებარე მანქანების ადგილსამყოფელის თვალყურის დევნებას. პარკირების დროს მანქანებს ეხმარებიან ულტრაბგერითი სენსორებით.
ტექნოლოგია, რომელიც ცნობილია როგორც lidar, შეიქმნა ორივე ტიპის სენსორების გამოყენებით. მანქანის ირგვლივ გარემოდან სინათლის იმპულსების ასახვით, ლიდარის სენსორებს შეუძლიათ ამოიცნონ გზების კიდეები და ამოიცნონ ზოლის მარკერები.
ეს ასევე აფრთხილებს მძღოლებს მიმდებარე დაბრკოლებების შესახებ, როგორიცაა სხვა მანქანები, ფეხით მოსიარულეები და ველოსიპედები.
მანქანის ირგვლივ ყველაფრის ზომა და მანძილი იზომება lidar-ის ტექნოლოგიის გამოყენებით, რომელიც ასევე ქმნის 3D რუკას, რომელიც საშუალებას აძლევს მანქანას დაათვალიეროს გარემო და დაადგინოს ნებისმიერი რისკი.
მიუხედავად დღის დროისა, ნათელია თუ ბნელი, ის შესანიშნავად ახორციელებს ინფორმაციის ჩაწერას სხვადასხვა ტიპის ატმოსფერულ შუქზე.
ავტომობილი იყენებს კამერებს, რადარს და GPS ანტენებს, ლიდართან და კამერებთან ერთად, რათა აღმოაჩინოს გარემო და დაადგინოს მისი მდებარეობა.
კამერები ამოწმებენ ფეხით მოსიარულეებს, ველოსიპედებს, მანქანებს და სხვა დაბრკოლებებს, ასევე აღმოაჩენენ საგზაო სიგნალებს, კითხულობენ საგზაო ნიშნებს და მარკირებას და თვალყურს ადევნებენ სხვა მანქანებს.
თუმცა, მათ შეიძლება გაუჭირდეთ ბნელ ან დაჩრდილულ ადგილებში. ავტონომიურ მანქანას შეუძლია დაინახოს სად მიდის ლიდარის, რადარის, კამერების, GPS ანტენების და ულტრაბგერითი სენსორების ნაზავის გამოყენებით მის წინ გზის ციფრულად გამოსახულების მიზნით.
მაღალი დონის სისტემის არქიტექტურა
არსებითი სენსორები, აქტივატორები, აპარატურა და პროგრამული უზრუნველყოფა ჩამოთვლილია არქიტექტურაში, რომელიც ასევე აჩვენებს AV-ებში კომუნიკაციის მთელ მექანიზმს ან პროტოკოლს.
აღქმის
ეს ეტაპი მოიცავს AV-ის მდებარეობის იდენტიფიცირებას გარემოსთან მიმართებაში და AV-ის ირგვლივ გარემოს შეგრძნებას სხვადასხვა სენსორების გამოყენებით.
AV იყენებს RADAR-ს, LIDAR-ს, კამერას, რეალურ დროში კინეტიკას (RTK) და სხვა სენსორებს ამ ეტაპზე. ამოცნობის მოდულები იღებენ მონაცემებს ამ სენსორებიდან და ამუშავებენ მას გადაცემის შემდეგ.
ზოგადად, AV შედგება მართვის სისტემისგან, LDWS, TSR, უცნობი დაბრკოლებების ამოცნობა (UOR), ავტომობილის პოზიციონირებისა და ლოკალიზაციის (VPL) მოდული და ა.შ.
კომბინირებული ინფორმაცია დამუშავების შემდეგ გადაეცემა გადაწყვეტილების მიღებისა და დაგეგმვის ეტაპზე.
გადაწყვეტილება და დაგეგმვა
AV-ის მოძრაობები და ქცევა წყდება, დაგეგმილია და კონტროლდება ამ ეტაპზე აღქმის პროცესში მიღებული ინფორმაციის გამოყენებით.
ეს ეტაპი, რომელსაც ტვინი წარმოადგენდა, არის ის, სადაც კეთდება არჩევანი ისეთ საკითხებზე, როგორიცაა ბილიკის დაგეგმვა, მოქმედებების პროგნოზირება, დაბრკოლებების თავიდან აცილება და ა.შ.
არჩევანი ეფუძნება იმ ინფორმაციას, რომელიც ახლა და ისტორიულად ხელმისაწვდომია, მათ შორის რეალურ დროში რუქის მონაცემები, ტრაფიკის სპეციფიკა, ტენდენციები, მომხმარებლის ინფორმაცია და ა.შ.
შეიძლება იყოს მონაცემთა ჟურნალის მოდული, რომელიც ინახავს შეცდომებს და მონაცემებს შემდგომი გამოყენებისთვის.
კონტროლის
საკონტროლო მოდული ახორციელებს ოპერაციებს/მოქმედებებს, რომლებიც ეხება AV-ის ფიზიკურ კონტროლს, როგორიცაა საჭის მართვა, დამუხრუჭება, აჩქარება და ა.შ. გადაწყვეტილების მიღებისა და დაგეგმვის მოდულიდან ინფორმაციის მიღების შემდეგ.
Chassis
ბოლო ნაბიჯი მოიცავს შასისზე დამაგრებულ მექანიკურ ნაწილებთან ურთიერთობას, როგორიცაა გადაცემათა კოლოფი, საჭის ძრავა, სამუხრუჭე პედლის ძრავა და ამაჩქარებლისა და მუხრუჭის პედლებიანი ძრავები.
საკონტროლო მოდული აძლევს სიგნალს და მართავს ყველა ამ კომპონენტს.
ახლა ჩვენ ვისაუბრებთ AV-ის ზოგად კომუნიკაციაზე, სანამ ვისაუბრებთ სხვადასხვა საკვანძო სენსორების დიზაინზე, მუშაობასა და გამოყენებაზე.
რადარი
AV-ებში რადარები გამოიყენება გარემოს სკანირებისთვის მანქანების და სხვა ობიექტების საპოვნელად და ადგილმდებარეობისთვის.
რადარები ხშირად გამოიყენება როგორც სამხედრო, ასევე სამოქალაქო მიზნებისთვის, როგორიცაა აეროპორტები ან მეტეოროლოგიური სისტემები და ისინი მოქმედებენ მილიმეტრული ტალღის (მმ-ტალღის) სპექტრში.
სიხშირის სხვადასხვა დიაპაზონი, მათ შორის 24, 60, 77 და 79 გჰც, გამოიყენება თანამედროვე ავტომობილებში და აქვთ გაზომვის დიაპაზონი 5-დან 200 მ-მდე [10].
გადაცემულ სიგნალსა და დაბრუნებულ ექოს შორის ToF-ის გაანგარიშებით, განისაზღვრება მანძილი AV-სა და ობიექტს შორის.
AV-ებში, რადარები იყენებენ მიკროანტენების მასივს, რომლებიც ქმნიან ლობების კრებულს დიაპაზონის გარჩევადობისა და მრავალი სამიზნის იდენტიფიკაციის გასაუმჯობესებლად. მმ-ტალღის რადარს შეუძლია ზუსტად შეაფასოს ახლო მანძილის ობიექტები ნებისმიერი მიმართულებით დოპლერის ცვლაში დისპერსიის გამოყენებით მისი გაზრდილი შეღწევადობის და უფრო დიდი გამტარუნარიანობის გამო.
ვინაიდან mm-Wave რადარებს უფრო გრძელი ტალღის სიგრძე აქვთ, მათ აქვთ ბლოკირების და დაბინძურების საწინააღმდეგო შესაძლებლობები, რაც მათ საშუალებას აძლევს იმოქმედონ წვიმაში, თოვლში, ნისლში და დაბალი შუქის დროს.
გარდა ამისა, დოპლერის ცვლა შეიძლება გამოყენებულ იქნას ფარდობითი სიჩქარის გამოსათვლელად მმ-ტალღის რადარების საშუალებით. მათი შესაძლებლობებიდან გამომდინარე, mm-Wave რადარები კარგად შეეფერება AV აპლიკაციების ფართო სპექტრს, მათ შორის დაბრკოლებების ამოცნობას და ფეხით მოსიარულეთა და მანქანების ამოცნობას.
ულტრაბგერითი სენსორები
ეს სენსორები მუშაობენ 20-40 kHz დიაპაზონში და იყენებენ ულტრაბგერითი ტალღებს. მაგნიტორეზისტენტული მემბრანა, რომელიც გამოიყენება ობიექტის მანძილის გასაზომად, წარმოქმნის ამ ტალღებს.
გამოსხივებული ტალღის ფრენის დროის (ToF) გამოთვლით ექო სიგნალამდე, მანძილი განისაზღვრება. ულტრაბგერითი სენსორების ტიპიური დიაპაზონი 3 მეტრზე ნაკლებია.
სენსორის გამომავალი განახლება ხდება ყოველ 20 ms-ში, რაც ხელს უშლის მის შესაბამისობას ITS-ის მკაცრი QoS მოთხოვნებთან. ამ სენსორებს აქვთ შედარებით მცირე სხივის გამოვლენის დიაპაზონი და მიმართულია.
ამიტომ, სრული ველის ხედვის მისაღებად საჭიროა მრავალი სენსორი. თუმცა, ბევრი სენსორი ურთიერთქმედებს და შეიძლება გამოიწვიოს დიაპაზონის მნიშვნელოვანი უზუსტობები.
LiDAR
905 და 1550 ნმ სპექტრები გამოიყენება LiDAR-ში. ვინაიდან ადამიანის თვალი მგრძნობიარეა ბადურის დაზიანების მიმართ 905 ნმ დიაპაზონიდან, ამჟამინდელი LiDAR მუშაობს 1550 ნმ დიაპაზონში ბადურის დაზიანების შესამცირებლად.
200 მეტრამდე არის LiDAR-ის მაქსიმალური სამუშაო დიაპაზონი. მყარი მდგომარეობა, 2D და 3D LiDAR არის LiDAR-ის სხვადასხვა ქვეკატეგორია.
ერთი ლაზერის სხივი იშლება სარკეზე, რომელიც სწრაფად ტრიალებს 2D LiDAR-ში. პოდზე რამდენიმე ლაზერის განთავსებით, 3D LiDAR-ს შეუძლია შეიძინოს გარემოს 3D სურათი.
ნაჩვენებია, რომ გზისპირა LiDAR სისტემა ამცირებს მანქანა-ქვეითთან (V2P) შეჯახების რაოდენობას როგორც გზაჯვარედინ, ისე არაგადაკვეთის ზონებში.
იგი იყენებს 16-ხაზიან, რეალურ დროში, გამოთვლით ეფექტურ LiDAR სისტემას.
რეკომენდებულია ხელოვნური ღრმა ავტომატური კოდირების გამოყენება ნერვული ქსელის (DA-ANN), რომელიც აღწევს 95%-იან სიზუსტეს 30 მ მანძილზე.
ნაჩვენებია, თუ როგორ შეუძლია დამხმარე ვექტორულ მანქანაზე (SVM) დაფუძნებული ალგორითმი 64-ხაზიანი 3D LiDAR-თან ერთად, გააძლიეროს ფეხით მოსიარულეთა ამოცნობა.
მიუხედავად იმისა, რომ აქვს უკეთესი გაზომვის სიზუსტე და 3D ხედვა, ვიდრე მმ-ტალღის რადარი, LiDAR ნაკლებად მუშაობს არახელსაყრელ ამინდში, მათ შორის ნისლში, თოვლში და წვიმაში.
კამერები
მოწყობილობის ტალღის სიგრძიდან გამომდინარე, AV-ებში კამერა შეიძლება იყოს ინფრაწითელზე ან ხილულ შუქზე დაფუძნებული.
კამერაში (CMOS) გამოყენებულია დამუხტვით დაწყვილებული მოწყობილობა (CCD) და დამატებითი მეტალ-ოქსიდი-ნახევარგამტარული (CMOS) გამოსახულების სენსორები.
ლინზის ხარისხიდან გამომდინარე, კამერის მაქსიმალური დიაპაზონი არის დაახლოებით 250 მ. ხილული კამერების მიერ გამოყენებული სამი ზოლი - წითელი, მწვანე და ლურჯი - ერთმანეთისგან არის გამოყოფილი იმავე ტალღის სიგრძით, როგორც ადამიანის თვალი, ანუ 400-780 ნმ (RGB).
ორი VIS კამერა დაკავშირებულია დადგენილ ფოკუსურ მანძილებთან, რათა შეიქმნას ახალი არხი, რომელიც შეიცავს სიღრმის (D) ინფორმაციას, რაც საშუალებას იძლევა შექმნას სტერეოსკოპიული ხედვა.
მანქანის მიმდებარე ტერიტორიის 3D ხედის მიღება შესაძლებელია კამერის (RGB-D) საშუალებით ამ შესაძლებლობის წყალობით.
პასიური სენსორები, რომლებსაც აქვთ ტალღის სიგრძე 780 ნმ-დან 1 მმ-მდე, გამოიყენება ინფრაწითელი (IR) კამერით. მაქსიმალური განათებისას, AV სენსორები ვიზუალურ კონტროლს გვთავაზობენ.
ეს კამერა ეხმარება AV-ებს ობიექტების ამოცნობაში, გვერდითი ხედვის კონტროლში, ავარიის ჩაწერაში და BSD-ში. თუმცა, არახელსაყრელ ამინდში, როგორიცაა თოვლი, ნისლი და ცვალებადი განათების პირობები, კამერის მუშაობა იცვლება.
კამერის მთავარი უპირატესობაა მისი უნარი ზუსტად შეაგროვოს და ჩაიწეროს ტექსტურა, ფერების განაწილება და გარემოს ფორმა.
გლობალური სანავიგაციო სატელიტური სისტემა და გლობალური პოზიციონირების სისტემა, ინერციული საზომი ერთეული
ეს ტექნოლოგია ეხმარება AV-ს ნავიგაციაში მისი ზუსტი მდებარეობის განსაზღვრით. პლანეტის ზედაპირის ორბიტაზე მყოფი თანამგზავრების ჯგუფს GNSS იყენებს ლოკალიზაციისთვის.
სისტემა ინახავს მონაცემებს AV-ის ადგილმდებარეობის, სიჩქარისა და ზუსტი დროის შესახებ.
ის მუშაობს ToF-ის გარკვევით მიღებულ სიგნალსა და თანამგზავრის ემისიას შორის. გლობალური პოზიციონირების სისტემის (GPS) კოორდინატები ხშირად გამოიყენება AV მდებარეობის მისაღებად.
GPS-ით ამოღებული კოორდინატები ყოველთვის ზუსტი არ არის და ისინი, როგორც წესი, ამატებენ პოზიციურ შეცდომას საშუალო მნიშვნელობით 3 მ და სტანდარტული ვარიაციით 1 მ.
მეტროპოლიურ სიტუაციებში შესრულება კიდევ უფრო უარესდება, 20 მ-მდე მდებარეობის შეცდომით, ხოლო გარკვეულ მძიმე ვითარებაში, GPS პოზიციის შეცდომა დაახლოებით 100 მ-ია.
გარდა ამისა, AV-ებს შეუძლიათ გამოიყენონ RTK სისტემა მანქანის პოზიციის ზუსტად განსაზღვრისთვის.
AV-ებში, ავტომობილის პოზიციისა და მიმართულების დადგენა შესაძლებელია აგრეთვე მკვდარი აღრიცხვის (DR) და ინერციული პოზიციის გამოყენებით.
სენსორული შერწყმა
ავტომობილის სათანადო მართვისა და უსაფრთხოებისთვის, AV-ებმა უნდა მიიღონ ზუსტი, რეალურ დროში ცოდნა მდებარეობის, სტატუსისა და მანქანის სხვა ფაქტორების შესახებ, როგორიცაა წონა, სტაბილურობა, სიჩქარე და ა.შ.
ეს ინფორმაცია უნდა შეგროვდეს AV-ებმა სხვადასხვა სენსორების გამოყენებით.
რამდენიმე სენსორისგან მიღებული მონაცემების შერწყმით, სენსორების შერწყმის ტექნიკა გამოიყენება თანმიმდევრული ინფორმაციის შესაქმნელად.
მეთოდი იძლევა დამატებითი წყაროებიდან მიღებული დაუმუშავებელი მონაცემების სინთეზს.
შედეგად, სენსორის შერწყმა AV-ს საშუალებას აძლევს ზუსტად გაიაზროს თავისი გარემო, სხვადასხვა სენსორებისგან შეგროვებული ყველა სასარგებლო მონაცემის შერწყმით.
AV-ებში შერწყმის პროცესის განსახორციელებლად გამოიყენება სხვადასხვა ტიპის ალგორითმები, მათ შორის კალმანის ფილტრები და ბაიესის ფილტრები.
იმის გამო, რომ ის გამოიყენება რამდენიმე აპლიკაციებში, მათ შორის რადარის თვალყურის დევნებაში, სატელიტური სანავიგაციო სისტემებში და ოპტიკურ ოდომეტრიაში, კალმანის ფილტრი განიხილება, როგორც გადამწყვეტი მნიშვნელობა ავტომობილის ავტონომიური მუშაობისთვის.
ავტომობილების Ad-Hoc ქსელები (VANETs)
VANET არის მობილური ad hoc ქსელების ახალი ქვეკლასი, რომელსაც შეუძლია სპონტანურად შექმნას მობილური მოწყობილობების/სატრანსპორტო საშუალებების ქსელი. მანქანა-მანქანა (V2V) და მანქანა-ინფრასტრუქტურა (V2I) კომუნიკაცია შესაძლებელია VANET-ებით.
ასეთი ტექნოლოგიის უპირველესი მიზანია საგზაო უსაფრთხოების გაზრდა; მაგალითად, სახიფათო სიტუაციებში, როგორიცაა ავარიები და საცობები, მანქანებს შეუძლიათ ურთიერთქმედება ერთმანეთთან და ქსელთან გადასცეს გადამწყვეტი ინფორმაცია.
შემდეგი არის VANET ტექნოლოგიის ძირითადი კომპონენტები:
- OBU (ბორტ ერთეული): ეს არის GPS-ზე დაფუძნებული თვალთვალის სისტემა, რომელიც განთავსებულია თითოეულ მანქანაში, რომელიც საშუალებას აძლევს მათ ურთიერთქმედონ ერთმანეთთან და გზისპირა ერთეულებთან (RSU). OBU აღჭურვილია რამდენიმე ელექტრონული კომპონენტით, მათ შორის რესურსების ბრძანების პროცესორი (RCP), სენსორული მოწყობილობები და მომხმარებლის ინტერფეისიარსებითი ინფორმაციის მისაღებად. მისი მთავარი მიზანია გამოიყენოს უკაბელო ქსელი მრავალ RSU-სა და OBU-ს შორის კომუნიკაციისთვის.
- გზისპირა ერთეული (RSU): RSU არის ფიქსირებული კომპიუტერული ბლოკები, რომლებიც განლაგებულია ქუჩებზე, ავტოსადგომებზე და კვანძებზე ზუსტ წერტილებზე. მისი მთავარი მიზანია ავტონომიური მანქანების ინფრასტრუქტურასთან დაკავშირება და ის ასევე ეხმარება მანქანების ლოკალიზაციას. გარდა ამისა, ის შეიძლება გამოყენებულ იქნას მანქანის სხვა RSU-ებთან დასაკავშირებლად, სხვადასხვა გამოყენებით ქსელის ტოპოლოგიები. გარდა ამისა, ისინი მუშაობდნენ გარემოს ენერგიის წყაროებზე, მზის ენერგიის ჩათვლით.
- სანდო ავტორიტეტი (TA): ეს არის ორგანო, რომელიც აკონტროლებს VANET-ის პროცესის ყოველ ნაბიჯს, რაც უზრუნველყოფს, რომ მხოლოდ ლეგიტიმურ RSU-ს და ავტომობილის OBU-ებს შეუძლიათ რეგისტრაცია და ურთიერთქმედება. OBU ID-ის დადასტურებით და მანქანის ავთენტიფიკაციით, ის გთავაზობთ უსაფრთხოებას. გარდა ამისა, ის აღმოაჩენს მავნე კომუნიკაციებს და უცნაურ ქცევას.
VANET გამოიყენება სატრანსპორტო საშუალების კომუნიკაციისთვის, რომელიც მოიცავს V2V, V2I და V2X კომუნიკაციას.
Vehicle 2 Vehicle Communication
მანქანების შესაძლებლობას ესაუბრონ ერთმანეთთან და გაცვალონ გადამწყვეტი ინფორმაცია სატრანსპორტო გადატვირთულობის, ავარიების და სიჩქარის შეზღუდვის შესახებ ცნობილია, როგორც სატრანსპორტო საშუალებების კომუნიკაცია (IVC).
V2V კომუნიკაციას შეუძლია შექმნას ქსელი სხვადასხვა კვანძების (სატრანსპორტო საშუალებების) შეერთებით ქსელის ტოპოლოგიის გამოყენებით, ნაწილობრივი ან სრული.
ისინი კლასიფიცირდება როგორც ერთჯერადი ჰოპ (SIVC) ან მრავალჰოპ (MIVC) სისტემები, იმისდა მიხედვით, თუ რამდენი ჰოპი გამოიყენება სატრანსპორტო საშუალებებს შორის კომუნიკაციისთვის.
მიუხედავად იმისა, რომ MIVC შეიძლება გამოყენებულ იქნას შორ მანძილზე კომუნიკაციისთვის, როგორიცაა ტრაფიკის მონიტორინგი, SIVC შეიძლება გამოყენებულ იქნას მოკლე დიაპაზონის აპლიკაციებისთვის, როგორიცაა ზოლის შერწყმა, ACC და ა.შ.
მრავალი უპირატესობა, მათ შორის BSD, FCWS, ავტომატური გადაუდებელი დამუხრუჭება (AEB) და LDWS, შემოთავაზებულია V2V კომუნიკაციის საშუალებით.
Vehicle 2 ინფრასტრუქტურის კომუნიკაცია
ავტომობილებს შეუძლიათ RSU-ებთან კომუნიკაცია პროცესის მეშვეობით, რომელიც ცნობილია როგორც გზისპირა ავტომობილის კომუნიკაცია (RVC). ის ეხმარება პარკირების მრიცხველების, კამერების, ზოლის მარკერების და საგზაო სიგნალების გამოვლენაში.
Ad hoc, უკაბელო და ორმხრივი კავშირი მანქანებსა და ინფრასტრუქტურას შორის.
მოძრაობის ადმინისტრირებისა და ზედამხედველობისთვის გამოიყენება ინფრასტრუქტურის მონაცემები. ისინი გამოიყენება სიჩქარის სხვადასხვა პარამეტრების დასარეგულირებლად, რაც მანქანებს საშუალებას აძლევს მაქსიმალურად გაზარდონ საწვავის ეკონომია და მართონ მოძრაობის ნაკადი.
RVC სისტემა შეიძლება დაიყოს Sparse RVC (SRVC) და Ubiquitous RVC, ინფრასტრუქტურის მიხედვით (URVC).
SRVC სისტემა გთავაზობთ საკომუნიკაციო მომსახურებას მხოლოდ ცხელ წერტილებში, როგორიცაა ღია პარკინგის ადგილების ან ბენზინგასამართი სადგურების განთავსება, ხოლო URVC სისტემა გთავაზობთ დაფარვას მთელ მარშრუტზე, თუნდაც მაღალი სიჩქარით.
ქსელის დაფარვის გარანტირებისთვის, URVC სისტემა საჭიროებს დიდ ინვესტიციას.
Vehicle 2 ყველაფერი კომუნიკაცია
მანქანას შეუძლია სხვა ობიექტებთან დაკავშირება V2X-ის საშუალებით, მათ შორის ფეხით მოსიარულეებთან, გზისპირა ობიექტებთან, მოწყობილობებთან და ქსელთან (V2P, V2R და V2D) (V2G).
ამ ტიპის კომუნიკაციის გამოყენებით, მძღოლებს შეუძლიათ თავი აარიდონ რისკის ქვეშ მყოფი ფეხით მოსიარულეებს, ველოსიპედისტებსა და მოტოციკლისტებს.
ფეხით მოსიარულეთა შეჯახების გაფრთხილების (PCW) სისტემას შეუძლია გააფრთხილოს მძღოლი გზისპირა მგზავრზე, სანამ კატასტროფული შეჯახება მოხდება V2X კომუნიკაციის წყალობით.
ფეხით მოსიარულეთათვის მნიშვნელოვანი შეტყობინებების გასაგზავნად PCW-ს შეუძლია ისარგებლოს სმარტფონის Bluetooth-ით ან ახლო ველის კომუნიკაციით (NFC).
დასკვნა
მრავალმა ტექნოლოგიამ, რომელიც გამოიყენება ავტონომიური მანქანების შესაქმნელად, შეიძლება დიდი გავლენა იქონიოს მათ მუშაობაზე.
ძირითადად, მანქანა ავითარებს მის გარშემო არსებულ რუკას სენსორების მასივის გამოყენებით, რომელიც გვაწვდის ინფორმაციას მის ირგვლივ მარშრუტისა და მის გზაზე მყოფი სხვა მანქანების შესახებ.
შემდეგ ეს მონაცემები ანალიზდება რთული მანქანათმცოდნეობის სისტემით, რომელიც ქმნის მოქმედებების ერთობლიობას მანქანის შესასრულებლად. ეს ქცევები რეგულარულად იცვლება და განახლდება, რადგან სისტემა უფრო მეტს შეიტყობს მანქანის გარემოს შესახებ.
მიუხედავად ჩემი მცდელობისა, წარმოგიდგინოთ ავტონომიური ავტომობილების სისტემის არქიტექტურის მიმოხილვა, კულისებში კიდევ ბევრი რამ ხდება.
გულწრფელად ვიმედოვნებ, რომ ეს ცოდნა თქვენთვის ღირებული იქნება და გამოიყენებთ მას.
დატოვე პასუხი