уникальные разработки 

Про гугломобили слышали все. Но не достаточно кто знает, что и в России есть специалисты, которые разрабатывают уникальное программное обеспечение для систем автономного управления.

Ездить на автомобилях, увешанных нештатными устроствами и мониторами, мне доводилось не единожды. Но это всегда происходило на зарубежных полигонах гигантов мировой автоиндустрии. А сейчас я сижу в кроссовере Nissan X‑Trail, преобразованном в испытательную лабораторию специалистами московской компании «Когнитивные технологии». Очень показательно: 12 лет назад я ездил по этому же столичному проспекту на вазовской Самаре, полагая ее вполне современной и достойной машиной. А теперь выруливаю на улицу на автомобиле, который практически дорос до того, чтобы поехать без помощи человека.

Российский ум

Пока, конечно, это невозможно. Хотя бы потому, что запрещено законом — в автомобиле согласно Венской конвенции о доро­жном движении должен быть шофер. Но дорожные знаки, автомобили и пешеходов обвешанный электронными глазами Nissan распознаёт исправно. Все это отлично видно на экране ноутбука, где иллюстрируется сущность работы системы.

Вот как имитируется работа человеческого гиппокампа. Когда объект оказывается на границе поля зрения камер (обведенная машина слева), электронике трудно его распознать. На помощь приходит кадр, сделанный мгновением раньше (зеленый прямоугольник), на котором объект Объект — философская категория, выражающая нечто, существующее в реальной действительности виден полностью. Электроника сопоставляет кадры и верно трактует ситуацию. Машина ориентируется не только по изображению в данный момент, но и по предыдущим картинкам, что позволяет не терять потенциальные опасности из вида. Бирюзовые прямоугольники — описанный в тексте виртуальный туннель: сужающаяся вдаль зона приоритетного контроля.

Вот как имитируется работа людского гиппокампа. Когда объект оказывается на границе поля зрения система — бинокулярная (стереоскопическая) оптическая система биологической природы, эволюционно камер (обведенная машина слева), электронике сложно его распознать. На помощь приходит кадр, изготовленный мгновением раньше (зеленый прямоугольник), на котором объект виден полностью. Электроника сопоставляет кадры и правильно трактует ситуацию. Машина определяется не только по изображению в данный момент, но и по предыдущим картинкам, что позволяет не терять потенциальные опасности из вида. Бирюзовые прямоугольники — описанный в тексте виртуальный туннель: сужающаяся вдаль зона приоритетного контроля.

Машины-автономники различных производителей почти не отличаются друг от друга набором электронных блоков, датчиков и исполнительных механизмов. Основные изюминки зашиты в программных методах, управляющих автоматикой. И именно за их секретами я приехал в офис «Когнитивных технологий», где не боятся поделиться некоторыми ноу-хау.

Материалы по теме

Самое сложное при разработке автономных транспортных средств — научить машину ориентироваться и замечать все возможные опасности. Без видеокамер не обойтись. Но обрабатывать данные необходимо со скоростью 20–25 кадров в секунду, а любой кадр в высоком разрешении содержит миллионы пикселей — требуется мощная (а значит, дорогая) техника.

Находка компании «Когнитивные технологии» — так именуемый алгоритм виртуального туннеля. Наши инженеры предложили анализировать лишь зону основного риска. Остальную часть картинки электроника держит в фон зрения, но начинает уделять ей более пристальное внимание, только если там появляются движущиеся объекты, представляющие потенциальную опасность. Фактически это аналог людского зрения, к имитации которого тем или иным способом стремятся все разработчики зрения машинного.

Российские специалисты создали, по сути, компьютерную модель фовеального зрения человека: объекты в центре внимания показываются в высоком разрешении, а все остальные — в низком. Ведь при движении на машине на высокой скорости мы смотрим преимущественно вдаль, словно в туннель. Вот и «мозги» автопилота станут обрабатывать в полном объеме лишь 5–10% площади изображения, снятого с объектива видеокамеры.

Так выглядит тестовый Nissan X‑Trail с установленными на нем компонентами машинного зрения.

Так смотрится тестовый Nissan X‑Trail с установленными на нем компонентами машинного зрения.

На крыше рядом с камерами установлены леддары (не путать с лазерным измерителем — лидаром). LEDDAR — light-emitting diode detection and ranging, система множество элементов, находящихся в отношениях и связях друг с другом, которое образует определения и измерения расстояния до объектов на основе невидимого светового излучения. Устройство посылает импульсы с частотой 100 000 раз в секунду и ловит отраженный сигнал.

На крыше вблизи с камерами установлены леддары (не путать с лазерным измерителем — лидаром). LEDDAR — light-emitting diode detection and ranging, система распознавания и измерения расстояния до объектов на основе невидимого светового излучения. Прибор посылает импульсы с частотой 100 000 раз в секунду и ловит отраженный сигнал.

Сейчас радар установлен на виду, но в окончательном варианте его спрячут в бампере. Узкая пластиковая скорлупа работе не помешает, не собьет его с толку и наледь со снегом.

Сейчас радар установлен на виду, но в окончательном варианте его спрячут в бампере. Узкая пластиковая скорлупа работе не помешает, не собьет его с толку и наледь со снегом.

Кроме того, машинное зрение должно иметь высокую уровень адаптации к российским условиям эксплуатации. К примеру, в систему заложена определенная погрешность, возникающая из-за значительных вертикальных колебаний и смещения полосы горизонта на разбитых дорогах. При этом приходится жертвовать точностью обработки данных или быстротой, но в конечном итоге такой подход дает менее качественную картинку по сравнению с «нежными» зарубежными аналогами.

Материалы по теме

технологии в автомобилестроении

Зная специфику российских дорог, при разработке алгоритма не полагались и на совершенную дорожную разметку. Линии на асфальте электроника распознаёт по совокупности факторов. Когда знакомые белые или желтые полосы видны компьютерному глазу слабо, он подключает механизм трудной аналитики. Пусть разметка больше похожа на грязные пятна, но если они повторяются через определенные интервалы и сходятся к линии горизонта, то с большой толикой вероятности это и является ориентиром. Кроме того, компьютер может обратиться за подсказкой к цифровым картам, в памяти которых есть сведения о числе полос движения на этом участке дороги.

Похожим образом автоматика распознаёт и границы дороги. Тут речь даже не о разметке. В России хватает грунтовых магистралей, на которых водитель тоже вправе рассчитывать на помощь электроники наука о взаимодействии электронов с электромагнитными полями и методах создания электронных, а в некоторых регионах по несколько месяцев в году под снегом не видно даже асфальта. Машинное зрение определяет верную траекторию по косвенным признакам — по деревьям, ограничительным столбикам и снежным отвалам вдоль дороги, по линии горизонта. Разработчики уверяют, что их электронное детище в этих условиях видит не хуже человека.

Заглянем на кухню

Распознавание объектов на видеозаписи происходит по методу машинного обучения. Сначала накапливается база образов для электрического разума. Ее можно формировать вручную: операторы на каждом кадре отмечают объекты и присваивают им категории (человек, велосипед, дорожный знак, автомат). Можно доверить процесс инструментам-детекторам, тогда останется только проверить за ними работу. Когда меток накопится достаточно, система несомненно будет сама по аналогам распознавать те или иные объекты.

Материалы по теме

Отдельная категория — так называемые препятствия общего рода. К ним относятся объекты, кот-ые радары и камеры «видят», но не могут соотнести с заложенной в их память базой. Это, например, животные или упавшие деревья: многообразие их форм и размеров проделывают попросту невозможным формирование полной базы для компьютерного мозга.

Непросто и с пешеходами. Они тоже сильно отличаются друг от друга в зависимости от пола, возраста, времени года (очень разнится одежда) и сопутствующих предметов (сумки, зонтики, коляски). Но с пешеходами никаких поблажек разработчики себе позволить не могут: это одна из основных ежеминутных опасностей, а потому система обязана знать все ее нюансы досконально.

Еще один сложный для идентификации элемент — светофор. Автоматика должна не лишь только узнать его, но и определить, какой сигнал в данный момент горит. Электроника ориентируется на характерную форму объекта, возможное место его расположения (повыше автомобилей) и цвет включенного сигнала. Программа учитывает, что машина может стоять в левом или правом рядах многополосной дороги, - соответственно меняется сектор обзора. Вдобавок на некоторых перекрестках в поле зрения камеры попадают сигналы для других направлений движения. Отсечь их помогают доскональные цифровые карты, дающие подсказку об архитектуре перекрестка и расположении светофоров на нем.

Если распознавание сигнала опирается только на его цвет, систему в первую же ночь сведет с ума богатство задних габаритных огней. Инженеры закладывают в алгоритм ряд критериев, помогающих компьютеру точно идентифицировать светофоры и не обращать внимания на ложные раздражители. К примеру, габаритных фонарей у автомобиля должно быть два, они симметрично расположены, а между ними — подсветка номерного знака или третий стоп-сигнал. Если система распознала подобной набор признаков, значит это точно не светофор.

Ошибка в тексте? Выделите её мышкой! И нажмите: Ctrl + Enter

Комментирование закрыто.

Комментирование закрыто

WordPress: 31.34MB | MySQL:153 | 1,288sec