Carros autônomos, ou autônomos, foram fortemente cobertos pela mídia. Embora às vezes a gente veja acidentes ou incidentes que mostram alguns perigos presentes, a tendência de atraso indica que esses veículos estarão comumente presentes em nossas estradas nos próximos anos.

Carros convencionais autônomos exigem dados densos de mapas 3D que informam estes veículos para onde ir e como reagir quando surgirem obstáculos. Uma coisa é evitar bater em alguém ou algo assim, mas os carros também precisam decidir como proceder à medida que evitam um obstáculo emergente. Este desafio tem sido enfrentado com relativa sucesso por grandes empresas como o Google. [1]

Usando GPS e LiDAR para navegar em áreas sem mapas

Em regiões rurais, pistas visuais são mais limitadas e potencialmente menos previsíveis, já que os dados geralmente não são tão claro, como marcas de pista e carros, muitas vezes nem sequer têm conhecimento avançado de algumas estradas, como áreas não pavimentadas. As novas tecnologias aplicam lasers e outros sensores para que as informações sobre o ambiente possam ser adquiridas à medida que o carro estiver dirigindo. Ferramentas como o MapLite do MIT integram dados de GPS, para navegação geral, com dados do sensor para que os obstáculos e as condições da estrada sejam determinados em tempo real, em vez de serem definidos antes de o carro disparar. Neste estudo, a tecnologia LiDAR oferece uma combinação potencialmente útil com GPS para navegação de veículos autônomos em áreas com mapas topológicos esparsos [2]

 

Soluções para navegação autônoma em áreas rurais

Ao navegar em estradas rurais, há problemas potenciais. Primeiro, a marcação da pista precisa ser facilmente identificável, onde marcas desbotadas ou estradas pouco claras podem ser perigosas. Em segundo lugar, as condições meteorológicas podem afetar as varreduras a laser, incluindo condições de chuva e neve. Diferentes tipos de sensores visuais podem precisar ser montados além dos sensores a laser para aumentar a percepção visual. Uma maneira de resolver isso é usar algoritmos de fusão de sensores que podem integrar uma variedade de sensores para lidar melhor com dados complexos e condições climáticas adversas que podem complicar a funcionalidade ou a previsão. [3] Outros métodos também foram propostos, particularmente para condições de neve. incluindo o uso da tecnologia LiDAR que é uma forma de laser pulsado, para detectar melhor as arestas que podem ser diferenciadas quanto ao movimento dos veículos (por exemplo, diferenciar as arestas das travessas versus travessas). Isso também usa a análise de componentes principais (PCA) da imagem resultante para diferenciar e detectar recursos. [4]

Outras possíveis soluções para a condução rural incluem veículos autônomos que se comunicam com um banco de dados central ou uma rede mais ampla. pode acessar comunicação e informações conforme necessário. Em essência, um tipo de crowdsourcing de dados poderia ser usado para que os carros que dirigem por áreas rurais ou menos usadas forneçam dados para uma rede que possa ser acessada por outros carros. Esse compartilhamento de dados poderia ajudar a maximizar áreas onde há menos dados, facilitando a movimentação de carros nas áreas rurais ao longo do tempo, à medida que os carros começam a aprender com outros carros. Isso poderia ser modelado a partir de redes como as redes heterogêneas de veículos (HetVNET) propostas. [5]

Em muitos aspectos, o uso de redes poderia ser uma forma de implementação potencialmente maior de abordagens cognitivas para veículos autônomos. , onde a comunicação entre veículos, bem como as observações na estrada e os algoritmos preditivos são aplicados em conjunto. Em outras palavras, semelhante aos seres humanos, os carros podem precisar combinar vários sentidos e comunicações com os outros para fazer escolhas informadas. Carros autônomos podem ser obrigados a simplesmente usar mais do que dados visuais e incorporar dados sonoros, visuais e digitais para que uma combinação de informações sensoriais seja melhor integrada a uma abordagem cognitiva que possa ajudar os veículos a antecipar e decidir suas melhores escolhas. [6]

Cada vez mais estamos vendo mais meios de comunicação prever que o futuro nas estradas será o uso de carros autônomos. Muitos desafios permanecem, em particular a condução em estradas rurais, que são o tipo mais comum de estrada encontrada. Até que tal desafio possa ser tratado adequadamente, a maioria das regiões ficará inacessível para carros autônomos. Embora muitas soluções potenciais tenham sido propostas, nenhuma delas demonstrou um benefício claro e universal em uma variedade de casos de teste. Dado este desafio, devemos ver muitas novas idéias nos próximos anos sobre como os carros podem dirigir melhor em áreas com cobertura limitada de dados rodoviários.

O estudo:

Ort, T., Paull, L. e Rus , D. Navegação de veículos autônomos em ambientes rurais sem mapas prévios detalhados 2018.

Vídeo: Carros autônomos para estradas nacionais

Referências

[1]    For more on how vehicles use 3D mapping for navigation, see:  Häne, C., Heng, L., Lee, G. H., Fraundorfer, F., Furgale, P., Sattler, T., & Pollefeys, M. (2017). 3D visual perception for self-driving cars using a multi-camera system: Calibration, mapping, localization, and obstacle detection. Image and Vision Computing68, 14–27. https://doi.org/10.1016/j.imavis.2017.07.003.

[2]    For more on MapLite and its utility for autonomous cars, see:  http://news.mit.edu/2018/self-driving-cars-for-country-roads-mit-csail-0507.

[3]    For more on the sensor fusion algorithm and its future utility, see:  Lee, U., Jung, J., Shin, S., Jeong, Y., Park, K., Shim, D. H., & Kweon, I. (2016). EureCar turbo: A self-driving car that can handle adverse weather conditions (pp. 2301–2306). IEEE. https://doi.org/10.1109/IROS.2016.7759359.

[4]    For more on how LIDAR can assist in snow conditions, see:  Aldibaja, M., Suganuma, N., & Yoneda, K. (2016). Improving localization accuracy for autonomous driving in snow-rain environments (pp. 212–217). IEEE. https://doi.org/10.1109/SII.2016.7844000.

[5]    For more on network data and communications that could aid autonomous vehicles include:  Zheng, K., Zheng, Q., Yang, H., Zhao, L., Hou, L., & Chatzimisios, P. (2015). Reliable and efficient autonomous driving: the need for heterogeneous vehicular networks. IEEE Communications Magazine53(12), 72–79. https://doi.org/10.1109/MCOM.2015.7355569.

[6]    For more on cognitive approaches to autonomous vehicles, see:  Banks, V. A., Stanton, N. A., Burnett, G., & Hermawati, S. (2018). Distributed Cognition on the road: Using EAST to explore future road transportation systems. Applied Ergonomics68, 258–266. https://doi.org/10.1016/j.apergo.2017.11.013.

Fonte:GISLounge

Autor: Mark Altaweel