Как и год назад, декабрьский номер журнала Computer (IEEE Computer, Vol. 39, No. 12, December 2006) полностью посвящен одной теме — автоматически управляемым транспортным средствам.

В качестве приглашенных редакторов выступили Гуна Ситараман (Guna Seetharaman), Арун Лахотия (Arun Lakhotia) и Эрик Филип Блэш (Erik Philip Blasch). Их вводная заметка названа «Автоматически управляемые транспортные средства вступают в пору зрелости: DARPA Grand Challenge» (Unmanned Vehicles Come of Age: The DARPA Grand Challenge).

Значительные достижения в областях обработки информации, машинного зрения, теории управления и обработки сигналов как на уровне аппаратуры, так и с использованием программного обеспечения повышают возможности представления, анализа и понимания динамически изменяющихся дорожных условий, а также реагирования на эти условия. В этом выпуске журнала описываются последние разработки в области автоматически управляемых автономных транспортных средств (Unmanned Autonomous Vehicle, UAV), представленных на известном конкурсе автомобилей-роботов DARPA Grand Challenge. Также обсуждаются будущее автоматически управляемых транспортных средств и вычислительные парадигмы, которые можно было бы использовать в системах управления интеллектуальными транспортными средствами.

Управление транспортным средством является трудной задачей, для решения которой требуется нечто большее, чем точное, надежное и повторяемое поведение робота. Нобелевский лауреат Герберт Саймон отмечал: «Совершенно очевидно, ЧТО потребляет информация: она потребляет внимание своих реципиентов. Богатство информации порождает бедность внимания и потребность в эффективном распределении внимания между чрезмерным количеством источников информации, потребляющих внимание».

Для успешного управления транспортным средством требуются внимание, восприимчивость и инстинктивная реакция на изменяющиеся дорожные условия, препятствия и условия безопасности. Автомобиль, движущийся со скоростью 96 км/час, покрывает 26,5 метра в секунду. Время реакции большинства водителей составляет около трех секунд, в течение которых транспортное средство пройдет около 100 метров. Типичный водитель получает информацию о дорожных условиях за 11 секунд до достижения автомобилем соответствующего участка дороги. За это время водитель принимает последовательность решений на основе данных о 291 метре дороги, различающихся для разных маршрутов движения. Кроме того, требуется обрабатывать еще и данные заднего обзора, влияющие на условия безопасности движения. Все это порождает потребность в непрерывной последовательности решений, которые приходится принимать с учетом ранее принятых тактических решений об общем маршруте движения.

При принятии решений могут существенно помочь автономные вычисления. Производители автомобилей успешно интегрируют средства круиз-контроля, автоматического переключения скоростей и полностью автоматической парковки. Удаленно управляемые транспортные средства в течение двух десятилетий успешно используются в космических полетах и в неблагоприятных наземных условиях. Более пятидесяти лет в промышленности используются робототехнические системы для перемещения материалов по производственным линиям. Эти достижения были получены в основном благодаря созданию средств точного измерения, контролируемой реакции, а также точных и надежных исполнительных механизмов; безопасность обеспечивалась за счет возможности перехвата управления человеком.

Готовы ли эти робототехнические системы к тому, чтобы стать персональными шоферами? На последнем конкурсе DARPA Grand Challenge были представлены машины, управляемые в полностью автономном режиме. Еще более впечатляет реальная возможность того, что в близком будущем автономные транспортные средства смогут перемещаться в городской среде.

Первая из семи статей тематической подборки представлена Массимо Бертоцци (Massimo Bertozzi), Альберто Броги (Alberto Broggi) и Алессандрой Фасциоли (Alessandra Fascioli). Статья называется «VisLab и эволюция автоматически управляемых наземных транспортных средств, основанных на системах технического зрения» (VisLab and the Evolution of Vision-Based UGVs).

Технология автоматически управляемых наземных транспортных средств (Unmanned Ground Vehicle, UGV) развивается нерегулярным образом. Исследователи обдумывали эту идею в 60-х годах, но тогда технология была недостаточно зрелой, и только в середине 80-х в военной промышленности был разработан прототип UGV. Целью проекта являлась автоматизация парка военных наземных транспортных средств. В конце 80-х исследователи стали проявлять интерес к гражданским проектам, инициированным правительствами разных стран. И только в конце 90-х автомобильная промышленность наконец смогла подойти к разработке и дорожным испытаниям первых автономных транспортных средств.

В настоящее время наблюдается множество исследовательских проектов в области интеллектуальных транспортных средств. Однако технологические проблемы и правовые соображения, связанные с полностью автоматическими транспортными средствами, побуждают автомобильную промышленность концентрироваться на контролируемых системах и системах развитой помощи водителям. В то же время исследования в области UGV замедлились, поскольку промышленность и правительство больше не расценивают UGV как основную стратегическую область инвестиций. Во всем мире министерства транспорта озабочены социальными, экономическими задачами, проблемами защиты окружающей среды, стремясь к повышению качества автомобильного топлива, эффективности дорожной сети, качества жизни.

В настоящее время успехи автомобильной промышленности в связи с внедрением ADAS побуждают военную промышленность пересмотреть свою цель автоматизации парка транспортных средств. Существенный шаг был предпринят DARPA; в учрежденном агентством конкурсе Grand Challenges в 2004 и 2005 годах приняли участие ведущие исследовательские коллективы, соперничавшие за многомиллионные призы.

Исследователи анализируют возможности применения автоматически управляемых транспортных средств во многих других приложениях в областях сельского хозяйства, обезвреживания мин, аварийно-спасательных работ и т.д. Это позволило бы снизить уровень человеческого риска и повысить эффективность использования транспортных средств. Однако в большинстве отраслей промышленности наивысший интерес представляет автоматизация дорожных транспортных средств.

Автономное наземное транспортное средство NaviGATOR

В лаборатории машинного зрения и интеллектуальных систем Университета Пармы (VisLab; www.vislab.it) исследования в данной области UGV проводятся в течение полутора десятилетий. В VisLab разрабатывалось транспортное средство Mobile Laboratory. Проект выполнялся в рамках программы Prometheus, части программы Eureka, которая проводилась европейской автомобильной промышленностью в 1989-1994 годах. Прототип, называвшийся Fiat Ducato 18 Maxi, предназначался для изучения, разработки и тестирования интеллектуальных систем реального времени, основанных на использовании механизмов машинного зрения. Была разработана собственная SIMD-архитектура Processor for Image Checking and Analysis (Paprica). Эта компьютерная система подключалась непосредственно к системе машинного зрения, отображающей результаты обработки на внешнем мониторе. Прототип использовался для тестирования решений и алгоритмов распознавания маршрутов и препятствий.

В конце 90-х годов в VisLab выполнялись проекты ARGO и Surface Antarctic Robot (SAR). В рамках проекта ARGO был разработан один из первых прототипов, демонстрирующий возможности автоматического управления транспортным средством на дорогах общественного пользования. В нем были интегрированы основные полученные ранее результаты в областях алгоритмов и архитектур систем управления дорожными транспортными средствами на основе методов машинного зрения. Было разработано, протестировано и настроено несколько решений для автономного перемещения с выбором маршрута движения и обнаружением препятствий.

В проекте SAR исследовались возможности автоматического управления транспортными средствами в экстремальных условиях. Практические испытания средств автоматического маневрирования снегохода проводились во время итальянских экспедиций на Южный полюс. Конечной целью проекта была разработка снегохода, который мог бы автоматически следовать за ведущим транспортным средством.

В последние годы в VisLab при взаимодействии с партнерами из автомобильной промышленности и исследовательскими центрами разрабатывалось несколько исследовательских прототипов, основанных на различных технологиях. Одной из областей исследования является защита уязвимых участников дорожного движения. В сотрудничестве с исследовательским центром Volkswagen был разработан прототип системы распознавания пешеходов для приложений предотвращения аварий и помощи водителям.

В рамках европейского проекта APALACI-PReVENT, направленного на разработку и демонстрацию возможностей технологий повышения уровня дорожной безопасности, VisLab работает вместе с Volvo над системой блокировки начала движения больших грузовиков. В системе используются средства машинного зрения для обнаружения пешеходов или препятствий в мертвой зоне перед грузовиком для предупреждения водителя и предотвращения наезда.

В сотрудничестве с крупной германской компаний Hella, поставляющей изделия для автомобилестроения, VisLab исследует возможности применения близких к инфракрасному спектру прожекторов и камер для локализации препятствий. В автомобильной индустрии также проявляется интерес к приложениям помощи водителям на основе цветного машинного зрения. В этой области VisLab сотрудничает с компанией Magneti Marelli при выполнении проекта по использованию цветного машинного зрения для распознавания дорожных знаков.

В военной области VisLab сотрудничает с группой ветроники (vetronics, от vehicle electronics) вооруженных сил США. В проекте разрабатывается система, оснащенная четырьмя видеокамерами, предназначенная для повышения уровня безопасности робототехнических систем. Для компании Oshkosh Truck разрабатывается приложение ночного видения для применения в военных целях.

Совместно с Oshkosh Truck и Rockwell Collins в Vislab разработали автономное транспортное средство TerraMax, сумевшее дойти до финиша на конкурсе DARPA Grand Challenge в 2005 году. В TerraMax используется машинное зрение, лазерные сканеры, навигационные устройства, интерциальные датчики и базы данных, обеспечивающие понимание среды. Вкладом TerraMax явилась система машинного зрения для обнаружения препятствий и пригодного пути движения.

Авторами статьи «Архитектура восприятия и планирования для автономных наземных транспортных средств» (Perception and Planning Architecture for Autonomous Ground Vehicles) стали Боб Тачтон (Bob Touchton) Том Галлуццо (Tom Galluzzo), Дэнни Кент (Danny Kent) и Карл Крэйн (Carl Crane).

Группа Gator Nation (cimar.mae.ufl.edu/gatornation), ранее называвшаяся группой CIMAR, является финалистом конкурсов DARPA Grand Challenge 2004- 2005 годов и собирается участвовать в конкурсе DARPA Urban Challenge в 2007 году. Группа образована Центром интеллектуальных машин и робототехники, Лабораторией машинного интеллекта и Институтом цифровых миров Флоридского университета при участии компании Eigenpoint и спонсорстве Smiths Aerospace. В состав группы входили также сотрудники компании Autonomous Solutions.

Одна из основных стратегий CIMAR при подготовке к первым двум конкурсам состояла в разработке подгруппой инженерии программного обеспечения стандартизованной архитектуры программного обеспечения и сопутствующих инструментальных средств и библиотек, которые компилировались бы с использованием среды интероперабельности JAUS (Joint Architecture for Unmanned Systems) Министерства обороны США, унифицировали бы разнообразные виды выходных данных интеллектуальных датчиков и включали бы многозначную решетку траверсабельности для обнаружения препятствий и оценки уровня гладкости поверхности.

Эти архитектурные особенности были использованы в автономном наземном транспортном средстве NaviGATOR. В число основных компонентов входило шесть интеллектуальных датчиков для выявления условий внешней среды и выдачи априорных данных; интеллектуальная схема разрешения конфликтов, соединяющая данные от разных интеллектуальных датчиков; и реактивный драйвер, обеспечивающий в реальном времени планирование перемещения и избегание препятствий. Для конкурса в 2007 году группа готовит более совершенное решение.

Статья «Проверка умения вождения высокоскоростных автономных транспортных средств» (Testing Driver Skill for High-Speed Autonomous Vehicles) написана Крисом Урмсоном (Chris Urmson), Вильямом Уиттейкером (William Whittaker), Сэмом Харбо (Sam Harbaugh), Филипом Куном (Phillip Koon) и Майклом Кларком (Michael Clark).

Гонка по пустыне Мохаве во время состязаний на конкурсе DARPA Grand Challenge в 2005 году показала состояние дел в области высокоскоростного автономного передвижения по дорогам и бездорожью. Для выигрыша команды в соревновании ее робот должен определять направление движения быстрее других роботов и пройти весь путь не более чем за 10 часов. Кроме того, информация о маршруте движения и расстоянии была оглашена только за два часа до начала гонки, что не давало возможности предварительного прохода трассы.

Команда Red Team Университета Карнеги-Меллонна разработала роботов Sandstorm и H1ghlander, в которых использовалась комбинация автономности и предварительного планирования с участием человека. Оба этих робота вошли в число четырех, успешно прошедших дистанцию. В роботах использовались бортовые датчики для корректировки заранее запланированного маршрута, чтобы избежать препятствия и исправлять ошибки определения местоположения.

Для достижения успеха команды должны были разработать алгоритмы и системы, а также тщательно проверить их эффективность. В Red Team использовали регрессионное тестирование для оценки того, как влияют замены блоков аппаратуры и программного обеспечения на общую возможность управления робота. Возможность управления определялась тремя факторами: следование предварительно запланированному маршруту на основе только датчиков местоположения; отслеживание предварительно запланированного маршрута с помощью датчиков восприятия; динамическое изменение предварительно запланированного маршрута, позволяющее избегать ощутимых препятствий.

Следующая статья, «Вождение свойственно человеку» (To Drive Is Human), представлена Исааком Миллером (Isaac Miller), Эфраимом Гарсиа (Ephrahim Garcia) и Марком Кэмпбеллом (Mark Campbell).

Люди плохо водят автомобили уже более 100 лет; не наступило ли время поставить на колеса компьютер? В 2005 году в DARPA сделали именно это, призвав команды со всей страны построить автономные транспортные средства для участия в гонке на 132 мили по неизвестной пустынной местности; участие людей не допускалось. Сначала зарегистрировалось 195 команд; 43 из них вышли в полуфинал на автостраде в Калифорнии; 23 команды стартовали в финале и пять из них добрались до финиша.

Когда зрители наблюдали покрытых пылью роботов, триумфально пересекающих финишную черту, они высоко оценивали трудную работу, приведшую к написанию этой последней главы о человеке и машине. Однако, глядя на эти достижения, естественно задать вопрос, почему у нас нет роботов, отвозящих людей на службу, работающих таксистами или позволяющих совершить долгое путешествие к дому бабушки?

Робот с возможностью к самоадаптации средствами нейросети

Ответ на этот вопрос кроется не в гайках и болтах, из которых сделаны гонщики Grand Challenge, а скорее в тех, кого они пытаются заменить, — в людях. При вождении мы выполняем бесчисленное число функций, и компьютер, пытающийся уподобиться водителю-человеку, должен столкнуться со всеми ними. При подготовке к Grand Challenge команда Корнеллского университета разделила проблему вождения на три основные задачи: локализация (определение своего местоположения); восприятие (видение того, что находится вокруг); планирование маршрута (определение того, как можно достичь цели).

На первый взгляд список задач кажется исчерпывающим. Если вы знаете, где вы находитесь, вы можете видеть свой дорожный маршрут, и если вы знаете, куда вы хотите добраться, вы сможете там оказаться. Однако набор указаний оказывается бесполезным, если неизвестно местоположение или невозможно найти дорогу, а возможность видеть дорогу является не очень полезной при отсутствии знаков и схем, говорящих о том, куда ведет эта дорога. Поэтому для создания самоуправляемого транспортного средства требуется нахождение вычислительных решений каждой из этих трех задач.

Паоло Ломбарди (Paolo Lombardi), Бертран Завидовик (Bertrand Zavidovique) и Майкл Талберт (Michael Talbert) являются авторами статьи «О важности зависимости от контекста» (On the Importance of Being Contextual).

Автоматически управляемые транспортные средства представляют собой важный эволюционный шаг для повышения уровня безопасности при выполнении различных задач, от пассивных наблюдений до активных исследований и решительных упреждающих действий. Для достижения этой цели эти транспортные средства должны быть автономными и обладать возможностью эффективной интерпретации контекста — постоянное отслеживание и понимание внешней среды является важным шагом на этом пути. При этом подходе соответствующий учет контекста должен способствовать повышению уровня восприимчивости системы за счет использования текущей информации визуального контекста и соответствующей информации из экосистемы.

Поддерживая новый вероятностный подход в отслеживанию контекста в основанных на сенсорах управляющих системах транспортных средств, авторы вычисляют частные достоверности в операционной среде, являющейся внешней по отношению к полю зрения системы машинного зрения. Результаты авторов указывают на перспективность использования мультимодального анализа как ключевого подхода для повышения эффективности управления транспортными средствами при их применении в различных ответственных областях.

Статью «Основанное на памяти обучение на месте для автоматически управляемых транспортных средств» (Memory-Based In Situ Learning for Unmanned Vehicles) представили Патрик Макдауэлл (Patrick McDowell), Брайан Бурже (Brian Bourgeois), Дональд Софж (Donald Sofge) и С. С. Айенгар (S.S. Iyengar).

Чтобы робот мог автономно функционировать в динамической среде, он должен обладать возможностью к самоадаптации без помощи человека. Конечной целью исследования авторов статьи является предоставление группам автоматически управляемых подводных транспортных средств (Unmanned Underwater Vehicles, UUV) некоторых способностей животных для адаптации к среде с использованием памяти, без исчерпывающей проверки среды методом проб и ошибок или ее комплексного моделирования.

Авторы концентрируются на UUV, поскольку эти устройства можно будет использовать при выполнении таких задач, как поиск опасных подводных объектов или обследование дна океана, более безопасных и экономным образом. Концепция группы применяется для снижения общей стоимости задачи путем использования дешевых подчиненных UUV для повышения сенсорных возможностей более мощного основного устройства. Целью является разработка команды роботов, обладающих способностью к обучению своим ролям и к совершенствованию стратегии команды с целью достижения общих целей в динамических неструктурированных средах, в которых затруднены коммуникации и мониторинг.

В описываемой исследовательской работе используется система показателей, основанная на входных данных датчиков, которая комбинируется с режимом обучения на основе временных последовательностей связей «датчик/действие». Роботы с «ушами» слушают робота-лидера и пытаются следовать за ним. Получающийся строй роботов является результатом их последовательного поведения. В этом приложении входные данные сенсоров задаются интенсивностью звука в левом и правом ухе, а действия состоят в повороте налево, движении вперед или повороте направо.

Наконец, последнюю статью тематической подборки написал Вейсон Срини (Vason Srini). Статья называется «Концепция поддержки автономной навигации в городских средах» (A Vision for Supporting Autonomous Navigation in Urban Environments).

Ожидается, что у будущих транспортных средств, функционирующих в городских районах, на промышленных предприятиях, в портах, на складах и т.д., будут иметься компьютерный контроль подачи топлива, рулевого управления и системы торможения для поддержки предотвращения столкновений, регулируемая возможность поддержки постоянной скорости, средства автоматической парковки и безопасного вождения. Для достижения этой цели потребуются достижения автомобильной промышленности, которые позволят уменьшить стоимость и повысить надежность за счет сокращения числа механических частей и соединений. Дополнительные стимулы порождаются стратегическими изменениями в индустрии страхования, направленными на сокращение числа несчастных случаев и снижение расходов на счет использования развитых датчиков, средств обеспечения безопасности пассажиров и устройств предупреждения столкновений.

Эти автономные навигационные системы (Autonomous Navigation Systems, ANS), а также современные транспортные средства с датчиками, исполнительными механизмами и компьютерным управлением выполняют три основные функции: накопление контекста с использованием датчиков, обработка и действия.

Большинство исследователей нагружает поддержкой этих функций саму ANS для обеспечения возможности преодолевать препятствия и реагировать на динамические изменения среды. Однако это приводит к громоздкости и дороговизне ANS и робототехнических систем. Это также препятствует внедрению транспортных средств с ANS в городских средах, в которых они должны сосуществовать с имеющимися автомобилями и магистралями.

В статье представлен подход, при котором функции сбора и обработки контекста распределяются с использованием сенсорных сетей и беспроводных коммуникаций, что позволяет уменьшить стоимость и повысить распространенность ANS. В системе для сбора информации на разных уровнях используются датчики, установленные на подвижных транспортных средствах и на стационарных объектах, таких как фонарные столбы, светофоры, площадки контрольных пунктов и дома.

В системе используется локальный контекст для принятия в реальном времени тактических решений, таких как снижение скорости при торможении впереди идущего транспортного средства или при приближении к красному сигналу светофора. Для принятия «стратегических» решений, таких как переезд на другую дорогу или обгон транспортного средства, требуется информация об окрестных дорогах и транспортных средствах. В движущихся транспортных средствах обычно отсутствует доступ к подобной локальной и глобальной информации.

Поэтому в будущих приложениях системы основную роль будут играть датчики и другие элементы предлагаемой системы мобильных сенсорных сетей для ANS, которая позволит получить гораздо большую осведомленность о динамической среде и будет помогать принимать решения с использованием сервисов и баз данных, к которым не имеет доступа движущееся транспортное средство.

Поздравляю вас всех с Новым годом! До следующей встречи, Сергей Кузнецов (kuzloc@ispras.ru).