Исследователи из Школы аэрокосмической инженерии Дэниела Гуггенхайма Технологического института Джорджии (AE) и Школы интерактивных вычислений (IC) оценили новую технологию, участвуя в гонках, скольжении и прыжках, полностью автономных раллийных автомобилях в масштабе одной пятой. 90 миль / ч. В этом методе используются передовые алгоритмы и бортовые вычисления в сочетании с установленными сенсорными устройствами для повышения устойчивости автомобиля при сохранении производительности.
Работа, протестированная в Автономном гоночном центре Georgia Tech, спонсируется U.S. Управление армейских исследований.
Документ, посвященный этому исследованию, был представлен на недавней Международной конференции по робототехнике и автоматизации (ICRA), проходившей 16-21 мая.
«Автономное транспортное средство должно быть в состоянии справиться с любыми условиями, а не только по шоссе в нормальных условиях», — сказал Панайотис Циотрас, профессор AE, специалист по математике, лежащей в основе управления гонками ралли. "Одна из наших основных целей — внедрить некоторые экспертные методы водителей-людей в мозг этих автономных транспортных средств."
Циотрас объяснил, что традиционные методы роботизированных транспортных средств используют один и тот же подход к управлению независимо от того, едет ли транспортное средство в обычном режиме или на границе сцепления с дорогой. Метод Технологического института Джорджии, известный как интегральное управление по траектории с прогнозированием модели (MPPI), был разработан специально для решения нелинейной динамики, связанной с управлением транспортным средством, близким к пределам трения.
Использование передовых концепций
«Агрессивное вождение роботизированного транспортного средства — маневрирование на краю — представляет собой уникальную проблему управления, связанную с очень сложной системой», — сказал Эвангелос Теодору, доцент AE, возглавляющий проект. «Однако, объединив статистическую физику с теорией управления и используя передовые вычисления, мы можем создать новую перспективу, новую структуру для управления автономными системами."
Исследователи Технологического института Джорджии использовали возможность стохастической оптимизации траектории, основанную на подходе интеграла по путям, для создания своего алгоритма управления MPPI, пояснил Теодору. Используя статистические методы, команда объединила большие объемы информации, связанной с обработкой, вместе с данными о динамике транспортной системы, чтобы вычислить наиболее стабильные траектории из бесчисленных возможностей.
Алгоритм управления MPPI, обрабатываемый мощным графическим процессором (GPU), установленным на транспортном средстве, непрерывно производит выборку данных, поступающих от оборудования глобальной системы позиционирования (GPS), датчиков инерционного движения и других датчиков.
Бортовая программно-аппаратная система выполняет анализ в реальном времени огромного количества возможных траекторий и момент за моментом передает оптимальные решения по управлению транспортным средством.
По сути, подход MPPI объединяет как планирование, так и выполнение оптимизированных решений по обработке в единую высокоэффективную фазу.
Считается, что это первая технология для выполнения этой ресурсоемкой задачи; в прошлом входные данные оптимального управления не могли обрабатываться в реальном времени.
Полностью автономные автомобили
В двух раллийных автомобилях исследователей, созданных командой по индивидуальному заказу, используются специальные электродвигатели для достижения правильного баланса между весом и мощностью.
В автомобилях установлена материнская плата с четырехъядерным процессором, мощным графическим процессором и аккумулятором.
В каждом автомобиле также есть две камеры, направленные вперед, инерциальный измерительный блок и GPS-приемник, а также современные датчики скорости вращения колес. Энергетическое, навигационное и вычислительное оборудование размещено в прочном алюминиевом корпусе, способном выдерживать сильные опрокидывания.
Каждый автомобиль весит около 48 фунтов и имеет длину около трех футов.
Эти катящиеся роботы могут тестировать алгоритмы управления командой без каких-либо дополнительных устройств или вычислений, за исключением ближайшего GPS-приемника. Встроенный графический процессор позволяет алгоритму MPPI выполнять выборку более 2500, 2.5-секундные траектории менее чем за 1/60 секунды.
Важным аспектом подхода команды к автономному контролю является концепция «затрат» — ключевых элементов функциональности системы.
Для достижения оптимальной производительности необходимо тщательно подобрать несколько стоимостных компонентов.
В случае транспортных средств Технологического института Джорджии затраты состоят из трех основных частей: стоимость удержания на трассе, стоимость достижения желаемой скорости и стоимость системы управления. Также была добавлена стоимость угла бокового скольжения для повышения устойчивости автомобиля.
Экономический подход важен для того, чтобы роботизированное транспортное средство могло максимизировать скорость, оставаясь при этом под контролем, — объяснил Джеймс Рег, профессор Школы интерактивных вычислений Технологического института Джорджии, который сотрудничает с Теодору и Циотрасом.
Рэг сказал, что это сложный балансирующий процесс. Например, когда исследователи сократили один термин стоимости, чтобы попытаться предотвратить скольжение транспортного средства, они обнаружили, что у них улучшилось дрейфующее поведение.
«Речь идет об использовании алгоритма MPPI для достижения относительной минимизации энтропии — и наиболее эффективное регулирование затрат является важной частью этого», — сказал он. «Достижение оптимального сочетания управления и производительности в автономном транспортном средстве — определенно нетривиальная задача."
https: // www.YouTube.com / watch?v = T4ZB3RYSbrk