Autonomní vozidla, která plně závisí na pokročilé umělé inteligenci (AI), jsou navržena tak, aby zpracovávala a interpretovala data z celé řady senzorů, včetně kamer, RADARu, LiDARu a ultrazvukových systémů. V současnosti se předpokládá, že pro zajištění komplexního 360° výhledu okolí vozidla bude potřeba až 20 kamer. Tento obrovský objem dat musí být zpracováván v reálném čase, aby bylo možné přijímat bezpečná rozhodnutí a navigovat vozidlo. Rozšíření této elektronické funkcionality, jejímž primárním cílem je eliminace lidských chyb při řízení, zdůrazňuje důležitost přístupu k funkční bezpečnosti během celého procesu návrhu systému.

Funkční bezpečnost není pouze testem toho, zda systém plní svou zamýšlenou funkci, ale spíše hodnocením integrity systému, tedy schopnosti bezpečně fungovat i v případě poruchy některé jeho součásti. Mezinárodní normy, jako je ISO 26262, hrají klíčovou roli při definování těchto bezpečnostních požadavků a zajišťují, že autonomní systémy splňují přísné standardy spolehlivosti a odolnosti vůči chybám. Funkční bezpečnostní přístup tedy není pouze otázkou výkonu, ale spíše otázkou zajištění celkové integrity celého systému.

Současný trend v automobilovém průmyslu naznačuje zásadní změnu v architektuře elektronických systémů vozidel. Moderní vozidla se čím dál více stávají platformami řízenými softwarem, přičemž centrální výpočetní jednotky jsou propojeny vysoce výkonnými gigabitovými Ethernetovými sítěmi. Tento nový přístup umožňuje nasazení nové generace aplikačních programovacích rozhraní (API), která podporují pokročilé funkce, aktualizace softwaru na dálku a personalizované služby. S tím však přichází i zásadní výzva: zajistit bezpečnost a spolehlivost těchto složitých elektronických systémů.

Pokud se aspekty funkční bezpečnosti těchto systémů neřeší důkladně, existuje značné riziko, že technologie navržená k omezení lidských chyb by mohla neúmyslně zavést nové zdroje selhání. To zdůrazňuje nezbytnost přísného, celkového bezpečnostního přístupu k návrhu, testování a validaci systémů, aby bylo možné zajistit, že tyto inovace přispějí k vyšší bezpečnosti na silnicích, a nikoliv ji ohrozí.

V oblasti autonomních vozidel je klíčovým faktorem i připravenost pracovníků, kteří se musí nejen seznámit s konkrétními informacemi týkajícími se výrobce, ale také porozumět základním principům fungování těchto systémů. Zajištění správné odborné připravenosti bude stejně důležité jako technická dokumentace a specifikace jednotlivých výrobců, neboť nesprávné pochopení nebo implementace systémů může vést k závažným selháním a riziku pro veřejnou bezpečnost.

Systémy pokročilé asistence řidiče (ADAS) a autonomní řízení vozidel, které se stále více implementují v komerčních vozidlech, vyžadují rozsáhlý proces zpracování dat. Například zpracování informací o okolí, navigace a detekce potenciálních nebezpečí se musí uskutečnit v reálném čase. Představme si vozidlo, které se pohybuje rychlostí 100 km/h. Za každých 10 milisekund se pohne o 28 centimetrů, což ukazuje na obrovské nároky na výpočetní výkon, který musí být dostatečně rychlý na to, aby okamžitě reagoval na změny v prostředí.

Vzhledem k těmto nárokům na zpracování dat a rychlost výpočtů je vysoce důležité zajistit, aby všechny senzorické vstupy, které autonomní vozidlo zpracovává, byly interpretovány s maximální přesností. Čím složitější je prostředí a situace, tím náročnější je pro systém správně vyhodnotit všechny faktory, které mohou ovlivnit rozhodnutí, například při složitých manévrech, jako jsou jízdy přes křižovatky nebo v neznámém terénu.

Nejen hardware, ale i software autonomního vozidla musí splňovat přísné normy funkční bezpečnosti, aby zajistil, že jakýkoliv systém, který může ovlivnit bezpečnost řidiče, cestujících a ostatních účastníků silničního provozu, je navržen tak, aby minimalizoval riziko selhání. Je důležité si uvědomit, že technické problémy, které by v tradičních vozidlech neměly tak závažné důsledky, mohou v autonomních vozidlech vést k vážným nehodám nebo i katastrofám.

Proto je nezbytné, aby proces návrhu autonomních vozidel zahrnoval nejen technologické inovace, ale také důkladné testování a ověřování všech komponentů a systémů z hlediska funkční bezpečnosti. Je to klíčový krok, který musí předcházet masovému nasazení těchto vozidel na veřejných silnicích.

Jak fungují senzory a technologie ve vozidlech s automatizovaným řízením?

CMOS, což je zkratka pro Complementary Metal-Oxide–Semiconductor, je technologie, která se používá k výrobě integrovaných obvodů a může být rovněž využívána pro analogové obvody, jako jsou obrazové senzory. Tento typ technologie je velmi důležitý pro kamery a systémy rozpoznávání obrazu v automobilech, které jsou klíčovými komponenty pro systémy asistence řidiče (ADAS) a plně automatizované řízení.

Kamery ve vozidlech s automatizovaným řízením potřebují výkonné procesory, které dokážou interpretovat zachycený obraz. Jednou z technologií, která se používá pro zpracování těchto obrazových dat, je hluboké učení, o kterém se podrobněji hovoří v dalších kapitolách. Data ze senzorů pro měření vzdálenosti, jako jsou radar a LiDAR, mohou být zpracována s menší náročností a slouží k prevenci kolizí. Avšak kamery poskytují nejlepší reprezentaci okolí vozidla. Kamery s širokoúhlými objektivy jsou běžně využívány a poskytují velký zorný úhel, ale bohužel tyto snímky vykazují zkreslení, které je třeba před dalším zpracováním korigovat. Kromě toho mohou být okraje obrazu rozmazané, což ztěžuje spolehlivost rozpoznávání objektů na okrajích.

Kamery mohou být umístěny na různých místech vozidla, včetně střechy, kde je možné získat celkový výhled na okolí. Tento typ uspořádání umožňuje pokrytí 360° horizontálně, což je ideální pro zajištění přehledu o okolí při parkování a manévrování. Montáž kamer na střechu také umožňuje získat lepší přehled o blízkém okolí a odstraňuje některá omezení, která vznikají u kamer umístěných na boku vozidla. Nicméně i zde existují nevýhody, jako například zkreslení obrazu, které snižuje rozlišení na každém stupni zorného úhlu, což může omezit detekční dosah kamer.

Přední kamery, které jsou v současnosti běžně používané v automobilech, jsou klíčovým senzorem pro rozpoznávání okolí. V rámci ADAS systémů slouží k aktivnímu tempomatu a automatickému spouštění světel pro odbočování. Tyto kamery jsou zpravidla umístěny mezi zpětným zrcátkem a čelním sklem, což je chrání před vnějšími vlivy, jako je déšť a nečistoty. Přední kamery mohou mít omezený vertikální zorný úhel kvůli kapotě vozidla, což může vést k zakrytí malých objektů před vozidlem. Pro správnou funkci v městském prostředí je nutné kombinovat je s dalšími senzory, například radarovými.

Radar je další technologie, která již dlouho nachází uplatnění v automobilovém průmyslu, zejména pro funkce jako adaptivní tempomat (ACC) a autonomní nouzové brzdění (AEB). Radar je výborný pro detekci kovových objektů, jako jsou vozidla, a dokáže detekovat i nemetalické objekty, například chodce, i když s nižším dosahem. Radar v kombinaci s LiDARem a kamerami je ideální pro zajištění spolehlivé detekce v nepříznivých povětrnostních podmínkách, jako je déšť, mlha nebo sníh. K dosažení 360° pokrytí se často používají krátkodoze a střednědoze radary. Čtyři až šest těchto radarů mohou pokrýt horizontální prostor a zajistit bezpečnost při jízdě v městském prostředí.

Ve vozidlech s automatizovaným řízením je důležité pochopit, že neexistuje univerzální senzorová konfigurace, která by vyhovovala všem situacím. Každý senzor má své výhody i omezení, a proto je důležité je kombinovat, aby se dosáhlo co nejlepšího výsledku v konkrétních podmínkách. Například radary a kamery poskytují různé druhy dat, které se vzájemně doplňují a umožňují efektivní detekci překážek a správnou reakci vozidla.

Pokud se podíváme na automobilový systém řízení, můžeme jej chápat jako blokový diagram, který zahrnuje tři hlavní části: snímání, zpracování dat a výstupy. Snímací blok zahrnuje různé senzory, jako je GPS pro určení polohy, kamery pro vizuální sledování okolí, radary pro detekci vzdálených objektů i v špatných světelných podmínkách, a LiDAR pro vytváření 3D obrazu okolí. Zpracování dat probíhá v druhém bloku, kde dochází k analýze těchto informací pomocí výkonných procesorů. A nakonec, v rámci výstupního bloku, se provádějí akce jako řízení rychlosti, brzdění a řízení vozidla.

Je klíčové si uvědomit, že efektivní automatizované řízení je výsledkem kombinace mnoha různých technologií, které se vzájemně doplňují. Kromě samotného zpracování dat je potřeba se zaměřit i na integraci různých senzorů, protože každá technologie má své výhody a omezení. Při vývoji těchto systémů je proto důležité vyvažovat cenu, výkon a bezpečnostní požadavky, aby byl výsledný systém efektivní a spolehlivý v širokém spektru jízdních podmínek.

Jak fungují autonomní vozidla a jak se využívají mapy pro jejich navigaci?

Informace získané z různých senzorů ve vozidle jsou zpracovávány jednotlivě a následně kombinovány nebo „spojeny“ v bloku nazývaném Understand. Mapy, které využívají autonomní vozidla (AV), pocházejí ze skladu dat, podobně jako běžné navigační systémy, ale s tím rozdílem, že je pro ně nezbytné pravidelné aktualizování. V tomto kontextu se často hovoří o pojmu V2X, což je zkratka pro vehicle-to-everything (vozidlo na všechno). Tato aktualizace map může probíhat prostřednictvím cloudových služeb, přičemž informace z jiných připojených vozidel mohou být rovněž zpracovány.

GPS mapy pro autonomní vozidla pocházejí z uložených dat, podobně jako u běžných navigačních systémů, ale často je třeba vyšší rozlišení, což je nezbytné pro precizní fungování autonomního řízení. Blok Act na pravé straně diagramu je místem, kde je vozidlo konečně řízeno – neboť zde probíhá finální řízení vozidla. Tento proces zahrnuje kombinaci informací z fúze senzorů, vstupu řidiče a aktuálního stavu vozidla, jako je rychlost nebo úhel řízení. Na základě těchto informací se vozidlo ovládá prostřednictvím vizuálního zobrazení a aktorů řízení vozidla, které mají na starosti klíčové výstupy, jako jsou:

  • Akcelerátor (u vozidel se spalovacím motorem je to akční člen škrticí klapky, u elektromobilu spíše signál pro ECU vozidla)

  • Brzdy (ABS čerpadlo a regulační ventily)

  • Řízení (motor elektrického posilovače řízení, EPAS)

Úroveň vstupu řidiče závisí na úrovni automatizace vozidla.

Jedním z klíčových problémů při vývoji autonomních vozidel není pouze to, co vozidlo "vidí", ale i to, co již ví o oblasti, kterou projíždí. Proto jsou vysoce detailní 3D mapy nezbytným prvkem pro navigaci a bezpečnost těchto vozidel. Přesnost mapy musí být na centimetr, což je nezbytné pro bezproblémové fungování autonomního řízení. Během jízdy autonomního vozidla skrz rušnou ulici se denně shromáždí více než 1 terabajt dat, což odpovídá zhruba 1400 CD plných informací. Tento objem dat není praktické posílat přes internet, a proto se obvykle přenáší fyzicky z jednoho pevného disku na druhý, což někdy dostalo přezdívku "sneakernet", což naznačuje, že data "putují" tempem inženýrských bot.

Další výzvou je i samotné uložení těchto dat. Mapy jsou pro autonomní vozidla zásadní nejen pro určení polohy, ale i pro to, že snižují množství práce, kterou musí softwarová platforma vozidla vykonat, aby rozpoznala okolní svět. Porovnáním aktuálního prostředí s tím, co je na mapě, se může soustředit na identifikaci rozdílů, například rozpoznávání chodce, zvířete nebo cyklisty.

Existuje několik způsobů, jak vytvářet vysoce kvalitní mapy. Mezi nejběžnější patří:

  • Crowdsourcing

  • Satelity

TomTom a Qualcomm nedávno oznámily projekt pro crowdsourcing HD mapových dat. TomTomův HD Map pro autonomní vozidla těží z bohatšího souboru dat díky novému čipu Qualcomm Technologies, který bude použit v senzorech automobilů. Qualcomm Drive Data je platforma pro analýzu dat z různých senzorů vozidel, která shromažďuje a analyzuje data od různých vozidel, což podporuje vývoj chytřejších vozidel, která budou schopná přesně určovat svou polohu, monitorovat a učit se jízdním vzorcům, vnímat okolí a spolehlivě a přesně sdílet tuto vnímanou informaci se zbytkem světa. TomTom HD Map, včetně RoadDNA, pomáhá autonomním vozidlům přesně se umístit na silnici a plánovat manévry. Qualcommovy mapové snippety mohou být také použity pro údržbu map.

Tradiční způsob vývoje map spočívá v nasazování specializovaných vozidel vybavených profesionálními senzory, které sbírají data o poloze, surových snímcích, LiDARu a dalších informacích, které jsou následně přenášeny, ukládány a zpracovávány v datových centrech. S rostoucím propojením vozidel a jejich vybavením různými senzory se však objevují nové, efektivnější metody. Využití platformy Qualcomm Drive Data s procesorem Snapdragon 820Am umožňuje TomTomu a Qualcommu rozvinout crowdsourcingový přístup k tvorbě HD map efektivněji a levněji.

Důležitým směrem je i satelitní analýza a využívání obrázků z vesmíru. Tři společnosti, Toyota Research Institute-Advanced Development (TRI-AD), Maxar Technologies a NTT DATA, spolupracují na vývoji automatizovaných HD map pro autonomní vozidla, přičemž používají vysoce kvalitní satelitní snímky. Tento přístup znamená zásadní pokrok v rozvoji otevřené platformy pro automatizované mapování, která se zaměřuje na škálovatelnost AV. Podle analýzy TRI-AD pokrývají HD mapy v současnosti méně než 1 % celosvětové silniční sítě, přičemž je potřeba rozšířit pokrytí městských oblastí a místních silnic, než budou autonomní vozidla skutečně běžná. HD mapy generované přesné satelitní snímky umožňují softwaru vozidla porovnávat různé datové zdroje a signály pro bezpečnou reakci vozidla na okolní podmínky.

Satelitní snímky mají vysoké rozlišení, což umožňuje častější a přesnější aktualizace map, a díky strojovému učení je možné automatizovat objevování a integraci významových vztahů mezi jednotlivými prvky silničního prostředí.

Pokud jde o další technologie, existuje například koncept platooningu, což je technologie umožňující vozidlům řídit se v dlouhých kolónách na dálnicích. Tento systém má potenciál zlepšit plynulost dopravy, zkrátit dobu cestování, nabídnout větší komfort řidičům, snížit nehodovost a zlepšit spotřebu paliva, což vede k nižším emisím CO2. Platooning využívá komunikaci mezi vozidly (V2V), která umožňuje blízké vedení vozidel a efektivní sdílení informací mezi vozidly, čímž zajišťuje bezpečné a efektivní řízení na dlouhých trasách.

Jak vzniká jizva a proč není jen výsledkem, ale i problémem hojení?
Jak připravit tradiční sladké pokrmy s pečivem a ovocem: Kroissantová kaše, Salzburger Nockerl a další
Jak vytvořit aplikaci pro skenování dokumentů a export do PDF pomocí NAPS2 SDK v prostředí Linux