Безпілотні автомобілі навчилися їздити сільськими дорогами

Американські інженери розробили фреймворк для безпілотних автомобілів, що дозволяє їм пересуватися дорогами без докладних 3D-карт місцевості. Система використовує тільки мінімальну топологічну карту і дані GPS для глобальної навігації, а також лідар для складання точної карти навколишнього простору в реальному часі. Система насамперед буде корисна в малонаселеній місцевості, в якій економічно невигідно створювати докладні 3D-карти місцевості і часто оновлювати їх, розповідають розробники в MIT News. Стаття з описом розробки буде представлена на конференції ICRA 2018.

Безпілотні автомобілі багатьох компаній вже вміють добре орієнтуватися в складних умовах, наприклад, у місті з інтенсивним рухом і великою кількістю поворотів. Багато в чому такий рівень автономності обумовлений тим, що ці автомобілі мають високоточні 3D-картки місцевості і за рахунок цього можуть під час їзди фокусуватися на динамічних об'єктах, таких як інші автомобілі і пішоходи. Але, оскільки обсяг цих карт дуже великий, протяжність доріг у великих країнах може становити кілька мільйонів кілометрів, а карти необхідно регулярно оновлювати, компанії створюють їх лише для великих міст. Крім того безпілотним автомобілям необхідно, щоб дорожня розмітка і краї дороги були в хорошому стані. Недавня аварія автомобіля Tesla з активованим режимом автопілота показала, що навіть у великих містах розмітка не завжди досить зрозуміла безпілотним автомобілям. Через ці проблеми сучасні безпілотні автомобілі виявляються непристосованими для їзди невеликими дорогами у віддалених регіонах і сільській місцевості.

Група інженерів під керівництвом Даніели Рус (Daniela Rus) з Массачусетського технологічного інституту представила систему, яка дозволяє безпілотним автомобілям самостійно їздити дорогами практично без попередніх знань про місцевість. Розроблений ними фреймворк складається з двох основних частин, одна з яких відповідає за глобальне планування маршруту з початкової в кінцеву точку, а друга за безпосередній рух по невеликих сегментах наміченого шляху. Для глобальної навігації розробники використовували карту OpenStreetMap, в якій кожна дорога складається з безлічі точок, що з'єднуються лініями. При цьому часто відстань між цими точками більша, ніж дальність дії лідара, тому алгоритм вміє прокладати маршрут між точками, «бачачи» дорогу своїми датчиками.

Для локальної навігації дослідники використовували дані лідара і одометра. Лідар створює локальну 3D-карту місцевості, але дані з нього збираються не так часто, як з одометричних датчиків, тому вони допомагають автомобілю приблизно оцінювати своє положення на локальній карті під час замірів лідара. Один з недоліків розробки інженерів полягає в тому, що алгоритм розраховує за рахунок даних з лідара лише краю дороги, але не враховує розмітку на ній. Автори протестували його працездатність на модифікованому автомобілі Toyota Prius і нерозміченій дорозі без бордюрів у штаті Массачусетс.

Розробники зазначають, що система оновлює локальну карту навколишньої місцевості 5 разів на секунду, а дальність складеної карти становить 35 метрів. Таким чином, за розрахунками авторів, автомобіль, керований такою системою, може безпечно пересуватися зі швидкістю понад сто кілометрів на годину. Варто зазначити, що, мабуть, автори наводять розрахунки для порожньої дороги, а зустрічні автомобілі значно знижують максимальну безпечну швидкість.

Нещодавно інші інженери з MIT навчили лідари бачити предмети в сильному тумані, через який їх практично неможливо побачити неозброєним поглядом. Поки метод непримінний для безпілотних автомобілів через те, що він призначений тільки для статичних об'єктів, але автори планують доопрацьовувати його.