Содержание к диссертации
Введение
ГЛАВА 1. Обзор и анализ работ в области автоматизации движения автомобиля 13
1.1. История развития исследований 13
1.2. Автономное АТС в составе кооперативных интеллектуальных транспортных систем 28
1.3. Обзор подходов к созданию математических моделей движения автотранспортных средств 32
1.4. Стандартизация в исследуемой области
1.4.1. Анализ стандарта SAE J3016 «Системы автоматизированного управления движением АТС. Классификация, термины и определения» 57
1.4.2. Обзор стандартов SAE J3018 и SAE J3092 79
1.5. Выводы, постановка цели и задач диссертации 80
ГЛАВА 2. Концепция создания систем управления движением автономных колесных транспортныхсредств 83
2.1. Структура системы «Водитель – Система Автономного Вождения – Автомобиль – Дорога – Транспортная Среда – Информационное Поле» 83
2.2. Концепция системы управления движением автомобиля 86
2.3. Архитектура сети и состав системы автономного вождения 107
2.4. Актуализация технических задач 109
2.5. Общие проблемы создания автономных колесных транспортных средств 113
2.6. Выводы по главе 2 115
. ГЛАВА 3. Предложения по созданию системы управления движением автономного колесноготранспортного средства 116
3.1. Математическое моделирование управляемого движения автомобиля 116
3.2. Методика уточнения параметров математической модели на основе результатов дорожных испытаний 150
3.3. Проверка адекватности математической модели 156
3.3.1. Дорожные испытания микроавтобуса (задний привод, категория М2) 156
3.3.1.1. Объект и программа испытаний 156
3.3.1.2. Измерительное оборудование 161
3.3.1.3. Обработка экспериментальных данных 166
3.3.1.4. Оценка точности результатов моделирования.. 188
3.3.2. Дорожные испытания легкового автомобиля (полный привод, категория М1) 201
3.3.2.1. Объект и программа испытаний 201
3.3.2.2. Измерительное оборудование 202
3.3.2.3. Обработка экспериментальных данных 204
3.3.2.4. Оценка точности результатов моделирования.. 213
3.3.3. Дорожные испытания легкового автомобиля (передний привод, категория М1) 220
3.3.3.1. Объект и программа испытаний 220
3.3.3.2. Измерительное оборудование 221
3.3.3.3. Обработка экспериментальных данных 223
3.3.3.4. Оценка точности результатов моделирования.. 227
3.4. Математическая модель расчета закона управления рулевым колесом при движении по заданной траектории 234 Стр.
3.5. Экспериментально-расчетная методика определения типа опорного покрытия в режиме реального времени 239
3.6. Адаптация математической модели управляемого движения для использования в составе предикторной системы управления... 243
3.7. Выводы по главе 3 245
ГЛАВА 4. Методы интеграции автономных колесных транспортных средств в интеллектуальную транспортную среду 247
4.1. Декодирование данных, передаваемых по бортовым сетям современных колесных транспортных средств 247
4.2. Использование данных бортовых сетей автомобилей при проведении дорожных испытаний, в задачах ИТС и автоматизации управляемого движения, обоснование применимости
4.2.1. Дорожные испытания легкового полноприводного автомобиля (категория М1) 267
4.2.2 . Дорожные испытания легкового переднеприводного автомобиля (категория М1) 276
4.3. Информационное обеспечение взаимодействия автономных КТС с интеллектуальной транспортной средой 279
4.4. Выводы по главе 4 285
ГЛАВА 5. Разработка и испытания опытных образцов автономных колесных транспортных средств 287
5.1. Платформа микроавтобуса 287
5.2. Платформа легкового автомобиля 298
5.3. Выводы по главе 5 332
Основные результаты и выводы 333
Список используемой литературы
- Обзор подходов к созданию математических моделей движения автотранспортных средств
- Концепция системы управления движением автомобиля
- Обработка экспериментальных данных
- . Дорожные испытания легкового переднеприводного автомобиля (категория М1)
Введение к работе
Актуальность
Повышение эффективности транспортного обслуживания населения за счет
применения инновационных организационных и технических решений связано с
развитием и внедрением интеллектуальных транспортных систем, интеллектуальных
(автономных) транспортных средств, а также с уменьшением степени влияния
человеческого фактора на процессы управления транспортными средствами.
Естественным является то обстоятельство, что автономные колесные транспортные
средства, в зависимости от степени автоматизации, будут уменьшать нагрузку,
оказываемую на водителей, не будут ухудшать дорожную ситуацию, но будут
улучшать эффективность транспортного обслуживания и повышать безопасность
дорожного движения. Снижение тяжести дорожно-транспортных происшествий,
сохранение и поддержание трудоспособности населения, повышение
производительности труда, в том числе, за счет автоматизации технологических процессов, всегда находилось в сфере государственных интересов Российской Федерации.
Вместе с тем, при выполнении специальных транспортно-технологических операций с использованием колесных транспортных средств имеют место ситуации, когда участие водителя в процессе управления связано с риском для его жизни, например, при ликвидации чрезвычайных ситуаций, при проведении войсковых операций, в т.ч. при противодействии терроризму.
В то же время, общемировая тенденция показывает, что современные автомобили и дорожная транспортная техника все в меньшей мере остаются одиночными транспортными средствами, все более интегрируясь в интеллектуальную транспортную среду, под которой понимается информационное пространство Интеллектуальных Транспортных Систем (ИТС).
Таким образом, разработка методологии создания систем управления движением автономных колесных транспортных средств, интегрированных в интеллектуальную транспортную среду, имеет и гражданскую, и военную направленности, является актуальной и соответствует приоритетным направлением развития автотранспортного комплекса Российской Федерации, что, в свою очередь, подтверждается следующими официальными документами:
- концепция долгосрочного социально-экономического развития Российской
Федерации на период до 2020 года (Распоряжение Правительства Российской
Федерации от 17 ноября 2008 г. № 1662-р);
перечень критических технологий Российской Федерации, утвержденный Указом Президента Российской Федерации от 7 июля 2011 г. № 899;
стратегия развития автомобильной промышленности Российской Федерации на период до 2020 года, утвержденная приказом Минпромторга России от 23 апреля 2010 г. № 319 (ред. от 27.12.2013).
В мире разработкой технологий управления автономными колесными транспортными средствами активно занимаются и автопроизводители (Volvo, Volkswagen, Mercedes-Benz, General Motors), и крупные инженерные центры (Google, Continental, Delphi, Siemens, Bosch), и военные ведомства (DARPA), и университеты (Stanford University, Carnegie Mellon University, Technical University of Munich,
University of Karlsruhe, Fraunhofer Institute, University of Minnesota), и многие другие, что подчеркивает актуальность выбранного направления исследований. Из зарубежных официальных документов отдельно выделим Европейскую стратегию развития интеллектуальных транспортных систем до 2050 года, одним из индикаторов которой значится достижение нулевого уровня смертности на дорогах, в том числе, за счет распространения автономных колесных транспортных средств, интегрированных в интеллектуальную транспортную среду.
Цель работы
Целью диссертационной работы является повышение безопасности дорожного движения путем внедрения автономных колесных транспортных средств, интегрированных в интеллектуальную транспортную среду.
Задачи исследования
На основании анализа научных работ по теме диссертации для достижения цели были сформулированы задачи исследования:
- разработать концепцию создания систем управления движением автономных
колесных транспортных средств, радикально повышающую безопасность дорожного
движения;
- разработать комплексную математическую модель расчета динамики движения
автомобиля, подробно описывающую неустановившиеся режимы движения, а также
режимы движения с высокими скоростями на разных типах опорных поверхностей;
- разработать методику верификации параметров математической модели на основе
результатов дорожных испытаний;
определить адекватность разработанной математической модели, адаптировать модель к использованию в системах управления движением автономных колесных транспортных средств, интегрированных в интеллектуальную транспортную среду;
разработать методы интеграции автономных колесных транспортных средств в интеллектуальную транспортную среду;
- обосновать работоспособность предлагаемой методологии путем создания опытных
образцов автономных колесных транспортных средств.
Объект исследования – система «Водитель – Система Автономного Вождения – Автомобиль – Дорога – Транспортная Среда – Информационное Поле».
Предмет исследования – процессы функционирования систем управления движением автономных колесных транспортных средств, интегрированных в интеллектуальную транспортную среду.
Методы исследования
Теоретические исследования проводятся на основе фундаментальных положений
теории движения автомобиля, теоретической механики, электротехники, теории
математического анализа, теории эксперимента, методов компьютерного
моделирования, теории автоматизированного управления, методов синтеза систем
управления и средств связи, методов обработки видеоинформации в системах
технического зрения. Экспериментальные исследования проводятся в условиях
испытательного автополигона МАДИ, автополигона ФГУП «НАМИ» и на дорогах
общего пользования на автомобилях категорий «М1» и «М2» с использованием
современных измерительных комплексов Corrsys Datron, Kistler, IMC с интеграцией в
бортовые мультиплексные сети передачи данных, с применением средств технического
зрения и специализированного навигационного оборудования. Обработка
экспериментальных данных и компьютерное моделирование реализуются с использованием пакетов прикладных программ CeCalWin, TurboLab, imc FAMOS, Matlab. Прототипирование систем управления, интерфейсов и протоколов связи осуществляется в среде Matlab, программирование процессоров модуля управления системами автомобиля и модулей обработки выполняется на языке C, приложения дистанционного управления, а также приложения сервисов V2P (Vehicle-to-Person) реализуются на языке Java.
Научная новизна результатов проведенного исследования заключается:
в разработке концепции создания систем управления движением автономных колесных транспортных средств, интегрированных в интеллектуальную транспортную среду, включающей в себя следующие отличительные особенности: сформулированный и обоснованный состав системы автономного вождения; функциональные и технические требования к системе и элементам системы, а также методы выполнения требований; методологию оборудования новых и дооснащения находящихся в эксплуатации колесных транспортных средств для выполнения задач автономного движения; методы интеграции автономных колесных транспортных средств в интеллектуальную транспортную среду;
в разработке комплексной математической модели расчета динамики движения автомобиля, пригодной для использования в системах управления движением автономных колесных транспортных средств, отличающейся подробным описанием неустановившихся режимов движения, а также режимов движения с высокими скоростями на разных типах опорных поверхностей;
- в разработке методики верификации математической модели на основе результатов
ускоренных дорожных испытаний (впервые установлены минимальный набор
испытаний для верификации модели и возможность автоматического уточнения
параметров в процессе эксплуатации).
Практическая значимость результатов диссертации
Разработана методология создания систем управления движением автономных колесных транспортных средств, интегрированных в интеллектуальную транспортную среду, применимая как при создании новых, так и дооснащении находящихся в эксплуатации автотранспортных средств категорий L6, L7, M1, M2, M3, N1, N2, N3.
Обоснован состав системы автономного вождения, технические и
функциональные требования к элементам системы, а также методы выполнения требований. Решена прикладная задача создания трехмерного сканирующего устройства, пригодного для использования в системе бионического машинного зрения.
Сформулированы актуальные проблемы и риски массового внедрения систем автономного вождения для использования в стратегии развития автономного транспорта.
Разработана предикторная система управления движением на основе подробной
математической модели, описывающей криволинейное движение автомобиля с
высокой точностью (в т.ч. неустановившиеся режимы, режимы движения с высокими
скоростями и на разных типах опорных поверхностей), определяемой
экспериментальным характером получения исходных данных. Математическая модель используется в системе управления движением, в т.ч. в подсистеме предотвращения ДТП, пригодна для использования в учебных процессах высших учебных профильных заведений.
Обоснован перечень параметров, передаваемых в интеллектуальную
транспортную среду в рамках V2V (Vehicle-to-Vehicle) и V2I (Vehicle-to-Infrastructure) коммуникаций, рассчитаны минимальные требования к скорости передачи данных, проведены натурные эксперименты – результаты могут быть использованы в процессе стандартизации технологий интеллектуальных транспортных систем (ИТС), а также при создании дорожной инфраструктуры современной транспортной сети.
Разработана методика декодирования данных, передаваемых по бортовым мультиплексным сетям автотранспортных средств, для использования в задачах автоматизации управляемого движения и интеграции автономного колесного транспортного средства в интеллектуальную транспортную среду. Оценена точность штатных бортовых средств измерения современных автотранспортных средств.
Экспериментально определены диапазоны запаса пропускной способности высокоскоростных и среднескоростных шин CAN современных автотранспортных средств в эксплуатации, определены уровни дополнительной нагрузки на шины CAN от внешних устройств, обоснована применимость разработанной методики интеграции внешнего оборудования в бортовые сети для создания систем управления движением автономных колесных транспортных средств. Обоснован выбор интерфейсов связи и разработаны протоколы передачи данных между модулями системы автономного вождения.
Созданы опытные образцы автономных колесных транспортных средств третьего и четвертого уровней автоматизации SAE на платформах микроавтобуса и легкового автомобиля, использующиеся для разработки и тестирования алгоритмов систем автономного вождения, в т.ч. в учебном процессе.
Реализация результатов работы
Разработанная методология может использоваться при создании систем
управления движением автономных колесных транспортных средств,
интегрированных в интеллектуальную транспортную среду. Основные результаты работы реализованы и подтверждены соответствующими актами внедрения в:
- ООО «Объединенный Инженерный Центр» (группа ГАЗ) в части практического
применения концепции создания систем управления движением автономных колесных
транспортных средств (г.Нижний Новгород);
- ООО «Шинный испытательный центр «Вершина» при проведении дорожных
испытаний (г.Ярославль);
- ЗАО «НПП Транснавигация» при разработке технических требований к аппаратно-
программному обеспечению бортового навигационно-связного оборудования
колесных транспортных средств (г.Москва).
На защиту выносятся:
1. Научно обоснованная структура системы «Водитель – Система Автономного
Вождения – Автомобиль – Дорога – Транспортная Среда – Информационное Поле»,
включающая связи физических и информационных взаимодействий.
2. Концепция создания систем управления движением автономных колесных
транспортных средств, интегрированных в интеллектуальную транспортную среду.
3. Комплексная математическая модель расчета динамики движения автомобиля,
подробно описывающая неустановившиеся режимы движения, а также режимы
движения с высокими скоростями на разных типах опорных поверхностей.
4. Методика верификации параметров математической модели на основе результатов
ускоренных дорожных испытаний.
5. Прикладные результаты применения методологии, полученные при создании
образцов автономных колесных транспортных средств.
Апробация работы
Основные положения диссертации были доложены и обсуждены на 79-ой
международной научно-технической конференции «Безопасность транспортных
средств в эксплуатации» (Нижний Новгород, 2012); международной конференции
«Прогресс транспортных средств и систем» (Волгоград, 2013); 72-ой научно-
методической и научно-исследовательской конференции МАДИ (Москва, 2014); 86-ой
международной научно-технической конференции ААИ «Конструктивная
безопасность автотранспортных средств» (МО, п. Автополигон, центр испытаний
«НАМИ», 2014); 73-ей научно-методической и научно-исследовательской
конференции МАДИ (Москва, 2015); 94-ой международной научно-технической конференции ААИ «Беспилотные транспортные средства: проблемы и перспективы» (Нижний Новгород, 2016); во время стажировки в федеральном дорожном агентстве Германии BAST (Германия, г. Бергиш-Гладбах, 2014).
Публикации
Основные положения работы опубликованы в 38 научных статьях, 23 из которых в журналах перечня ВАК РФ, 6 статей в журналах баз данных Scopus и Web of Science. По результатам работы получено 6 свидетельств о государственной регистрации программ для ЭВМ. Общий объем публикаций составляет 15,13 п.л.
Структура и объем работы
Диссертация содержит 400 страниц, включая 250 рисунков и 17 таблиц, состоит из введения, 5 глав, основных результатов и выводов, списка используемой литературы (180 наименований) и приложения.
Обзор подходов к созданию математических моделей движения автотранспортных средств
Особый интерес представляет аппаратная оснащенность рассматриваемых роботизированных автомобилей, а также подходы, реализованные в задачах управления движением на исполнительном уровне. Принципиально, процесс вождения автомобиля можно разделить на 3 уровня [52]: стратегический, тактический и исполнительный. Стратегические действия включают планирование поездки, например, принятие решения о том, куда, когда и как именно двигаться, какой лучше выбрать маршрут и т.п. Тактические действия определяют процесс маневрирования автомобиля в дорожном потоке во время поездки, включая принятие решений о том, где и как обогнать другой автомобиль или сменить полосу движения и стоит ли это делать, какую выбрать скорость движения и т.д. Исполнительные действия включают непосредственно воздействия на органы управления автомобилем, т.е. моментальные реакции водителя, которые можно считать интуитивными или рефлективными, к которым относятся, например, небольшие воздействия на рулевое управление, торможение и разгон для сохранения положения в нужной полосе движения или для объезда непредвиденного препятствия или места дорожно-транспортного происшествия на пути следования автомобиля. Стратегический уровень в значительной степени связан с вопросами логистики, маршрутизации, навигации и описывается в работах [51, 54, 58, 59, 62], а также многих других. Тактический уровень управления связан с вопросами психофизиологии [63] и в большей части зависит от правильности функционирования системы технического зрения [56, 57, 62, 64, 65], которая также непосредственно не входит в предметную область настоящего исследования.
Итак, не акцентируя внимание на состав системы технического зрения автономного АТС Boss, состоящей из множества радаров, лидаров и видеокамер, можно отметить, что все вычисления проводились с помощью 10 двуядерных процессоров Intel Core2Duo с тактовой частотой 2,16 Гц, оперативной памятью 2 Гб и флэш-накопителем 4 Гб каждый, объединенные двумя гигабитными сетями Ethernet. Также в состав вычислительной системы входили два твердотельных накопителя по 500 Гб каждый и импульсный генератор для обеспечения временной синхронизации всех процессоров. Система электропитания дополнительного оборудования состояла из двух независимых контуров с напряжениями 12В и 24В соответственно: источниками питания первой линии были 12-вольтовый АКБ с генератором повышенной мощности; во второй линии использовался дополнительный АКБ с напряжением 24В и дополнительный генератор [54].
Операционное управление (на исполнительном уровне) движением автономным АТС Boss осуществлялось следующим образом: желаемая траектория движения задавалась набором точек Хс, каждая из которых содержала координаты (хс,Ус) и угол ориентации главной продольной оси автомобиля вс в неподвижной декартовой системе координат, связанной с опорной поверхностью, т.е.: Хс =[хс,ус,вс]т (1.4) Изменение положения АТС из исходного Xj в расчетное XF(p,x) под воздействием комбинации управляющих действий р за шаг времени tf определялось зависимостью: Xp(p,x) = XI+jx(p,x)dt (1.5) 0 Далее вводилась функция C(x,p) и на каждом расчетном шаге решалась задача оптимизации по нахождению комбинации управляющих действий p таких, чтобы функция C(x,p) обратилась или стремилась к нулю: C(x,p) = XC-XF(p,x) (1.6) Таким образом, автономное АТС Boss перемещалось из положения XI в положение XF, максимально близкое к желаемому XC.
В качестве математической модели движения рассматриваемого АТС использовался набор параметрических функций, определенных при дорожных испытаниях конкретного автомобиля с водителем-испытателем за рулем, т.е. использовалась «черная», либо, возможно, «серая» модели (см. п. 1.3). Естественно, что такая реализация схемы предикторного управления автомобилем потребовала введение ряда, в т.ч. существенных, ограничений на возможные условия движения в автономном режиме. Так, ограничения были введены на минимальный радиус кривизны траектории, ограничена скорость, на которой может происходить автоматическое руление, ограничено максимальное ускорение и замедление. Очевидно, что расчетная модель не могла учитывать изменения условий по сцеплению пневматических шин с опорной поверхностью и многих других факторов.
Как уже отмечалось выше, второе место в соревнованиях DARPA Grand Challenge 2007 занял роботизированный автомобиль Junior Стэнфордского университета (Рисунок 1.4).
На Рисунке 1.5 показано размещение аппаратного обеспечения системы управления автомобилем и сбора данных, в состав которой вошли: два сервера Intel (снизу справа); силовой блок распределения электропитания; навигационный блок GPS; устройства управления узлами автомобиля; блок инерциальной навигации с 6 степенями свободы.
Концепция системы управления движением автомобиля
Схемы математических моделей колесных машин и систем моделирования по сложности и качеству реализуемых функций можно разделить на 4 основные группы [70]: 1) Аналитический расчет традиционными методами. Расчетные соотношения для выходных показателей представляются в виде конечных функциональных зависимостей [3], [10], [32]. 2) Аналитический расчет с применением пакетов символьной математики [33]. Реализуется чаще всего в универсальных прикладных программах, например, MathCad, MatLab, Scientific, Mathematics и др. В качестве примера можно привести модель движения АТС, разработанную в Московском автомобильно-дорожном институте и нашедшую отражение в диссертациях [71], [72]. Особенность создания модели заключается в приведении системы уравнений, описывающей криволинейное движение АТС и ряда учитываемых факторов, к единому матричному уравнению, которое далее решается и исследуется в среде прикладной программы. Стоит отметить, что данный подход является эффективным для решения некоторых четко сформулированных задач, однако сама модель не отличается гибкостью и универсальностью, т.е. при изменении целей и задач исследования необходимо составлять и затем исследовать новое приведенное матричное уравнение. 3) Имитационное визуальное (твердотельное) моделирование. Может быть реализовано в программах моделирования динамики многокомпонентных механических систем, например, Euler, MatLab SimMechanics и др. 4) Специализированные программы моделирования движения АТС. В качестве примера можно привести программу LapSim, предназначенную для оптимизации параметров гоночного автомобиля в соответствии с конкретной трассой по критерию минимального времени прохождения трассы (разработана кампанией Bosch в среде MatLab). Идеология работы программы заключается в сравнении результатов компьютерного моделирования с показаниями регистрирующей аппаратуры, записанными с гоночного автомобиля во время «тестового заезда», введении поправок в расчетные алгоритмы программы и вывод рекомендуемых оптимальных настраиваемых параметров гоночного автомобиля для данной трассы. Так же стоит отметить пакет MatLab Simdriveline, представляющий собой библиотеку стандартных элементов (пневматическая шина, кузов, двигатель, система подрессоривания, КП и т.д.), из которых можно составить комплексную схему автомобиля или отдельных узлов. Каждый библиотечный элемент является укрупненным блоком, записанным в модуле Simulink в виде математических уравнений, описывающих определенный элемент или процесс. Детальное рассмотрение данного модуля выявило возможности моделирования исключительно прямолинейного движения, оценки динамических характеристик, проектирования трансмиссий, моделирования некоторых систем безопасности. В качестве еще одного примера специализированных программ моделирования движения автотранспортных средств приведем реализацию в среде Matlab Simulink модели автомобиля с колесной формулой 6х6 и равномерным распределением осей, позволяющую прогнозировать характеристики криволинейного движения по ровному горизонтальному недеформируемому опорному основанию с возможностью реализации различных законов управления поворотом колес задней оси, а также при всеколесном управлении [92].
Вне зависимости от схемы математической модели, исследователям (например, [71], [73], [74]) часто приходится прибегать к упрощению зависимостей взаимодействия пневматической шины с опорной поверхностью, упрощать тригонометрические функции в расчетах углов увода и кинематики рулевого управления, накладывать ограничения на углы поворота колес и минимальную скорость движения и т.д. Все это не лучшим образом сказывается на точности получаемых результатов и показывает расхождение расчетных данных с экспериментальными в пределах 20%. При оценке и прогнозировании эксплуатационных характеристик АТС с применением алгебраических или частотных критериев устойчивости [75, 76], очевидным является то обстоятельство, что результаты подобных оценок варьируются в зависимости от составленной системы уравнений, принятых допущений и исходных данных.
Стоит отметить, что более точные, с точки зрения описания процессов, математические модели [29], [72], [77] требуют большего числа входных величин и характеристик. Однако чаще всего исследователю не представляется возможным определить данные параметры без проведения дополнительных экспериментов или изысканий, поэтому остается лишь возможность подстановки приближенных значений, определяемых эмпирическими зависимостями. Математическая модель, подробно описывающая физику процессов, теряет свою актуальность из-за подстановки некорректных исходных данных. Основные возможности описаний каких-либо процессов [78], [79]: 1) функциональная зависимость; 2) «черная модель» - эмпирическая многомерная зависимость [80-82]; 3) «серая» модель. Преимуществом описания процесса функциональной зависимостью является наличие четкой структуры и явного физического смысла и, как следствие, возможности варьирования входящими в состав уравнений коэффициентами и решения задач оптимизации. К недостаткам можно отнести лишь прикладные трудности, возникаемые при решении.
К преимуществам «черной модели» можно отнести потенциальную способность точного описания процессов на основе экспериментально полученных данных, а к недостаткам – отсутствие физического смысла и невозможность проведения оптимизаций.
«Серая модель», являясь нечто средним между аналитическим описанием и «черной моделью», включает в себя все положительные и отрицательные стороны, описанные выше. Имеет физический смысл.
В общем виде, любая модель представляет собой математическую запись преобразования входного и выходного сигнала системы. В реальной системе на выходные параметры действует в той или иной степени множество различных факторов, которые могут иметь природу помех (шума), а могут быть параметрами, о которых мы не имеем представления. На Рисунке 1.10 показано классическое представление динамической системы.
Обработка экспериментальных данных
Таким образом, минимальный состав системы технического зрения теоретически может быть сведен к двум видеокамерам, модулю обработки (вычислительный блок) и системе зеркал.
Для определения необходимых характеристик кадровой частоты видеокамер (Frames Per Second, fps) заметим, что минимальная инертность рецепторов светочувствительных клеток сетчатки глаза центрального зрения человека составляет примерно 20 мс, т.е. 50 Гц. Для периферического зрения, максимально чувствительного к распознаванию движения, а не форм/цветов/расстояний, показатель инертности принимает значение порядка 10 мс, т.е. 100 Гц. В случае с человеком, при управлении автомобилем в зону периферического зрения попадают, в том числе, и зеркала заднего вида, но, заметив в них какое-либо движение водитель не может ничего распознать, поэтому переводит взгляд (направление центрального зрения) уже на конкретное зеркало, чтобы понять, что происходит сзади. Таким образом, если две видеокамеры системы технического зрения будут иметь постоянные зоны интересов (распознавания) на зеркалах заднего вида, либо будут установлены дополнительные видеокамеры соответствующих зон, то достаточно будет обеспечить минимальную кадровую частоту в 50 fps, и тогда, при должной адекватности работы вычислительного блока, задача управления движением автомобиля будет решаться системой автономного вождения не хуже, чем могла бы быть решена человеком.
С другой стороны, если предположить, что автомобиль движется со скоростью 100 км/ч, то получится, что обновление кадров видеопотока системы технического зрения, а, соответственно, распознавание и принятие решений происходит каждые 0,56 м пройденного пути, что, несомненно – много. В действительности, это функциональное ограничение зрения человеком преодолевается только за счет способности центральной нервной системы предугадывать дальнейшее развитие дорожной ситуации. В таком случае, наряду с требованием о необходимости реализации функции прогнозирования развития дорожной ситуации в блоке «анализа и принятия решений» системы автономного вождения, мы бы рекомендовали иметь кадровую частоту фронтальных камер в 100 fps при разрешении матрицы не менее 1 Mpx. На сегодняшний день технические системы стереоскопического зрения еще не способны выполнять все перечисленные выше задачи восприятия при движении автономного автомобиля по причинам нехватки вычислительных мощностей в модулях обработки и несовершенства алгоритмов распознавания. Поэтому для обеспечения надежности функционирования системы технического зрения ее дополняют дополнительными устройствами: - радарами (электромагнитное излучение); - сканирующими лидарами (LIDAR – Light Identification Detection and Ranging); - ультразвуковыми датчиками; - видеокамерами отдельных зон.
Радары способны распознавать только металлические объекты и используются для определения скорости сближения и расстояния до других автомобилей. Основное преимущество, которое система технического зрения получает от применения радаров заключается в том, что они могут работать в неблагоприятных погодных условиях, например, в дождь, туман и пр., т.е. в условиях, когда существенно снижается эффективность и человеческого зрения, и видеокамер, и сканирующих лидаров, т.к. все перечисленное работает в оптическом диапазоне. Дальность современных автомобильных радаров составляет примерно от 60 до 200 метров (в зависимости от сканируемых углов), частота срабатывания порядка 15 Гц, определение предельной скорости сближения примерно в 250 км/ч.
Сканирующие лидары в общем случае представляют собой инфракрасные лазерные активные дальномеры и различаются, в основном, областями и дальностью сканирования. Дальность сканирования обычно не превышает 60…100 метров. В отличие от радаров, лидары могут определять расстояния практически до любых объектов, хотя радиусы их действия в разы меньше, они существенно теряют эффективность при плохой видимости. Выходными данными лидаров являются трехмерные карты сканируемых областей, частота обновления которых зависит от углов сканирования.
Отметим, что на сегодняшний день из-за несовершенства алгоритмов распознавания технических систем стереоскопического зрения практически невозможно отличить неподвижно стоящего на обочине человека в неприметной одежде от, например, столба. Поэтому в автономных АТС Google воссоздаваемая лидаром трехмерная карта окружающего пространства вокруг автомобиля постоянно сравнивается с ранее записанной трехмерной картой на которой, к примеру, не было этого человека на обочине. Именно по этой причине, помимо законодательных, на данном этапе развития технологий автономного вождения автомобили Google двигаются не по всем дорогам общего пользования, а только там, где уже записаны подробные трехмерные карты.
Естественно, что описанные выше технологические решения требуют огромных вычислительных мощностей от модулей обработки системы технического зрения. Мы в своей концепции считаем, что требования к вычислительным мощностям могут быть на порядки снижены при реализации технической системы бионического зрения. В действительности, водитель при управлении автомобилем не «сканирует» все окружающее пространство с определением расстояний до каждого объекта – эта информация избыточна, а выделяет лишь зоны интересов (внимания). Поэтому считаем, что при создании технической системы бионического зрения необходимо решить проблему алгоритмизации выделения зон интересов и распознавания формализованных выше объектов и ситуаций. Только такой подход позволит в перспективе создать автомобили пятого уровня автоматизации SAE.
. Дорожные испытания легкового переднеприводного автомобиля (категория М1)
Методика определения приведенного коэффициента сопротивления движению и коэффициента аэродинамического сопротивления автомобилей, находящихся в эксплуатации, изложена автором в [134] и заключается в следующем: испытание проводится на сухом, ровном, чистом, прямолинейном участке дороги с асфальтобетонным покрытием в безветренную погоду, испытуемый автомобиль разгонялся до максимально допустимой (разрешенной) скорости, после чего осуществляется движение накатом до достижения минимально установившейся скорости, при этом происходит запись значений скорости движения с бортовой мультиплексной сети автомобиля (например, HS CAN) (см. главу 4), то же самое может быть выполнено и в условиях автополигона при использовании внешнего измерительного оборудования.
Для рассматриваемого в процессе испытаний режима движения автомобиля, с учетом зависимостей (3.31) и (3.37), будет справедливо следующее уравнение равновесия сил [70]: /01 - приведенный коэффициент сопротивления движению, учитывающий сопротивления в трансмиссии и прочие неуточненные факторы. Структурная схема уравнения (3.40) на языке графического программирования MatLab Simulink, адаптированная для решения задачи оптимизации, представлена на Рисунке 3.31.
Входным параметром представленной математической модели является начальное (максимальное) значение скорости выполнения экспериментального заезда, выходным параметром - скорость движения автомобиля в функции времени. В состав уравнения (3.40) входят три неизвестных параметра: коэффициент аэродинамического сопротивления сагХ, приведенный коэффициент сопротивления движению f и коэффициент k f , учитывающий увеличение сопротивления качению с ростом скорости движения, определить которые можно, решив задачу оптимизации с использованием модуля MatLab «Simulink Design Optimization» и экспериментальных данных заезда. Нахождение неизвестных параметров осуществляется методом градиентного поиска при решении задачи нелинейной оптимизации с ограничениями.
В результате решения задачи оптимизации для Land Rover Discovery 3 были определены: коэффициент аэродинамического сопротивления cairX = 0.41, приведенный коэффициент сопротивления движению /01 - 0.04 и коэффициент, учитывающий увеличение сопротивления качению с ростом скорости движения kf=5.4110-6.
Для имитационного моделирования динамики движения автомобиля особую важность представляют динамические коэффициенты сопротивления боковому уводу ку1 и ку2, длина релаксации шины Ly0 и коэффициент эллипсности окружности трения (окружности Камма) ks, так как именно они принимают участие в аналитическом описании неустановившихся режимов движения. Для их нахождения будем использовать адаптированную имитационную модель движения и экспериментальные данные полигонных испытаний, часть которых будет являться входными данными для модели, а часть - данными для подтверждения результатов моделирования. Соответственно искомые параметры будут находиться методом многокритериальной оптимизации имитационной модели.
Фрагмент адаптированной для оптимизационных процедур имитационной модели движения автомобиля, описанной в п.3.1, показан на Рисунке 3.33. Входными данными являются продольное и боковое ускорения центра масс автомобиля и углы поворота управляемых колес в функциях времени, записанные и обработанные при выполнении дорожных испытаний. Для нахождения параметров ку1, ку2, Ly0, ks рекомендуем использовать максимально динамичные заезды, например «Переставка SП=20», «змейка» или произвольное маневрирование с высокими скоростями. Выходными параметрами адаптированной имитационной модели для сопоставления с результатами полигонных испытаний будут являться боковое ускорение центра масс и угловая скорость кузова автомобиля относительно главной вертикальной оси.
Фрагмент модели поиска неизвестных параметров ky1 , ky2 , Ly0 , kS Экспериментально полученные продольные и боковые ускорения центра масс автомобиля, являющиеся функциями, задающими работу модели, будут формировать тяговые и тормозные моменты, подводимые к колесам моделируемого автомобиля. На Рисунке 3.34 показан пример блока, пересчитывающего экспериментально полученные ускорения для заднеприводного автомобиля ГАЗ-322132. Идея заключается в том, чтобы «заставить» моделируемый автомобиль двигаться точно с такой же скоростью, как при дорожных испытаниях. В таком случае, т.к. мы реализуем тяговые и тормозные моменты на колесах, в точности обеспечивающие движение модели автомобиля с идентичной эксперименту скоростью, необходимо отключить блок расчета сил аэродинамического сопротивления (уравнения 3.37, Рисунок 3.24) и расчет приведенных сил сопротивления движению (обнулить коэффициенты f01 и k f ).