Роман Душкин – От V2X к A2X (страница 4)

Если рассматривать системы управления беспилотными транспортными средствами, то здесь имеются широчайшие возможности по использованию технологии мультисенсорной интеграции. В качестве сенсоров могут использоваться следующие каналы получения информации об окружающей среде:

●

видеокамеры, осуществляющие панорамный наружный обзор и получение 2D-сцены окружающего автомобиль пространства;

●

радары и лидары, которые строят профиль свободного пространства вокруг беспилотного автомобиля, осуществляя замер расстояний до располагающихся вокруг объектов;

●

датчики геопозиционирования (ГЛОНАСС/GPS, триангуляция по базовым станциям сотовой сети), которые позволяют с определённой точностью расположить автомобиль на карте;

●

датчики V2X-взаимодействия для получения дополнительной информации об окружающем пространстве и динамике развития его состояния на ближайшее будущее;

●

датчики внутреннего состояния узлов и агрегатов автомобиля, которые требуются для моделирования собственного состояния беспилотного транспортного средства в ближайшем будущем.

Кроме того, дополнительным источником информации является база общих знаний об окружающем мире, которая представляет собой абстрактную модель того пространства, в котором функционирует беспилотный автомобиль. Эта база знаний, фактически, представляет собой набор правил и отношений между объектами, при помощи которых дедуктивным образом по косвенным признакам можно вывести или утверждения, или высоко достоверные предположения о том, что происходит или будет происходить в ближайшее время, даже если прямое наблюдение недоступно для датчиков беспилотного автомобиля.

Поскольку действовать беспилотному автомобилю приходится в быстро меняющейся динамической среде, в которой объекты перемещаются с высокими скоростями, одной из серьёзных задач является построение как можно более точной 3D-модели окружающего пространства и анализа сцены. Именно в этом поможет мультисенсорная интеграция, выведя возможности анализа видеопотоков на новый уровень.

Действительно, видеопоток предоставляет только двумерную информацию о сцене, воссоздать по которой 3D-сцену в динамике затруднительно. Интеграция и взаимное обогащение информации с видеокамер, радаров, GPS-датчика, V2X-каналов и внутренней базы данных модели позволит решить эту проблему.

Наличие 3D-модели наблюдаемой сцены и взаимодействующих агентов в ней позволяет не только оперативно принимать решения о том, какое действие выполнять прямо сейчас, но и прогнозировать развитие ситуации. Прогноз, в свою очередь, открывает набор возможностей по оптимизации будущих действий, планированию движения и предотвращению возникновения нежелательных ситуаций (в том числе ДТП). Кроме того, это позволит нивелировать морально-этические аспекты выбора действий в сложных ситуациях, известных как «проблема вагонетки». Это важнейшее предназначение такой модели, построение которой возможно только при помощи мультисенсорной интеграции и взаимного обогащения данных на всех уровнях рассмотрения.

Беглый анализ открытых источников, в которых описываются принципы построения систем управления беспилотным транспортом, показал, что вопросы мультисенсорной интеграции практически не рассматриваются. Среди российских производителей только одна компания всерьёз рассматривает вопросы низкоуровневого слияния данных с сенсоров разной модальности, однако, это всего лишь один из аспектов мультисенсорной интеграции. При анализе имеющихся открытых источников о технических характеристиках систем управления беспилотными автомобилями среди зарубежных производителей не обнаружено тех, кто в принципе рассматривает этот вопрос – каждый делает ставку на какую-то одну технологию обследования окружающего пространства для точного позиционирования.

Вместе с тем, как показано выше, мультисенсорная интеграция позволит вывести решение многих задач, которые стоят перед беспилотным транспортном, на качественно новый уровень. При этом важной частью описанной технологии является V2X-взаимодействие, о чём неоднократно писали и докладывали авторы. Моделирование среды и поведения в ней взаимодействующих агентов должно стать принципиальным требованием к функционированию автономных автомобилей на дорогах общего пользования, и V2X-взаимодействие при этом становится одной из главных модальностей восприятия для прогнозирования будущего.

Авторы продолжают работать в области построения интеллектуальных транспортных систем, в том числе и с учётом будущих внедрений беспилотного автомобильного транспорта, в связи с чем приглашают всех заинтересованных лиц к диалогу и сотрудничеству. Интеграционная платформа, разрабатываемая авторами в своём коллективе, уже сегодня предоставляет функциональность по обеспечению V2X-взаимодействия между всеми акторами на автомобильной дороге, а периферийное оборудование может включать модули такого взаимодействия.

Литература

Khrennikov, I. Russia’s Yandex Joins the Self-Driving Car Million-Mile Club // Bloomberg.Com., 18 October 2019. [Электронный ресурс]: https://www.bloomberg.com/news/articles/2019-10-17/russia-s-yandex-joins-the-self-drivingcar-million-mile-club. Доступ 19.03.2020.

Ramos, S., Gehrig, S., Pinggera, P., Franke, U., Rother, C. Detecting unexpected obstacles for self-driving cars: fusing deep learning and geometric modeling, 2016. [Электронный ресурс]: https://arxiv.org/pdf/1612.06573.pdf. Доступ 10.03.2020.

Hirz, M., Walzel, B. Sensor and object recognition technologies for self-driving cars. Computer-Aided Design and Applications, 2018, № 15 (4), pp. 501–508.

Шолле Ф. Глубокое обучение на Python. – СПб.: Питер, 2018. – 400 с.

Dodge, S., Karam, L. A study and comparison of human and deep learning recognition performance under visual distortions, 2017. [Электронный ресурс]: https://arxiv.org/pdf/1705.02498.pdf. Доступ 10.03.2020.

The handbook of brain theory and neural networks. Cambridge, MA, USA, MIT Press, 1998, pp. 255–258.

Андронов М. Г., Душкин Р. В. Проблема состязательных атак на системы компьютерного зрения при организации беспилотного движения // Дорожная держава. – 2019. – № 92. – С. 99–101.

Garfinkel, S. Hackers Are the Real Obstacle for Self-Driving Vehicles. MIT Technology review, 2017. [Электронный ресурс]: https://www.technologyreview.com 2017/08/22/242124/hackers-are-the-real-obstacle-for-self-driving-vehicles/. Доступ 19.03.2020.

Душкин Р. В. I2V-взаимодействие – основа беспилотного движения // Дорожная держава. – 2018. – № 85.

Душкин Р. В. К вопросу о распознавании и дифференциации философского зомби // Философская мысль. – 2020. – № 1. – С. 52–66.

Глава 2. Многоагентные системы для кооперативных ИТС

2

В настоящей статье представлено видение автора на проблему создания интеллектуальных транспортных систем в условиях использования высокоавтоматизированных транспортных средств, свободно перемещающихся по улично-дорожным сетям городов. Рассмотрены вопросы организации из таких транспортных средств многоагентной системы для решения задач более высокого уровня, нежели доступных для решения каждым отдельным агентом (в случае настоящей работы — транспортным средством). Также рассмотрены различные типы взаимодействия транспортных средств друг с другом и агентами иной природы, а кроме того приведено несколько примеров новых задач, в которых организация такого взаимодействия будет иметь решающее значение. Научная новизна представленной работы основана на применении отдельных методов и технологий теории многоагентных систем из области искусственного интеллекта к созданию интеллектуальных транспортных систем и организации безостановочного движения высокоавтоматизированных транспортных средств. Показано, что при помощи теории многоагентных систем можно решать более сложные задачи, чем доступно каждому отдельному агенту по отдельности и даже простой сумме невзаимодействующих агентов. Из этого следует возможности получения эмерджентных эффектов так называемого роевого интеллекта множества взаимодействующих агентов. Статья будет интересна всем, кто занят в транспортной отрасли и с интересом смотрит в будущее.

Ключевые слова: интеллектуальная транспортная система, кооперативная ИТС, многоагентная система, автономный агент, высокоавтоматизированное транспортное средство, автономность, взаимодействие, V2X, искусственный интеллект, безостановочное движение.

Развитие интеллектуальных транспортных систем (ИТС) закономерно приводит к появлению новых и инновационных методов организации и управления дорожным движением и дорожной деятельностью. Этому же способствует и появление высокоавтоматизированных транспортных средств (ВАТС), в том числе и обладающих полной автономностью подключённых беспилотных автомобилей [Жанказиев и др., 2016]. Вместе с тем выход ВАТС на автомобильные дороги общего пользования, причём как городские, так и региональные и межмуниципальные дороги, является серьёзным технологическим вызовом существующим практикам и инструментам управления дорожным движением [Приходько & Жанказиев, 2016].

Если говорить об устройстве и принципе функционирования ВАТС, то на самом верхнем уровне абстракции технология осуществления автономного управления транспортным средством основана на точном позиционировании автомобиля на детальной карте местности с нанесением на неё всех текущих статичных и динамичных препятствий, которые окружают автомобиль во время его движения. Для этого с высокой частотой автомобиль сканирует окружающее пространство при помощи своих сенсорных систем, выявляет препятствия, распознаёт и классифицирует их и наносит на карту. После этого осуществляется текущее тактическое целеполагание, планирование собственных действий и их осуществление [Galar et al., 2020].