Великі гонки роботів

Як і рік тому, грудневий номер журналу Computer (IEEE Computer, Vol. 39, No. 12, December 2006) повністю присвячений окремій темі - автоматично керованим транспортним засобам.

В якості запрошених редакторів виступили Гуна Сітараман (Guna Seetharaman), Аруна Лахотія (Arun Lakhotia) і Ерік Філіп Блеш (Erik Philip Blasch). Їх вступна замітка названа «Автоматично керовані транспортні засоби вступають в пору зрілості: DARPA Grand Challenge» (Unmanned Vehicles Come of Age: The DARPA Grand Challenge).

Значні досягнення в областях обробки інформації, машинного зору, теорії управління та обробки сигналів як на рівні апаратури, так і з використанням програмного забезпечення підвищують можливості подання, аналізу і розуміння, що динамічно змінюються дорожніх умов, а також реагування на ці умови. У цьому випуску журналу описуються останні розробки в області автоматично керованих автономних транспортних засобів (Unmanned Autonomous Vehicle, UAV), представлених на відомому конкурсі автомобілів-роботів DARPA Grand Challenge. Також обговорюються майбутнє автоматично керованих транспортних засобів і обчислювальні парадигми, які можна було б використовувати в системах управління інтелектуальними транспортними засобами.

Керування транспортним засобом є важким завданням, для вирішення якої потрібне щось більше, ніж точне, надійне і повторюване поведінку робота. Нобелівський лауреат Герберт Саймон відзначав: «Цілком очевидно, ЩО споживає інформація: вона споживає увагу своїх реципієнтів. Багатство інформації породжує бідність уваги і потреба в ефективному розподілі уваги між надмірною кількістю джерел інформації, які споживають увагу ».

Для успішного керування транспортним засобом потрібні увага, сприйнятливість і інстинктивна реакція на мінливі дорожні умови, перешкоди і умови безпеки. Автомобіль, що рухається зі швидкістю 96 км / год, покриває 26,5 метра в секунду. Час реакції більшості водіїв становить близько трьох секунд, протягом яких транспортний засіб пройде близько 100 метрів. Типовий водій отримує інформацію про дорожні умови за 11 секунд до досягнення автомобілем відповідної ділянки дороги. За цей час водій приймає послідовність рішень на основі даних про 291 метрі дороги, що розрізняються для різних маршрутів руху. Крім того, потрібно обробляти ще й дані заднього огляду, що впливають на умови безпеки руху. Все це породжує потребу в безперервній послідовності рішень, які доводиться приймати з урахуванням раніше прийнятих тактичних рішень щодо загального маршруті руху.

При прийнятті рішень можуть істотно допомогти автономні обчислення. Виробники автомобілів успішно інтегрують засоби круїз-контролю, автоматичного перемикання швидкостей і повністю автоматичного паркування. Віддалено керовані транспортні засоби протягом двох десятиліть успішно використовуються в космічних польотах і в несприятливих наземних умовах. Понад п'ятдесят років в промисловості використовуються робототехнічні системи для переміщення матеріалів по виробничим лініях. Ці досягнення були отримані в основному завдяки створенню засобів високоточного вимірювання, контрольованої реакції, а також точних і надійних виконавчих механізмів; безпеку забезпечувалася за рахунок можливості перехоплення управління людиною.

Чи готові ці робототехнічні системи до того, щоб стати персональними водіями? На останньому конкурсі DARPA Grand Challenge були представлені машини, керовані в повністю автономному режимі. Ще більш вражає реальна можливість того, що в близькому майбутньому автономні транспортні засоби зможуть переміщатися в міському середовищі.

Перша з семи статей тематичної добірки представлена ​​Массімо Бертоцці (Massimo Bertozzi), Альберто Броги (Alberto Broggi) і Алессандрою фасциола (Alessandra Fascioli). Стаття називається «VisLab і еволюція автоматично керованих наземних транспортних засобів, заснованих на системах технічного зору» (VisLab and the Evolution of Vision-Based UGVs).

Технологія автоматично керованих наземних транспортних засобів (Unmanned Ground Vehicle, UGV) розвивається нерегулярним чином. Дослідники обмірковували цю ідею в 60-х роках, але тоді технологія була недостатньо зрілої, і тільки в середині 80-х у військовій промисловості був розроблений прототип UGV. Метою проекту була автоматизація парку військових наземних транспортних засобів. В кінці 80-х дослідники стали проявляти інтерес до громадянських проектів, ініційованих урядами різних країн. І тільки в кінці 90-х автомобільна промисловість нарешті змогла підійти до розробки і дорожніх випробувань перших автономних транспортних засобів.

В даний час спостерігається безліч дослідницьких проектів в області інтелектуальних транспортних засобів. Однак технологічні проблеми і правові міркування, пов'язані з повністю автоматичними транспортними засобами, спонукають автомобільну промисловість концентруватися на контрольованих системах і системах розвиненою допомоги водіям. У той же час дослідження в області UGV сповільнилися, оскільки промисловість і уряд більше не розцінюють UGV як основну стратегічну область інвестицій. У всьому світі міністерства транспорту стурбовані соціальними, економічними завданнями, проблемами захисту навколишнього середовища, прагнучи до підвищення якості автомобільного палива, ефективності дорожньої мережі, якості життя.

В даний час успіхи автомобільної промисловості в зв'язку з впровадженням ADAS спонукають військову промисловість переглянути свою мету автоматизації парку транспортних засобів. Істотний крок був зроблений DARPA; в заснованому агентством конкурсі Grand Challenges в 2004 і 2005 роках взяли участь провідні дослідницькі колективи, які змагалися за багатомільйонні призи.

Дослідники аналізують можливості застосування автоматично керованих транспортних засобів у багатьох інших додатках в галузях сільського господарства, знешкодження хв, аварійно-рятувальних робіт і т.д. Це дозволило б знизити рівень людського ризику і підвищити ефективність використання транспортних засобів. Однак в більшості галузей промисловості найвищий інтерес представляє автоматизація дорожніх транспортних засобів.

У лабораторії машинного зору і інтелектуальних систем Університету Парми (VisLab; www.vislab.it ) Дослідження в даній області UGV проводяться протягом півтора десятиліть. У VisLab розроблялося транспортний засіб Mobile Laboratory. Проект виконувався в рамках програми Prometheus, частини програми Eureka, яка проводилася європейською автомобільною промисловістю в 1989-1994 роках. Прототип, що називався Fiat Ducato 18 Maxi, призначався для вивчення, розробки і тестування інтелектуальних систем реального часу, заснованих на використанні механізмів машинного зору. Була розроблена власна SIMD-архітектура Processor for Image Checking and Analysis (Paprica). Ця комп'ютерна система підключалася безпосередньо до системи машинного зору, що відображає результати обробки на зовнішньому моніторі. Прототип використовувався для тестування рішень і алгоритмів розпізнавання маршрутів і перешкод.

В кінці 90-х років в VisLab виконувалися проекти ARGO і Surface Antarctic Robot (SAR). В рамках проекту ARGO був розроблений один з перших прототипів, що демонструє можливості автоматичного керування транспортним засобом на дорогах громадського користування. У ньому були інтегровані основні отримані раніше результати в областях алгоритмів і архітектур систем управління дорожніми транспортними засобами на основі методів машинного зору. Було розроблено, протестовано та налаштоване кілька рішень для автономного переміщення з вибором маршруту руху і виявленням перешкод.

У проекті SAR досліджувалися можливості автоматичного керування транспортними засобами в екстремальних умовах. Практичні випробування засобів автоматичного маневрування снігохода проводилися під час італійських експедицій на Південний полюс. Кінцевою метою проекту була розробка снігохода, який міг би автоматично слідувати за провідним транспортним засобом.

В останні роки в VisLab при взаємодії з партнерами з автомобільної промисловості та дослідницькими центрами розроблялося кілька дослідних прототипів, заснованих на різних технологіях. Однією з областей дослідження є захист вразливих учасників дорожнього руху. У співпраці з дослідницьким центром Volkswagen був розроблений прототип системи розпізнавання пішоходів для додатків запобігання аварій і допомоги водіям.

В рамках європейського проекту APALACI-PReVENT, спрямованого на розробку і демонстрацію можливостей технологій підвищення рівня дорожньої безпеки, VisLab працює разом з Volvo над системою блокування початку руху великих вантажівок. В системі використовуються кошти машинного зору для виявлення пішоходів або перешкод в мертвій зоні перед вантажівкою для попередження водія і запобігання наїзду.

У співпраці з великої німецької компаній Hella, що поставляє вироби для автомобілебудування, VisLab досліджує можливості застосування близьких до інфрачервоного спектру прожекторів і камер для локалізації перешкод. В автомобільній індустрії також проявляється інтерес до додатків допомоги водіям на основі кольорового машинного зору. У цій області VisLab співпрацює з компанією Magneti Marelli при виконанні проекту по використанню кольорового машинного зору для розпізнавання дорожніх знаків.

У військовій області VisLab співпрацює з групою ветронікі (vetronics, від vehicle electronics) збройних сил США. У проекті розробляється система, оснащена чотирма відеокамерами, призначена для підвищення рівня безпеки робототехнічних систем. Для компанії Oshkosh Truck розробляється програма нічного бачення для застосування у військових цілях.

Спільно з Oshkosh Truck і Rockwell Collins в Vislab розробили автономне транспортний засіб TerraMax, зуміло дійти до фінішу на конкурсі DARPA Grand Challenge в 2005 році. У TerraMax використовується машинне зір, лазерні сканери, навігаційні пристрої, інтерціальние датчики і бази даних, що забезпечують розуміння середовища. Внеском TerraMax з'явилася система машинного зору для виявлення перешкод і придатного шляху руху.

Авторами статті «Архітектура сприйняття і планування для автономних наземних транспортних засобів» (Perception and Planning Architecture for Autonomous Ground Vehicles) стали Боб Тачтон (Bob Touchton) Том Галлуццо (Tom Galluzzo), Денні Кент (Danny Kent) і Карл Крейн (Carl Crane) .

Група Gator Nation ( cimar.mae.ufl.edu/gatornation ), Яка раніше називалася групою CIMAR, є фіналістом конкурсів DARPA Grand Challenge 2004- 2005 років і збирається брати участь в конкурсі DARPA Urban Challenge в 2007 році. Групу утворено Центром інтелектуальних машин і робототехніки, Лабораторією машинного інтелекту та Інститутом цифрових світів Флоридського університету за участю компанії Eigenpoint і спонсорство Smiths Aerospace. До складу групи входили також співробітники компанії Autonomous Solutions.

Одна з основних стратегій CIMAR при підготовці до перших двох конкурсів полягала в розробці підгрупою інженерії програмного забезпечення стандартизованої архітектури програмного забезпечення та супутніх інструментальних засобів і бібліотек, які компілювалися б з використанням середовища інтероперабельності JAUS (Joint Architecture for Unmanned Systems) Міністерства оборони США, уніфікували б різноманітні види вихідних даних інтелектуальних датчиків і включали б багатозначну грати траверсабельності для виявлення перешкод і оц Енкі рівня гладкості поверхні.

Ці архітектурні особливості були використані в автономному наземному транспортному засобі NaviGATOR. У число основних компонентів входило шість інтелектуальних датчиків для виявлення умов зовнішнього середовища і видачі апріорних даних; інтелектуальна схема вирішення конфліктів, що з'єднує дані від різних інтелектуальних датчиків; і реактивний драйвер, що забезпечує в реальному часі планування переміщення і уникнення перешкод. Для конкурсу в 2007 році група готує більш досконале рішення.

Стаття «Перевірка вміння водіння високошвидкісних автономних транспортних засобів» (Testing Driver Skill for High-Speed ​​Autonomous Vehicles) написана Крісом Урмсон (Chris Urmson), Вільямом Уіттейкером (William Whittaker), Семом Харбо (Sam Harbaugh), Філіпом Куном (Phillip Koon) і Майклом Кларком (Michael Clark).

Гонка по пустелі Мохаве під час змагань на конкурсі DARPA Grand Challenge в 2005 році показала стан справ в області високошвидкісного автономного пересування по дорогах і бездоріжжю. Для виграшу команди в змаганні її робот повинен визначати напрямок руху швидше за інших роботів та пройти весь шлях не більше ніж за 10 годин. Крім того, інформація про маршрут руху і відстані була оголошена тільки за дві години до початку гонки, що не давало можливості попереднього проходу траси.

Команда Red Team Університету Карнегі-Меллона розробила роботів Sandstorm і H1ghlander, в яких використовувалася комбінація автономності та попереднього планування за участю людини. Обидва цих робота увійшли в число чотирьох, які успішно пройшли дистанцію. У роботах використовувалися бортові датчики для коригування заздалегідь запланованого маршруту, щоб уникнути перешкоди і виправляти помилки визначення місця розташування.

Для досягнення успіху команди повинні були розробити алгоритми і системи, а також ретельно перевірити їх ефективність. У Red Team використовували регресійне тестування для оцінки того, як впливають заміни блоків апаратури і програмного забезпечення на загальну можливість управління робота. Можливість управління визначалася трьома факторами: дотримання попередньо запланованим маршрутом на основі тільки датчиків місця розташування; відстеження попередньо запланованого маршруту за допомогою датчиків сприйняття; динамічна зміна попередньо запланованого маршруту, що дозволяє уникати відчутних перешкод.

Наступна стаття, «Водіння властиво людині» (To Drive Is Human), представлена ​​Ісааком Міллером (Isaac Miller), Ефраїмом Гарсіа (Ephrahim Garcia) і Марком Кемпбеллом (Mark Campbell).

Люди погано водять автомобілі вже більше 100 років; чи не настав час поставити на колеса комп'ютер? У 2005 році в DARPA зробили саме це, закликавши команди з усієї країни побудувати автономні транспортні засоби для участі в гонці на 132 миль з невідомої пустельній місцевості; участь людей не допускалося. Спочатку зареєструвалося 195 команд; 43 з них вийшли в півфінал на автостраді в Каліфорнії; 23 команди стартували у фіналі і п'ять з них дісталися до фінішу.

Коли глядачі спостерігали покритих пилом роботів, тріумфально перетинають фінішну лінію, вони високо оцінювали важку роботу, яка призвела до написання цієї останньої глави про людину і машині. Однак, дивлячись на ці досягнення, природно задати питання, чому у нас немає роботів, отвозящіх людей на службу, які працюють таксистами або дозволяють здійснити довгу подорож до будинку бабусі?

Відповідь на це питання криється не в гайках і болтах, з яких зроблені гонщики Grand Challenge, а скоріше в тих, кого вони намагаються замінити, - в людях. При водінні ми виконуємо незліченну кількість функцій, і комп'ютер, який намагається уподібнитися водієві-людині, повинен мати справу з усіма ними. При підготовці до Grand Challenge команда Корнельського університету розділила проблему водіння на три основні завдання: локалізація (визначення свого місця розташування); сприйняття (бачення того, що знаходиться навколо); планування маршруту (визначення того, як можна досягти мети).

На перший погляд список завдань здається вичерпним. Якщо ви знаєте, де ви знаходитесь, ви можете бачити свій дорожній маршрут, і якщо ви знаєте, куди ви хочете дістатися, ви зможете там опинитися. Однак набір вказівок виявляється марним, якщо невідомо місце розташування або неможливо знайти дорогу, а можливість бачити дорогу є не дуже корисною при відсутності знаків і схем, які говорять про те, куди веде ця дорога. Тому для створення самоврядного транспортного засобу потрібно знаходження обчислювальних рішень кожної з цих трьох завдань.

Паоло Ломбарді (Paolo Lombardi), Бертран Завідовік (Bertrand Zavidovique) і Майкл Талберт (Michael Talbert) є авторами статті «Про важливість залежності від контексту» (On the Importance of Being Contextual).

Автоматично керовані транспортні засоби представляються собою важлівій еволюційній крок для Підвищення уровня безопасности при віконанні різніх завдання, від пасивного СПОСТЕРЕЖЕНЬ до активних ДОСЛІДЖЕНЬ и рішучіх попереджувальних Дій. Для досягнення цієї мети ці транспортні засоби повинні бути автономними і мати можливість ефективної інтерпретації контексту - постійне відстежування і розуміння зовнішнього середовища є важливим кроком на цьому шляху. При цьому підході відповідний облік контексту повинен сприяти підвищенню рівня сприйнятливості системи за рахунок використання поточної інформації візуального контексту і відповідної інформації з екосистеми.

Підтримуючи новий імовірнісний підхід в відстеженню контексту в заснованих на сенсорах керуючих системах транспортних засобів, автори обчислюють приватні достовірності в операційному середовищі, що є зовнішньою по відношенню до поля зору системи машинного зору. Результати авторів вказують на перспективність використання мультимодального аналізу як ключового підходу для підвищення ефективності управління транспортними засобами при їх застосуванні в різних відповідальних областях.

Статтю «Засноване на пам'яті навчання на місці для автоматично керованих транспортних засобів» (Memory-Based In Situ Learning for Unmanned Vehicles) представили Патрік Макдауелл (Patrick McDowell), Брайан Бурже (Brian Bourgeois), Дональд СОФЖІ (Donald Sofge) і С. З . Айенгар (SS Iyengar).

Щоб робот міг автономно функціонувати в динамічному середовищі, він повинен мати можливість до самоадаптації без допомоги людини. Кінцевою метою дослідження авторів статті є надання групам автоматично керованих підводних транспортних засобів (Unmanned Underwater Vehicles, UUV) деяких здібностей тварин для адаптації до середовища з використанням пам'яті, без вичерпної перевірки середовища методом проб і помилок або її комплексного моделювання.

Автори концентруються на UUV, оскільки ці пристрої можна буде використовувати при виконанні таких завдань, як пошук небезпечних підводних об'єктів або обстеження дна океану, більш безпечних і економним чином. Концепція групи застосовується для зниження загальної вартості завдання шляхом використання дешевих підлеглих UUV для підвищення сенсорних можливостей більш потужного основного пристрою. Метою є розробка команди роботів, що володіють здатністю до навчання своїм ролям і до вдосконалення стратегії команди з метою досягнення загальних цілей в динамічних неструктурованих середовищах, в яких ускладнені комунікації і моніторинг.

У описуваної дослідній роботі використовується система показників, заснована на вхідних даних датчиків, яка комбінується з режимом навчання на основі тимчасових послідовностей зв'язків «датчик / дію». Роботи з «вухами» слухають робота-лідера і намагаються слідувати за ним. Добутий лад роботів є результатом їх послідовного поведінки. У цьому додатку вхідні дані сенсорів задаються інтенсивністю звуку в лівому і правому вусі, а дії складаються в повороті наліво, рух вперед або повороті направо.

Нарешті, останню статтю тематичної добірки написав Вейсон Сріні (Vason Srini). Стаття називається «Концепція підтримки автономної навігації в міських середовищах» (A Vision for Supporting Autonomous Navigation in Urban Environments).

Очікується, що у майбутніх транспортних засобів, що функціонують в міських районах, на промислових підприємствах, в портах, на складах і т.д., будуть матися комп'ютерний контроль подачі палива, рульового управління і системи гальмування для підтримки запобігання зіткнень, регульована можливість підтримки постійної швидкості , кошти автоматичного паркування та безпечного водіння. Для досягнення цієї мети потрібні досягнення автомобільної промисловості, які дозволять зменшити вартість і підвищити надійність за рахунок скорочення числа механічних частин і з'єднань. Додаткові стимули породжуються стратегічними змінами в індустрії страхування, спрямованими на скорочення числа нещасних випадків і зниження витрат на рахунок використання розвинених датчиків, засобів забезпечення безпеки пасажирів і пристроїв попередження зіткнень.

Ці автономні навігаційні системи (Autonomous Navigation Systems, ANS), а також сучасні транспортні засоби з датчиками, виконавчими механізмами і комп'ютерним управлінням виконують три основні функції: накопичення контексту з використанням датчиків, обробка і дії.

Більшість дослідників навантажує підтримкою цих функцій саму ANS для забезпечення можливості долати перешкоди і реагувати на динамічні зміни середовища. Однак це призводить до громіздкості і дорожнечі ANS і робототехнічних систем. Це також перешкоджає впровадженню транспортних засобів з ANS в міських середовищах, в яких вони повинні співіснувати з наявними автомобілями і магістралями.

У статті представлений підхід, при якому функції збору і обробки контексту розподіляються з використанням сенсорних мереж і бездротових комунікацій, що дозволяє зменшити вартість і підвищити поширеність ANS. В системі для збору інформації на різних рівнях використовуються датчики, встановлені на рухомих транспортних засобах і на стаціонарних об'єктах, таких як ліхтарні стовпи, світлофори, майданчики контрольних пунктів і вдома.

В системі використовується локальний контекст для прийняття в реальному часі тактичних рішень, таких як зниження швидкості при гальмуванні попереду транспортного засобу або при наближенні до червоного сигналу світлофора. Для прийняття «стратегічних» рішень, таких як переїзд на іншу дорогу або обгін транспортного засобу, потрібно інформація про навколишніх дорогах і транспортних засобах. У рухомих транспортних засобах зазвичай не маєте доступу до подібної локальної та глобальної інформації.

Тому в майбутніх додатках системи основну роль гратимуть датчики і інші елементи пропонованої системи мобільних сенсорних мереж для ANS, яка дозволить отримати набагато більшу обізнаність про динамічному середовищі і буде допомагати приймати рішення з використанням сервісів і баз даних, до яких не має доступу рухомий транспортний засіб .

Вітаю вас всіх з Новим роком! До наступної зустрічі, Сергій Кузнецов ( [email protected] ).