Valdkonnaspetsiifilised väljakutsed autonoomias

[rczyba][✓ rczyba, 2025-10-20]

Autonoomsed tehnoloogiad ja robootika määratlevad võimalusi uuesti, parandades tõhusust ja ohutust erinevates sektorites. Täiustatud rakendused, nagu isejuhtivad sõidukid, vilja- ja koristusrobotid, tuginevad täpsele GNSS/GPS-i positsioneerimisele ja nõuavad korralikuks toimimiseks sentimeetri täpsust. Kuna autonoomsete rakenduste valdkond laieneb, muutub võimalus kasutada usaldusväärseid reaalajas GNSS/GPS-i parandusteenuseid mitte ainult kasulikuks, vaid ka hädavajalikuks. Kaardistamis- ja lokaliseerimisalgoritmid ning andurimudelid võimaldavad sõiduki orientatsiooni ka võõras keskkonnas. Marsruudi planeerimise ja optimeerimise algoritmid ning takistuste vältimise algoritmid võimaldavad sõidukitel iseseisvalt sihtkohta jõuda. Autonoomse sõidu tehnoloogia arendamine hõlmab ka süsteemide kasutuselevõttu, mis võimaldavad suhelda isejuhtivate autode vahel, aga ka AV-de ja nende ümbruse vahel. Autonoomne sõidutehnoloogia areneb pidevalt ja üks suurimaid väljakutseid, mis on seotud täisfunktsionaalsete isejuhtivate autode väljatöötamisega, on üksikute andurite jõudluse sõltuvus ilmastikutingimustest.

Oluliseks väljakutseks on autonoomne navigeerimine mehitamata sõidukitega keskkondades, kus juurdepääs lokaliseerimisandmetele on piiratud või puudub üldse. Autonoomne navigeerimine ilma GNSS-ita on keeruline ja kiiresti arenev tehnoloogiavaldkond, mis võib paljudes tööstusharudes ja rakendustes revolutsiooni teha. Peamised tehnoloogiad ja meetodid navigeerimiseks, millel puudub GNSS-teave, hõlmavad inertsiaalseid navigatsioonisüsteeme (INS), nägemispõhist lokaliseerimist, Lidarit ja siseruumide lokaliseerimissüsteeme. Paljulubavaid tulemusi annab ka SLAM-tehnoloogia, mille abil määratakse samaaegselt sõiduki asukoht (asukoht) ja koostatakse kaart keskkonnast, milles see liigub. Igal ülalmainitud tehnoloogial on oma plussid ja miinused, kuid ükski neist ei anna täielikku ülevaadet ümbritseva maailma hetkeseisust. Kuigi autonoomsel navigatsioonitehnoloogial ilma GNSS-ita on palju eeliseid, on sellel ka väljakutseid. Nende hulka kuuluvad muuhulgas raskused täpsel mõõtmisel tundmatus või muutuvas keskkonnas ning probleemid andurite kalibreerimisel, mis võivad põhjustada navigeerimisvigu.

Viimastel aastakümnetel on välja töötatud palju teadusuuringuid ja tehnoloogiat erinevate autonoomsete süsteemide jaoks, sealhulgas õhu-, maa- ja mereväesüsteemide jaoks (vt joonis 1). Suur osa sellest tehnoloogiast on juba küpsuseni jõudnud ja seda saab rakendada mehitamata platvormidel, samas kui teised on alles uurimis- ja arendusfaasis.

Sõidukite autonoomia valdkonnaspetsiifilised väljakutsed hõlmavad mitmeid tehnilisi, ohutus-, regulatiivseid ja eetilisi küsimusi, mis on ainulaadsed erinevatele töökeskkondadele. Peamised väljakutsed on järgmised:

• * Anduri piirangud ja taju * Täpne objekti tuvastamine erinevates ilmastikutingimustes (vihm, udu, lumi). * Liiklejate (nt jalakäijate, jalgratturite ja loomade) eristamine. * Anduri oklusioonide ja pimealade käsitlemine. Keerulised ja dünaamilised keskkonnad * Keerulistes linnatingimustes navigeerimine ettearvamatu inimkäitumisega. * Ehitustsoonide, teetööde ja ootamatute takistuste haldamine. * Kohanemine suure liiklustiheduse ja juhi ebakorrapärase käitumisega. Lokaliseerimine ja kaardistamine * Täpse reaalajas lokaliseerimise saavutamine GPS-keelatud keskkondades (tunnelid, linnakanjonid). * Ajakohaste kõrglahutusega kaartide hoidmine maanteemuutuste ajal. Otsustamine ja planeerimine * Ohutute, nõuetele vastavate ja kontekstikohaste otsuste tagamine. * Äärejuhtumite, näiteks jalakäijate või ebatavaliste sõidukite manöövrite käsitlemine. Side ja küberturvalisus * Turvaline sõidukitevaheline (V2V) ja sõidukitevaheline (V2I) side. * Kaitse häkkimise või pahatahtlike küberrünnakute eest. Regulatiivsed ja juriidilised väljakutsed * Erinevates piirkondades erinevates õigusraamistikes navigeerimine. * Vastutuse määratlemine autonoomsete sõidukitega toimunud õnnetustes. * Standardiseerimise ja koostalitlusvõime saavutamine. Eetilised kaalutlused * Otsuste tegemine vältimatute õnnetusjuhtumite korral. * Andmete kogumise ja jagamisega seotud privaatsusprobleemid. Infrastruktuur ja standardimine * Ühtse infrastruktuuri puudumine, mis toetaks sõidukitevahelist sidet. * Teeviitade, märgistuse ja infrastruktuuri standardite varieeruvus. Testimine, valideerimine ja sertifitseerimine * Ohutuse tagamiseks kõikehõlmavate testimisprotokollide väljatöötamine. * Autonoomsete süsteemide valideerimine kõigis võimalikes stsenaariumides. Inimfaktorid ja kasutajate aktsepteerimine * Reisijate usalduse ja autonoomse süsteemi piiride mõistmise tagamine. * Juhtimise üleminek inimese ja automaatika vahel. Nende valdkonnaspetsiifiliste väljakutsete lahendamine on ülioluline autonoomsete sõidukite ohutuks ja usaldusväärseks kasutuselevõtuks meie elu erinevates tööstsenaariumides. Järgmistes alapeatükkides määratakse konkreetsed väljakutsed, võttes arvesse sõidukitüüpi ja selle töökeskkonda.

  • Challenges of Autonomous Cars
  • Challenges of Autonomous Drones
  • Challenges of Autonomous Marine Vehicles

  ===== Sotsiaalne aktsepteerimine =====Avalikkuse usalduse suurendamine autonoomsete sõidukite vastu on suur väljakutse. 2025. aastal koguti veebipõhise eelistuste uuringu käigus 235 vastust kogu Euroopast ²⁾, ehitatud Gliwices, Poolas) abil tehtud uuring kinnitab uuringu tulemusi ja võimaldab optimistlikult tulevikku vaadata. <figure Ref.Blees_autonomous_bus> <caption>Blees autonoomne buss</caption> </figure> ==== Tarkvaraga defineeritud sõiduk ==== Tarkvarapõhine sõiduk (SV) on termin, millega kirjeldatakse muu hulgas autosid, mille parameetreid ja funktsioone juhib tarkvara. See on tingitud auto pidevast arengust puhtalt mehaanilisest tootest tarkvarapõhiseks elektroonikaseadmeks (vt joonis ##REF:Ref.software-defined_vehicle##). <figure Ref.software-defined_vehicle> <caption>Tarkvara määratud sõiduk</caption> </figure> Tänapäeva esmaklassilised sõidukid võivad vajada kuni 150 miljonit koodirida, mis on jaotatud enam kui saja elektroonilise juhtploki vahel, ning kasutavad üha suuremat arvu andureid, kaameraid, radareid ja lidari andureid. Madalama hinnaga autodel on neid vaid veidi vähem. Kolm võimsat trendi – elektrifitseerimine, automatiseerimine ja digitaliseerimine – muudavad põhjalikult klientide ootusi ja sunnivad tootjaid nende täitmiseks tarkvarasse investeerima.Kuna juhiabisüsteemid muutuvad automatiseerituks ja sõidukid omandavad autonoomse sõiduvõimaluse, kasvab ka nõudlus tarkvara järele. Mida keerukamat sisu tarbijad oma teabe- ja meelelahutussüsteemidelt ootavad, seda rohkem digitaalset sisu peab sõiduk haldama. Ja kuna selline sõiduk edastab asjade Interneti (IoT) osana üha suuremaid andmeid pilve ja pilvest, on selle töötlemiseks ja haldamiseks vaja tarkvara. ==== Agility tarkvaraarenduses ==== Tarkvaraarenduse põhimeetodeid on kaks: traditsiooniline jugamudel ja uuem lähenemine, mida nimetatakse agiilseks, mis on võtmetähtsusega autotööstuse muutumisel “tarkvaraga määratletud sõidukiteks”. Kose lähenemisviisi puhul toimub tarkvaraarendus läbi erinevate järjestikuste faaside. Need etapid hõlmavad nõuete määratlemist, rakendamist, integreerimist ja testimist. Waterfall meetodil on mitmeid puudusi: see ei ole piisavalt paindlik, et tänapäeva autotööstuse muutuste tempoga kaasas käia; see ei rõhuta tihedat koostööd ja kiiret tagasisidet ettevõtte siseselt meeskonnalt ja välistelt partneritelt; ja see ei taga, et testimine toimuks projekti piisavalt varakult. Võimalus testida keerulisi tarkvarasüsteeme on eriti oluline autotööstuses, kus insenerid viivad enne sõiduki teele jõudmist läbi reaalsete sõidutingimuste täpsemaid simulatsioone – tsüklis olev tarkvara, riistvara ahelas ja sõiduk. Agiilne lähenemine kujutab endast kultuurilist ja protseduurilist nihet lineaarsest ja järjestikusest juga lähenemisviisist. Agile on iteratiivne, koostööpõhine ja sisaldab sagedasi tagasisideahelaid. Agiilet kasutavad organisatsioonid moodustavad väikeseid meeskondi, et täita konkreetseid kõrge prioriteediga ärinõudeid. Meeskonnad töötavad sageli fikseeritud, suhteliselt lühikese iteratiivse tsüklina, mida nimetatakse Sprintiks. Selle ühe iteratsiooni jooksul toodavad nad konkreetsetel ärivajadustel põhineva tarkvaratoote täieliku ja testitud juurdekasvu, mis on valmis sidusrühmade ülevaatamiseks. Nii kosk kui ka agiilne lähenemine võivad kasutada V-mudelit tarkvara arendamiseks, edenedes järjestikku projekteerimise, juurutamise ja testimise etapis. Erinevus seisneb selles, et kose lähenemisviis kasutab V-mudelit ühekäigulise protsessina kogu projekti vältel, samas kui agiilne lähenemisviis võib V-mudelit rakendada igas sprindis. ==== Küberturvalisuse väljakutsed ==== Tarkvarapõhised sõidukid (SDV-d) avavad tohutuid võimalusi, võimaldades lõppklientidel nautida laia valikut tipptasemel ohutus-, mugavus- ja mugavusfunktsioone. Hästi korraldatud küberturvalisuse juhtimine peab käima käsikäes SDV-de arendamisega. Tarkvaraarendajad peavad tagama turvalisuse igas valdkonnas, olenemata konkreetse rakenduse turvalisusest.Küberturvalisus on autotööstuses suhteliselt uus kontseptsioon [1]. Kui autotootjad hakkasid oma sõidukites kasutusele võtma elektrooniliselt juhitavaid rooli- ja pidurisüsteeme, siis ohtude tõenäosus suurenes, avas ühenduvus ukse oluliselt suurematele riskidele. Küberohtude allikana tuuakse välja sõidukite otseühendusi Internetiga, kuid sageli jäetakse tähelepanuta kaudsed ühendused, näiteks USB või Bluetoothi ​​kaudu ühendatud mobiiltelefoniga. Isegi sõiduki, millel näib olevat ühenduvus, saab varustada juhtmevaba rehvirõhu jälgimissüsteemi või pardadiagnostika mooduliga, mis võimaldab juurdepääsu sõiduki teabele. Siin on mõned selle teemaga seotud põhivaldkonnad:* Turvalised värskendused: tagamaks, et tarbijatel on juurdepääs kõige tõhusamatele funktsioonidele, laadivad tänapäeva sõidukid tarkvaravärskendusi juhtmevabalt pilvest alla, seega peavad need värskendused olema turvalised. Avaliku võtme infrastruktuur (PKI) on mehhanism, mis võimaldab tootjatel tarkvara digitaalselt allkirjastada, et vastuvõttev süsteem saaks kontrollida selle autentsust. Salajase digitaalvõtme abil krüpteerib tootja tarkvara enne selle avaldamist. Kui sõiduk tarkvara alla laadib, kasutab see sisu kontrollimiseks teist avalikult kättesaadavat võtit. Keeruline algoritm tagab, et avaliku võtmega saab kontrollida ainult salajase võtmega allkirjastatud sisu. * Ohutu süsteemi käivitamine: tootjad peavad tagama ka turvalise süsteemi alglaadimise. Pärast sõiduki käivitamist peab süsteem kontrollima tarkvara autentsust ja terviklikkust. See tähendab, et süsteem peab tagama, et koodi lõi tootja, mitte ründaja. * Turvaline sõidukivõrk:** kuna sõidukid muutuvad järjest keerukamaks ja tarkvarapõhisemaks, kasutavad paljud neis töötavad rakendused samu protsessoreid ja võrke andmete edastamiseks erinevate töötlemissõlmede vahel. Näiteks võivad mõned teabe- ja meelelahutusrakendused nõuda sõiduki kiirus- ja navigeerimisandmeid, samas kui teised rakendused võivad vajada akuhalduse teavet. Sõidukisisese võrgu olemasolu ning mobiilsidevõrgu ja WiFi kaudu pilvevõrkudega ühenduse loomine nõuavad, et sõidukid tagaksid need ühendused mitmel kihil. Madalaim kiht on Media Access Control Security (MACsec), mis loob kahesuunalise krüptitud ühenduse kahe otse suhtleva seadme vahel. MACsec võib töötada väga kiiresti, krüptides ja dekrüpteerides teavet juhtmete kiirusega, kasutades selleks spetsiaalset riistvara. Järgmine kõrgem kiht on Interneti-protokolli turvalisus (IPsec), mis toimib võrgukihis IP-aadressidega võrgusõlmede vaheliste andmepakettide autentimiseks ja krüpteerimiseks. IPseci kasutamine võib aidata kaitsta võrgus (ruuteri, pilve ja mujale) voolavaid andmeid, mitte ainult kahe punkti vahelise füüsilise lingi kaudu. Virnast ülespoole liikudes saavad tootjad kasutada transpordikihi turvalisust (TLS). See protokoll töötab võrgukihis, kus protsessid suhtlevad ilma IP-aadressidega sidumata, muutes turvamehhanismi paindlikumaks. TLS-i kasutatakse nüüd laialdaselt internetisuhtluses ja sõidukid peaksid seda pilvega ühenduse loomisel kasutama.

==== Täiustatud ühenduvus ====Kuna autonoomne sõit muutub üha tavalisemaks, võib sõnumite krüpteerimise veelgi kõrgema taseme rakendamine muutuda üha olulisemaks. Näiteks võib kasutaja saata sõidukile sõnumi, milles palub sellele konkreetselt aadressilt järele tulla. See sõnum allkirjastatakse krüptograafiliselt ja edastatakse turvaliselt. Sellele võivad abiks olla uued protokollid, mis vajadusel hõlmavad isegi mitut pilve. Lisaks, kuna autotööstuse ettevõtted hakkavad palkama rohkem arendajaid erinevate tarkvarafunktsioonide loomiseks, muutub rakendustevahelise häirete vältimine ülioluliseks. See saavutatakse hüperviisorite, konteinerite ja muude tehnoloogiate abil tarkvara lahtisidumiseks isegi jagatud riistvara puhul.

Hiljutised edusammud sõidukite radaritehnoloogias toovad peagi kaasa radari võimekuse põhjaliku suurenemise, suurendades märkimisväärselt radarikeskset lähenemist täiustatud juhiabisüsteemidele (ADAS).

ADAS-süsteemi tajumise parandamiseks on kaks peamist viisi. Saame parandada seda, kuidas süsteem masinõppe abil andurite andmeid tõlgendab, või parandada reaalmaailma andurite andmete kvaliteeti ja täpsust. Nende lähenemisviiside kombineerimine loob sünergilise efekti, luues usaldusväärse keskkonnamudeli, mida sõidukid saavad kasutada intelligentsete sõiduotsuste tegemiseks. Kuigi masinõpe areneb pidevalt, areneb ka radarisendurite tehnoloogia. Üks spetsiifiline tehnoloogia on 3D õhulainejuhi tehnoloogia kasutamine radariantennides täpsemate signaalide hõivamiseks ja leviulatuse suurendamiseks. Autoradarisüsteemides aitavad 3D õhulainejuhi antennid tõhusalt skaneerida radarisignaalidega ümbritsevat ala ja võtta vastu nõrga kaja ümbritsevast keskkonnast väikese kaoga. Vähendades kadusid edastatavas ja vastuvõetud signaalis, võimaldavad õhu-lainejuhiantennid kasutada tundlikumat andurit, säilitades samal ajal sama väikese füüsilise radari jalajälje.

Täiustatud 3D õhulainejuhi antennitehnoloogiaga radarid võivad toetada kõrge eraldusvõimega tajurežiimi, võimaldades iseparkimist. Iseparkimissüsteemide varased juurutused tuginevad parkimiskohtade laiuse mõõtmiseks ultrahelianduritele. See tähendab sageli, et sõiduk peab enne sellesse tagurdamist ruumist mööda sõitma, et teha kindlaks, kas see on õige suurusega. Täiustatud radarit kasutava keskkonna tajumise tarkvara abil saaks sõiduk enne sellest mööda sõitmist määrata ruumi mõõtmed, võimaldades sellel otse sellesse parkida.

Kasutades täiustatud antennitehnoloogiat, kiiret andmeedastuse tuge ja täiustatud tarkvara, on Aptivi seitsmenda põlvkonna radariperekond suurepärane alus järgmise põlvkonna automatiseeritud sõiduautode ehitamiseks.

Samas on kiirete NOA radarite puhul suurel kiirusel sõites traditsioonilise radari tuvastusulatus vaid 210 meetrit, täpse 4D radari tuvastusulatus ulatub aga 280 meetrini (mõnede tootjate parameetrid ületavad isegi 300 meetrit), mis võimaldab sihtmärke varem tuvastada, mistõttu on vaja lahendada jäiga ettevaatuse probleem.

Praegu juhivad 4D-radarite laialdast kasutuselevõttu sellised kaubamärgid nagu Ideal, Changan ja Weilai. Nende hulgas on kõik Weilai NT3 platvormmudelid standardvarustuses 4D radaritega, mille maksimaalne avastamisulatus on kuni 370 meetrit. Lisaks saavad Huawei Zunjie S800 kolme millimeetri laine hajutatud radarimassiivid kasutada ka 4D-tehnoloogiat.

Veelgi enam, Huawei sõnul parandab hajutatud arhitektuur jõudlust veelgi. Selle tuvastusvõime ületab olemasolevate 4D-millimeeterlaineradarite oma, selle suure usaldusväärsusega tuvastusulatust vihmastes ja ududes tingimustes on suurendatud 60% ning eesmiste ja külgmiste sihtmärkide tuvastamise latentsust on vähendatud 40%.