Цифровая платформа по разработке и применению цифровых двойников CML-Bench®
Уникальный онлайн-курс «Цифровые двойники изделий»
Список выполненных НИОКР

Учет динамики движения наземного беспилотного транспортного средства при разработке интеллектуальной системы управления

Комплекс НИОКР «Учет динамики движения наземного беспилотного транспортного средства при разработке интеллектуальной системы управления» – совместный проект Санкт-Петербургского политехнического университета Петра Великого» (СПбПУ), Инжинирингового центра «Центр компьютерного инжиниринга» / Института передовых производственных технологий (ИППТ) СПбПУ и ООО Лаборатория «Вычислительная механика» (стратегический партнер СПбПУ).

Разработка представляет собой программный модуль прогнозирования параметров движения беспилотного наземного транспортного средства для интеллектуальной системы (ИС) управления. Разрабатываемый модуль определяет параметры устойчивости, управляемости и динамики движения при применении управляющих сигналов ИС в зависимости от состояния дорожного покрытия, текущих параметров движения и технических параметров автомобиля. Проект соответствует тематике дорожной карты «Автонет» Национальной технологической инициативы.

В последние годы разработки аналогичных решений велись на основании аналитических упрощенных вычислений. Модуль прогнозирования параметров движения транспортных средств (ТС) является более точным решением прогнозирования, т.к. в нем используются цифровые двойники (Digital Twins) реальных ТС и современные компьютерные технологии.

В рамках проекта разработан программный модуль прогнозирования параметров устойчивости, управляемости и динамики движения транспортного средства, интеллектуальной системы принятия решений беспилотного наземного транспортного средства (модуль ППД ИС).

Проект был поддержан Фондом содействия инновациям (грант ФСИ по конкурсу «Развитие НТИ», заявка НТИ-24979) с объемом финансирования 20 млн рублей, при этом размер собственного финансирования Исполнителем составил 6 млн рублей.

Основные характеристики модуля ППД ИС

Основные характеристики модуля ППД ИС.

 

Содержание проекта

Объект разработки – параметризованные расчетные математические многомассовые (MBS) модели транспортных средств: легкового, грузового автомобилей, автобуса.

Цель НИОКР – разработка модуля прогнозирования параметров, определяющих динамику движения автомобиля (ППД), интеллектуальной системы принятия решений беспилотного наземного транспортного средства при помощи проведения полномасштабных виртуальных испытаний.

Исследование динамики движения автомобиля в рамках проекта проводится с использованием компьютерного моделирования путем решения нелинейных задач динамики и кинематики многомассовых систем в программном пакете MSC.ADAMS.

Было проведено исследование методов разработки модуля прогнозирования параметров динамики движения беспилотного наземного транспортного средства, а также подготовительные работы к проведению параметризованных многовариантных виртуальных испытаний многомассовых кинематических (MBS) моделей транспортных средств для наполнения базы данных модуля. В ходе выполнения исследований стало очевидно, что базы данных по конечным маневрам недостаточно для учета динамики ТС и обеспечения безопасности движения. Для уточнения данных по динамике движения беспилотного ТС необходимо также оценивать состояние автомобиля на каждом элементарном отрезке траектории при реализации конечного маневра. Для этого в состав модуля ППД решено добавить базу данных, прогнозирующую динамику автомобиля в краткосрочной перспективе для элементарных отрезков пути – база данных примитивных маневров.

Применение двух типов баз данных в составе модуля ППД позволяет перекрывать все возможные маневры беспилотного ТС в стандартных и нештатных ситуациях и прогнозировать поведение ТС как в краткосрочной, так и в долгосрочной перспективе. При этом размер баз данных остается ограниченным и позволяет осуществлять искусственному интеллекту беспилотного ТС их обработку в режиме реального времени.

Проведен аналитический обзор конструкции и архитектуры шасси современных ТС категорий легкового, грузового транспорта, автобусов, а также анализ основных репрезентативных транспортных средств данных категорий. Проведен обзор существующих решений и наработок в области моделирования динамики движения беспилотных ТС.

Разработаны параметризованные расчетные математические многомассовые модели репрезентативных ТС категорий легкового и грузового транспорта и автобусов. Проведена отладка и проверка адекватности разработанных моделей. Все основные характеристики шасси математических многомассовых моделей параметризованы с целью обеспечения кастомизации моделей под конкретное ТС потребителя модуля ППД в кратчайшие сроки и с минимальными трудозатратами.

Все разработанные в ходе НИОКР параметризованные математические многомассовые модели отлажены и проверены на адекватность при помощи виртуальных испытаний. Оценка результатов виртуальных испытаний показала высокую степень адекватности разработанных MBS-моделей ТС и их соответствие реальным прототипам.

Разработан специальный модуль системы управления инженерными расчетами, позволяющий запускать параметризованные виртуальные испытания MBS-моделей с применением данной системы в полуавтоматическом режиме и система автоматизации обработки результатов виртуальных испытаний MBS-моделей. Система сопоставляет входные и выходные параметры виртуальных испытаний, каталогизирует их, формирует в базу данных и осуществляет поиск экстремальных значений для последующего формирования каталога нормальных диапазонов и критических значений параметров движения беспилотного наземного ТС.

На основе проведенных исследований и разработок, уточнения перечня входных и выходных параметров модуля ППД, а также с учетом необходимости параллельного наполнения двух баз данных модуля ППД создана матрица (перечень) виртуальных испытаний. В процессе разработки матрицы виртуальных испытаний, во взаимодействии с потенциальным потребителем, проводилась доработка перечня входных и выходных параметров для оптимизации размера базы данных и вычислительного времени.

Таким образом, разработана и апробирована методика создания модуля ППД, состоящего из двух взаимодополняющих баз данных. Разработаны и проверены виртуальными испытаниями математические многомассовые кинематические модели репрезентативных ТС трех основных категорий. Проведены отладочные параметризованные виртуальные испытания с использованием всех наработок с сокращенным количеством параметров, которые показали работоспособность и адекватность разработанных методик.

Методика и ход работ

Интеллектуальная система (ИС) беспилотного наземного транспортного средства (ТС) ставит целью полную или частичную замену субъекта, осуществляющего управление ТС. Основной задачей управления ТС является выбор наиболее безопасной и эффективной (в части экономии топлива, времени прохождения, комфорта) траектории движения на основе анализа дорожной обстановки и технического состояния ТС в режиме реального времени.

Траектория движения ТС зависит от следующих групп факторов:

  • управляющие воздействия на ТС при помощи рулевого управления, тормозной системы, системы управления тягой;
  • динамика движения автомобиля, связанная с его инерцией, сцеплением с дорогой и т.д.;
  • состояние ТС – работа тормозной системы, рулевого управления, тип и настройки подвески, загрузка ТС и т.д.

Таким образом, для движения по выбранной траектории ИС беспилотного ТС может варьировать управляющие воздействия, анализируя динамику и состояние ТС.

Алгоритм встраивания модуля ППД в искусственный интеллект беспилотного автомобиля

Алгоритм встраивания модуля ППД в искусственный интеллект беспилотного автомобиля.

Чтобы обеспечить необходимую траекторию, человек, управляющий ТС, выбирает управляющие воздействия, их количественное значение, тип и последовательность на основе опыта вождения. Однако практика показывает, что даже у опытных водителей велика вероятность ошибочного применения управляющих воздействия, что может привести к аварийным ситуациям и неэффективному движению ТС. Во избежание части аварийных ситуаций, связанных с некорректным использованием управляющих воздействий, в современных ТС применяются различные системы помощи водителю: антиблокировочная система (ABS), противобуксовочная система (DTC), система курсовой устойчивости (ESP), система распределения тормозных усилий, система экстренного торможения, система помощи водителю (ADAS).

Разрабатываемый в рамках проекта модуль ППД ИС определяет параметры устойчивости, управляемости и динамики движения при помощи анализа управляющих сигналов в зависимости от состояния дорожного покрытия, текущих параметров движения автомобиля и параметров ТС. Тем самым разрабатываемый модуль является частью ИС принятия решения и формализует опыт субъекта, управляющего ТС, на основе виртуального моделирования динамики ТС.

Искусственный интеллект беспилотного наземного ТС на основе анализа дорожной обстановки определяет траекторию дальнейшего движения и необходимые для ее реализации управляющие сигналы и маневры. Модуль ППД ИС дает прогноз основных параметров движения беспилотного ТС при реализации данных управляющих сигналов, который служит основой принятия решения ИС о допустимости и эффективности их применения.

Штатное и нештатное маневрирование автомобиля в потоке

Штатное и нештатное маневрирование автомобиля в потоке.

Входными данными модуля ППД ИС являются количественные характеристики управляющих сигналов рулевого управления, торможения, управления дроссельной заслонкой (газ), данные оценки состояния дорожного полотна, текущее состояние беспилотного ТС. Анализируемыми управляющими воздействиями в рамках модуля являются:

  • угол поворота руля;
  • давление в тормозной системе;
  • усилие в системе управления дроссельной заслонкой (уровень подачи топлива);
  • скорость нажатия педали управления дроссельной заслонкой (градиент подачи топлива).

Состояние дорожного покрытия определяется коэффициентом трения между шиной и дорожным полотном для каждого из четырех колес на основе показаний датчиков (всего 4 параметра).

Текущее состояние ТС для оценки динамики движения в рамках разрабатываемого программного модуля оценивается параметрами, определяемыми датчиками и сенсорами:

  • текущая скорость ТС (в трех направлениях – Ох, Оy, Oz);
  • текущая скорость рыскания;
  • текущее ускорение ТС;
  • текущая загрузка ТС (вес автомобиля);
  • текущая конфигурация органов управления ТС:
  • угол поворота руля (с учетом прежнего состояния);
  • положение дроссельной заслонки (передаваемая тяга ТС);
  • давление в тормозной системе.

Модуль ППД ИС на основе входных данных определяет следующие параметры движения автомобиля:

  • прогнозируемое ускорение по трем направлениям – Ох, Оy, Oz;
  • прогнозируемая скорость ТС по окончании маневра по трем направлениям – Ох, Оy, Oz;
  • прогнозируемая угловая скорость рыскания, крена, тангажа;
  • прогнозируемый угол рыскания крена, тангажа по окончании маневра;
  • сила реакции в пятне контакта колеса с дорогой (сцепление с дорогой).

По перечисленным выше параметрам движения в ходе разработки модуля ППД ИС в рамках настоящего проекта определяются нормальные и критические значения. Достижение одним из параметров движения критических значений означает опасность совершения выбранного маневра либо его несоответствие планируемой траектории. Например, уменьшение силы сцепления с дорогой при достаточной величине бокового ускорения может привести к потере управляемости ТС (заносу).

Отклонение автомобиля от траектории при перестроении на скорости 100 км/ч при различных коэффициентах сцепления с дорогой

Отклонение автомобиля от траектории при перестроении на скорости 100 км/ч при различных коэффициентах сцепления с дорогой.

В рамках настоящего проекта модуль ППД ИС разрабатывался для использования на одном репрезентативном ТС определенного класса:

  • грузовые ТС;
  • легковые ТС;
  • ТС для перевозки пассажиров (автобус).

В рамках каждой категории ТС разработка модуля ППД ИС велась с учетом основных параметров, определяющих динамику ТС:

  • снаряженная масса ТС;
  • тип подвески (шасси);
  • настройки подвески (шасси);
  • наличие систем ABS, ESP или аналогичных.

Модуль ППД ИС предполагается к реализации в качестве кастомизированного продукта: для его использования в составе ИС беспилотного наземного ТС он должен быть настроен под конкретную модель ТС.

Подсистемы многомассовой кинематической модели, применяемой для виртуальных испытаний

Подсистемы многомассовой кинематической модели, применяемой для виртуальных испытаний.

Для обеспечения возможности кастомизации конечного продукта проекта под различные модели ТС создана параметрическая расчетная математическая модель. Это позволяет генерировать модуль ППД ИС для конкретной модели ТС в кратчайшие сроки на основе параметров, определяющих динамику ТС, путем их задания в расчетной модели и запуском автоматической многовариантной виртуальной расчетной оценки матрицы параметров движения ТС.

По итогам реализации проекта получены следующие результаты:

  • создан программный модуль прогнозирования параметров движения для интеграции в интеллектуальную систему беспилотного ТС для легкового, грузового автомобилей, автобусов;
  • разработан каталог нормальных диапазонов и критических значений параметров движения беспилотного ТС.

В составе выполненных работ:

  • анализ основных репрезентативных ТС в различных категориях (легковой автомобиль, грузовой автомобиль и автобус);
  • анализ и назначение необходимого и достаточного количества параметров, описывающих динамику движения автомобиля;
  • описание и параметризация маневров и/или сигналов управления;
  • разработка и отладка параметризованных расчетных математических многомассовых моделей репрезентативных ТС (легковой автомобиль, грузовой автомобиль и автобус);
  • проведение отладочных испытаний (анализ физических пределов каждого ТС, например: максимальное допустимое боковое ускорение до опрокидывания);
  • разработка метода разделения траектории по элементарным отрезкам;
  • классификация маневров;
  • создание правил построения элементарных отрезков;
  • автоматизация процессов создания базу данных для всех трех ТС;
  • автоматизация процессов оценки допустимости/безопасности маневров.
1) Пример нестандартного (экстренного) маневра. Потеря контроля
2) Пример нестандартного (экстренного) маневра. Удар
3) Пример нестандартного (экстренного) маневра. Успешное перестроение

Пример нестандартного (экстренного) маневра. Дорожная ситуация: синие а/м тормозят, беспилотный грузовой а/м не успевает затормозить и пытается уйти от удара, в этот момент тормозит красный а/м. Грузовой а/м пытается повторить попытку. Варианты: 1) потеря контроля; 2) удар; 3) успешное перестроение.

 

Результаты и рыночные перспективы проекта

Область применения продукта, полученного в результате НИОКР, – интеллектуальные системы беспилотных наземных транспортных средств различных классов для движения по дорожной сети общего пользования. Модуль ППД предполагается использовать в качестве составной части интеллектуальной системы принятия решений для прогнозирования поведения ТС при применении искусственным интеллектом беспилотного наземного ТС тех или иных управляющих воздействий.

Разработанная в рамках проекта технология применима в следующих областях: автомобилестроение, производство специальной техники, машиностроение.

В части достижения основных контрольных результатов дорожной карты «Автонет» продукт проекта, являясь частью ИС, способствует созданию программной базы (2020) и, соответственно, производству узлов АсИС (2017).

В части преодоления технологических барьеров продукт проекта способствует повышению уровня безопасности применения АсИС на дорогах общего пользования (в т.ч. как часть системы принятия решений уровня ASIL D ISO 26262), обеспечивает управление ТС в энергоэффективном режиме, увеличивая продолжительность автономного движения, расширяет возможности применения АсИС в широком спектре рабочих температур и погодных условий.

Проект обладает высокой экономической эффективностью, обеспеченной высоким спросом на разработку. Беспилотный (автономный) транспорт – ключевой тренд современного автомобилестроения и область основной конкуренции в автопромышленной отрасли.

Инновационный продукт позволяет:

  • снизить потребность в дорогостоящем и трудоемком обучении ИС с водителем для каждой отдельной модели ТС;
  • уменьшить время реакции ИС за счет расширения временной перспективы как фактора принятия решений;
  • улучшить управляющие сигналы для оптимизации расхода топлива и уменьшения износа;
  • повысить безопасность применения АсИС.

При использовании в составе ИС ТС за счет анализа отклонений между прогнозными и наблюдаемыми результатами управляющих воздействий модуль ППД позволит оценивать техническое состояние ТС. В случае если обнаруживается критическое отклонение наблюдаемых последствий управляющих воздействий от прогнозных, система может идентифицировать неполадки шасси ТС.

Наработки проекта могут использоваться как основа моделирующего ядра виртуального полигона для обучения ИС. Виртуальные полигоны позволяют нарабатывать практически неограниченный «накат» (опыт), моделировать маловероятные и опасные ситуации. По сравнению с видеозаписями, объекты виртуальной реальности не нуждаются в дополнительном аннотировании. Качество обучения ИС на виртуальном полигоне напрямую зависит от точности используемой математической модели, при этом распространенные детальные модели слишком требовательны к вычислительным ресурсам, а упрощенные модели не обеспечивают необходимой точности.

Методика разработки может продаваться конечному производителю как продукт.

В мире существует более 30 компаний, чья деятельность так или иначе связана с разработкой беспилотных автомобилей и которым разрабатываемый в рамках проекта продукт может быть потенциально интересен: Apple; Audi (Volkswagen Group); Baidu; BMW, Intel и Mobileye; Bosch; DAF, Daimler, Iveco, MAN, Scania, Volvo; Delphi; Ford; General Motors, Lyft; Google, Fiat Chrysler Automobiles; Honda; Hyundai; Jaguar Land Rover; Mercedes-Benz (Daimler AG); Microsoft; Nissan, Renault; Nvidia; PSA Groupe; Tata Elixsi; Tesla; Toyota; Uber; Volkswagen; Volvo; Yutong и другие.

Отдельной категорией компаний, которые могут быть заинтересованы в продукте, являются разработчики систем поведения беспилотного транспортного средства различных категорий (легковые автомобили, специализированные пассажирские транспортные средства, грузовые автомобили различной грузовместимости) под действием управляющих сигналов искусственного интеллекта. В России лидером по разработке таких систем является компания Cognitive Technologies. В мире наиболее известна фирма Mobileye, до недавнего времени сотрудничавшая с Tesla. Кроме того, продукт может представлять интерес для множества стартапов, занимающихся аналогичными разработками в интересах ведущих автопроизводителей.

Применяемое в продукте проекта решение актуально и для военных наземных беспилотных транспортных средств, которые могут быть предназначены для разведки и наблюдения, и/или огневой поддержки на местности. По оценкам аналитиков мировой рынок военных беспилотных наземных транспортных средств к 2026 году достигнет объема в 707,8 млн долл. (среднегодовой темп роста 4,76%).

По прогнозу аудиторской компании PriceWaterhouseCoopers, первые беспилотные автомобили появятся на дорогах уже через 3 года, в 2021. Однако их автономность будет неполной, водителю придется контролировать процесс езды в отдельных случаях. Спустя еще десятилетие, в 2030-х годах, транспортные средства перестанут нуждаться в человеке. А к 2040-му году транспортная система городов будет уже полностью беспилотной, то есть автономной.

Согласно исследованиям Json & Partners (при построении прогнозов принимались во внимание оценки таких компаний, как JP Morgan, BI Intelligence, Statista, PWC, HIS, BCG, GSMA, Navigant research, Continental AG, McKinsey, Lux Research, P&C, McKinsey и других), основной прирост рынок беспилотных автомобилей получит с 2025 года, когда крупные автопроизводители, особенно китайские, начнут массово запускать автономные автомобили. В стоимостном выражении ежегодные продажи самоуправляемых автомобилей вырастут с $13,65 млрд в 2017 году до $364,8 млрд к 2035 году. В региональной структуре основной объем самоуправляемых автомобилей будет приходиться на продажи в Китае, США и европейских странах.

В настоящее время повышенное внимание к концепции создания беспилотных наземных транспортных средств наблюдается и в российской автомобильной промышленности. Такие крупные отечественные автопроизводители, как КАМАЗ, Волгабас, ФГУП НАМИ, ведут проекты по созданию беспилотных транспортных средств в партнерстве с разработчиками систем автоматического управления (Google, Uber, Baidu, Cognitive Technologies, КБ Аврора и другие). Разрабатываемый проект уже получил поддержку компании ПАО «КАМАЗ», разработка велась при консультации команды, специализирующейся на интеллектуальных системах.

По оценкам рабочей группы «Автонет» НТИ, рынок частично и полностью беспилотных автотранспортных средств и комплексных решений и услуг на их основе к 2035 году достигнет 3 трлн долл. Сегменты: беспилотные транспортные средства специализированного назначения, сенсоры и специализированное программное обеспечение, системы управления транспортными потоками и интеллектуальными транспортно-логистическими системами, модульные грузоперевозки, кооперативные пассажироперевозки, новое поколение информационно-транспортных систем для БПТС, кастомизация БПТС, совершенствование старых транспортных средств.

Поскольку приоритетным направлением проекта является российский рынок, предлагаемая технология позволит глобально повысить конкурентоспособность российских производителей, что не только повысит уровень обеспечения населения российскими товарами высокого качества, но и способствует импортозамещению и импортоопережению.

В ходе реализации проекта произведена защита интеллектуальной собственности на все полученные патентоспособные результаты проекта. В частности, осуществлена государственная регистрация ПО «Программный модуль прогнозирования параметров движения беспилотного наземного транспортного средства» (номер свидетельства: 2018618510).

Отдельным направлением продвижения продукта на рынок будет развитие продукта для интеллектуальных систем управления других типов ТС, в частности беспилотных летательных аппаратов, подводных и надводных систем. Данное направление подразумевает тесное сотрудничество с рабочими группами НТИ «Автонет», «Технет», «Аэронет», «Маринет».