Veículos autônomos futuristas de aparência louca: realidade ou ficção?

Jason Marks Blocked Desbloquear Seguir Seguindo 3 de janeiro

Todos nós gostamos de imaginar uma utopia não tão distante onde somos conduzidos pelo mundo enquanto realizamos nossas tarefas diárias. As montadoras vêm insinuando uma revolução veicular na forma e função dos veículos há anos, e contrataram muitos designers talentosos para nos dar algo para pendurar na parede do nosso quarto:

2010 GM EN-V Concept ( Fonte ) Projeto Truck da Audi, “Plano B” ( fonte ) Tractor-Trailer Autónomo de Vários Segmentos da Volvo “AT404” Rendering (source)

E ainda melhor, montadoras e construtores de robôs criaram até mesmo alguns protótipos para ver, experimentar e ler sobre primeira mão:

O e-Palette de Toyota desvelado em CES 2018 ( fonte )

Mas, se você é como eu, você não acredita em todo o hype. Não há como pegar um Uber em uma cápsula de auto-equilíbrio de 2 rodas. Também não teremos um escritório totalmente equipado de 8 rodas que nos leve ao nosso próximo encontro. Não podemos viajar em ônibus de 20 segmentos, de Nova York a Los Angeles, que têm sua própria suíte de hotel em cada segmento. E por que teríamos robôs de entrega de supermercado com uma estranha combinação de rodas quando um carro de entrega funcionasse bem?

Vehcile da entrega do robô dos Starship Robotics (do artigo de Ahti Heinla AQUI )

… Mas e se pudéssemos? E se fizermos o experimento de pensamento sobre como essas engenhocas loucas podem realmente funcionar, e se não for tão irracional para alguém torná-las uma realidade?

Quero dizer, com certeza, podemos pensar em muitas bobagens tecnológicas para descrever como alguém pode construir algum veículo publicitário e vê-lo dirigir em um campo fechado, mas nossos órgãos reguladores nunca deixariam que isso acontecesse nas ruas, certo? Mais uma vez, vamos fazer o experimento mental sobre o que pode ser necessário para que o público e os órgãos reguladores considerem essas monstruosidades criativas como "seguras".

Ônibus de tráfico da China ( fonte )

Segurança

Vamos primeiro definir “segurança”. A segurança para automóveis é uma medida de como você pode estar confiante de que um ocupante de um veículo chegará do ponto A ao ponto B sem danos corporais ou de propriedade. Adicionamos recursos aos nossos automóveis desde a concepção para aumentar a segurança de nossos veículos e continuaremos a fazer melhorias. Aqui está uma lista rápida de alguns dos avanços tecnológicos que melhoraram a segurança dos automóveis ao longo dos anos:

  • Cintos
  • Airbags
  • Melhorias aerodinâmicas e de força descendente
  • Suspensão Independente
  • Compostos para Pneus
  • Freios a Disco
  • Materiais retardadores de fogo
  • Tecnologia de rigidez do chassi
  • Sistemas de Refrigeração de Água e Óleo
  • Frente, Traseira e Side Bater (Crumple) Zones
  • Sensores para pressão dos pneus, temperatura do motor, etc.
  • Desembaçador de Janelas
  • ABS
  • Controle de tração e estabilidade
  • Controle Anti-Wheelie (Motocicletas)
  • Suspensão Eletrônica
  • Indicadores de Driver
  • Notificação de serviços de emergência
  • Controle de cruzeiro adaptativo

Todas essas tecnologias permitiram que os veículos parassem, passassem e se voltassem mais responsivos para as entradas do motorista e, no caso de uma colisão, salvassem os passageiros de danos corporais adicionais.

Segurança e carros de corrida

Quase todos os avanços na tecnologia automobilística vêm dos carros de corrida. Tudo descrito acima tem sua origem nas corridas. Todas essas tecnologias têm a finalidade de fazer uma manobra de veículo em torno de uma pista mais rapidamente ou salvar a vida útil do motorista do carro de corrida, caso o veículo perca o controle.

Vale a pena notar que existem muitas tecnologias de corrida que não chegaram aos veículos de passageiros. Meu favorito pessoal é do engenheiro da Chevrolet, Jim Hall; onde para fazer um carro de corrida Can-Am passar por curvas mais rápido, ele colocou dois motores de snowmobile na parte de trás do carro e uma saia de plexiglass do corpo do carro para o chão, para que pudesse sugar o ar de debaixo o carro e criar um vácuo entre a parte inferior do carro e do solo. Foi dito que este carro poderia dirigir de cabeça para baixo. Isso foi claramente proibido nas corridas quase imediatamente, mas você tem que amar a inovação:

Chaparral 2J de Jim Hall ( Fonte )

Aqui estão alguns outros conceitos malucos de corridas:

Patente de Maurice Olley do GM para a suspensão traseira independente ( fonte )

Mas até mesmo carros de corrida eram restritos a 4 rodas (motocicletas a duas em linha reta), então há muito mais a aprender sobre como carros com diferentes configurações podem se comportar em circunstâncias limitadas por tração.

Auto-Condução de Carros e Segurança

Mas a segurança significa algo diferente para carros autônomos. Eu escrevi sobre isso extensivamente nesta série de 5 partes detalhando como podemos ter certeza de que carros autônomos estarão seguros. Em suma, a segurança para carros autônomos é a nossa confiança no software e hardware do veículo para tomar a melhor decisão possível em qualquer circunstância. Isso significa que o veículo precisa confiar no que está percebendo , ter certeza de que o caminho que o veículo planeja é o melhor caminho e aquele que o veículo pode executar e, então, confiar que, uma vez tomada a decisão, o veículo representará esse plano. . Esse é o núcleo do paradigma do senso-plano-ato na robótica.

Para que os órgãos diretivos e o público tenham confiança de que o veículo autônomo (AV) é seguro, precisamos de estatísticas e métricas para provar isso a nós. É provável que algum instituto padronize alguns cenários e métricas em torno do desempenho do sistema autônomo nesses cenários, mas isso ainda está por ser visto. Uma vez que tenhamos um padrão mensurável para “segurança” de veículos autônomos, podemos fazer uma reivindicação sobre a “segurança” dos veículos.

Hoje, usamos o "relatório de incidentes" ou "relatório de desligamento" como uma métrica que indica a segurança dos veículos autônomos. Essa é uma métrica que fornece uma quantidade de incidentes por milha percorrida, e geralmente comparamos esse número com as estatísticas que temos sobre o número de acidentes por milhas percorridas de veículos padrão. Esta pode ser uma comparação equivocada, pois toda vez que o motorista de segurança “desengata” a autonomia, outro incidente é verificado, o que um motorista pode fazer se o carro estava prestes a sofrer um acidente, apenas para garantir a segurança dos envolvidos. .

Para os fins desta discussão, vamos fingir que determinamos métricas para segurança de veículos autônomos, como descrito anteriormente, e vamos usar essa métrica livremente definida para comparar a segurança de nossos veículos-conceito malucos. Vamos supor também que consideramos os carros de passeio autônomos de 4 rodas como “seguros”. Isso fará mais sentido à medida que avançarmos.

Planejamento de Caminho

O núcleo do nosso problema de segurança está no Planejamento de Caminho. Assumimos que os sensores que são usados nos veículos de conceito maluco são os mesmos sensores que são usados em nossos carros autônomos hipotéticos “verificados seguros” descritos acima. Assumimos que o software usado para Localizar e Mapear Simultaneamente (SLAM) é também o mesmo (seguro!). Também assumimos que a fusão do sensor é idêntica. Acreditamos que os atuadores e os sistemas de controle PID para esses atuadores realmente farão o que lhes é dito.

Então, a única diferença agora é como o veículo planeja seu caminho, já que assumimos que as entradas para o planejador de caminho são as mesmas de um AV padrão. Mais geralmente, estamos discutindo como o veículo planeja quais comandos enviar para seus atuadores. Eu digo isso porque em um veículo padrão você tem três comandos principais que são enviados para os atuadores para dirigir o veículo:

  • Força do freio (%)
  • Força do Acelerador (%)
  • Ângulo de giro (graus ou%)

Às vezes, esses acionamentos vêm com um componente de velocidade ou aceleração para chegar a esses destinos definidos. No entanto, o tempo gasto em “transitório” ou em uma mudança de estado para estado do veículo deve ser minimizado, pois a solução para “estado estacionário” ou nenhuma chance nas saídas do planejador é muito mais simples. problema.

Não falaremos sobre os algoritmos específicos usados no planejamento de caminhos, já que esse tópico tem centenas de livros escritos sobre ele. Eu posso recomendar o seguinte para alguma leitura “leve” sobre o tópico:

https://github.com/mithi/robotics-coursework/blob/master/BOOKS.MD

Planejamento de caminho para veículos fora do padrão

Em um veículo fora do padrão, você poderia ter muito mais saídas:

  • Turn, Acceleration ou Braking por roda ou par de rodas

Direção das quatro rodas do furacão do jipe ( fonte )

  • Lastro ou giroscópios

Protótipo chinês "Gyrocar" por Zhu Lingyun ( fonte )

  • Controle Independente de Suspensão

Suspensão Totalmente Independente do Skyhook da Bose e do LaterMotion Mais Recente ( fonte )

  • Segmentos corporais de rolamento, guinada ou inclinação

Motocicleta de auto-equilíbrio e auto-condução da BMW ( fonte )

Consegue pensar em outrros?

Cada uma dessas saídas adicionais complica o planejador de caminho. Por complicação, queremos dizer complexidade de computação, que pode se mostrar de três maneiras. Em primeiro lugar, isso pode significar que é necessário mais tempo para computar os algoritmos de planejamento, o que provavelmente torna o veículo menos seguro porque retarda seu processo de decisão. Isso também pode significar que processadores maiores são necessários, consumindo mais energia do veículo e reduzindo o alcance. Isso também poderia significar que é necessária mais simplificação do algoritmo, o que poderia significar novamente que o algoritmo poderia tomar uma decisão incorreta e, assim, reduzir a segurança.

Dependendo dos algoritmos de planejamento de caminho empregados, alguns algoritmos poderiam se tornar um número de saídas adicionais mais complexo, e alguns poderiam ser dimensionados exponencialmente com o número de saídas adicionais. Esta é uma má notícia para a segurança do nosso veículo autônomo.

Portanto, devemos nos esforçar para limitar o número de atuadores apenas aos necessários para que o veículo cumpra sua função. Carros de 4 rodas já fazem isso de várias maneiras. Uma é ter apenas uma ligação que gira as duas rodas dianteiras. Outra é ajustar o ângulo de cambagem e caster dos pneus dianteiros para um local definido (ou um que tenha geometria consistente). Um carro poderia optar por ter um giro independente, cambagem e rodízio de cada roda, o que certamente melhoraria o desempenho do veículo, mas isso levaria a solução para o estado ideal em todos os cenários, o que é computacionalmente complexo.

Existem alguns exemplos em veículos de 4 rodas existentes que a atuação complexa é resolvida no paradigma “ato”. O ABS, por exemplo, recebe um comando de “freio tão pesado” do seu planejador de percurso (o humano ou robô) e lê a velocidade da roda de cada roda para determinar quão difícil realmente aplicar as quebras em cada roda. Controle de tração, controle de wheelie, vetorização de torque e suspensão independente funcionam dessa maneira. Resolvendo isso na seção “agir”, ele tira o fardo do planejador de caminho.

Diagrama do ABS ( fonte )

Então, primeiro limitamos o número de atuações possíveis para limitar as saídas da função de planejamento de caminho. Em seguida, agrupamos essas atuações de maneiras que podem ser desconectadas do próprio planejador. Por exemplo, podemos agrupar todas as funções de "freio" de cada roda em sua própria seção automatizada, de modo que o planejador de caminho diz "freie tão forte", outro sistema determina a dificuldade de aplicar os freios em cada roda. Se esta função requer mais do que 2–3 entradas da pilha de “sentido” por atuação, então ela provavelmente não pode ser simplificada o suficiente para ser seu próprio sistema e precisa fazer parte do planejador de caminho.

O ideal é chegarmos a um estado que tenha apenas 3 saídas do planejador de caminho: Acelerar, Freio e Virar. Então, subsistemas menores e computacionalmente simples determinarão quanto de cada um se aplica a cada atuador. Bons candidatos para esses subsistemas mais simples são os seguintes:

Então, vamos supor que todos os nossos planejadores de caminho de veículo possam ser simplificados como tal: as entradas do planejador de caminho “fora do padrão” são as mesmas do caso AV geral. As saídas ainda são freio, aceleração e giro, exatamente como seriam com um AV padrão. Existem subsistemas adicionais que lidam com atuações computacionalmente “simples” e as colocamos (para fins de discussão) no paradigma “ato”. Esses subsistemas são específicos do nosso veículo, mas escolhemos agrupamentos lógicos e diretos de atuações, que podem ser modelados de forma consistente e repetitiva. Isso é fundamental para a próxima etapa de nossa discussão.

A “caixa negra” do planejamento de caminhos

Eu disse que não entraríamos no âmago da questão do planejamento do caminho (veja: Kalman Filtering e Bayesian Statistics), mas há um tópico que não pode ser ignorado: como o planejador de caminho pode determinar qual é a melhor rota para esses veículos fora do padrão? qualquer cenário dado?

É aqui que as coisas ficam divertidas e um pouco malucas.

Um planejador de caminho de veículo autônomo de passageiro padrão pode saber exatamente o que é capaz em qualquer determinado cenário usando um campo de estudo chamado “dinâmica de veículo de multicorpos.” Você pode ler mais nisto em meu artigo aqui .

Anos de desenvolvimento de carros de corrida, software de dinâmica multibody de alto desempenho (como MSC Adams ou CarSim) e padrões SAE nos ajudaram a entender muito bem o que veículos com quatro rodas e com restrições farão em muitos cenários. Engenheiros tomam alguma simplificação desse problema muito complexo e conectam-no ao seu planejador de caminho para resolver caminhos ideais.

Se um carro estiver operando em seu caso de uso de 99%, esses algoritmos não precisam trabalhar muito, pois não é necessário calcular o limite do veículo. No entanto, no caso em que o carro deve fazer uma manobra de emergência, esses algoritmos devem funcionar com precisão, para evitar um incidente, enquanto permanecer dentro do limite do veículo. Se o carro calcular incorretamente o limite do veículo, ele pode entrar em um deslizamento incontrolável (superestimação) ou pode ter perdido um caminho de saída para um acidente trágico que o carro foi realmente capaz de executar (subestimação).

Vale a pena notar que mentes brilhantes como o Sandford Dynamic Design Lab de Chris Gerdes estão tentando entender melhor como deslizar em vários cenários para aumentar as possibilidades do caminho de um veículo, criando um DeLorean deriva automatizado, mas isso é uma história para outra época .

MARTY, o Drift DeLorean Autônomo ( fonte )

Dinâmica de veículos multicorpos para veículos fora do padrão

Então, como podemos determinar o que um carro conceito maluco pode fazer sem todo o estudo histórico que foi feito antes? Começaríamos com várias simulações com software de dinâmica de múltiplos corpos para determinar o limite dos pneus do nosso veículo em vários estados. Nós provavelmente também fazemos uma boa quantidade de álgebra linear (veja: Resolvendo Matrizes Jacobianas). Então, precisaríamos testar nossas descobertas em protótipos de veículos em vários cenários. Isso envolve a construção de veículos mula e potencialmente derrubá-los. Uma vez que modificamos nossos modelos a partir dos resultados dos testes, provavelmente temos uma série de algoritmos multidimensionais extremamente complexos. Isso seria muito computacionalmente complexo para colocar “em linha” dentro do planejador de caminhos do AV, então precisaríamos simplificar.

Modelo de bicicleta Simplificação de um veículo de 4 rodas ( fonte )

Não vou discutir todas as metodologias para simplificar os problemas de dinâmica de veículos (principalmente porque eu conheço muito poucos deles), mas uma metodologia usada para drones é a “tabela de consulta” para estimar o espaço de estados do veículo em um número restrito de cenários. Por exemplo, podemos configurar 10 valores diferentes de declives que o veículo pode estar percorrendo, 4 condições de estrada diferentes e 20 raios de giro diferentes. Isso nos daria (10 x 4 x 20) 800 limites diferentes do veículo para cada saída do planejador de caminho (1600 se girando em qualquer direção). Na verdade, esse número é muito maior, pois o número de cenários diferentes com os quais nos preocupamos é muito maior e o tamanho do passo é muito menor. Será ainda maior devido à complexidade dos estados em que o veículo fora do padrão poderia estar. Já que escolhemos "agrupamentos diretos e lógicos de atuações que podem ser modelados de forma consistente e repetitiva", ainda obteremos uma tabela de pesquisa dimensional nxmxo na memória que o planejador de caminho pode simplesmente extrair para determinar os limites de suas saídas em cada cenário.

Novamente, há várias maneiras diferentes de abordar esse problema, mas, em geral, precisamos criar simulações, testar essas simulações e criar um algoritmo simplificado que nos permita aproximar os resultados desses testes e simulações. Provavelmente, esses testes ocorrerão em pistas fechadas, como pistas de corrida, por isso voltaremos a esse patrimônio de corrida de uma forma ou de outra.

Como você pode imaginar, esse processo leva um bom tempo, então não esperamos conseguir chamar um veículo único de “seguro” a qualquer momento perto do início de seu desenvolvimento.

Nota Rápida sobre Aprendizado de Máquina

Há muitos que defendem a construção de um veículo de simulação ou mula e permitem que ele “descubra a si mesmo” o que é capaz em qualquer cenário. Não vou tocar muito sobre esse assunto, pois é muito complexo e certamente não sou especialista. Muitos argumentam se esta seria ou não uma abordagem mais eficaz às abordagens tradicionais da dinâmica multibody. Mas como um professor de astrofísica que projetou como os satélites se abrem para parar a rotação uma vez me disse: “você não aprende a física, usa as equações”. Provavelmente haverá algum elemento de aprendizado de máquina associado à determinação do veículo conceito louco. é capaz de, mas vamos alavancar equações de dinâmica de múltiplos corpos, simulações e testes como a espinha dorsal do que a IA apresenta. ML provavelmente nos dará melhores modelos mais rapidamente, não eliminará a necessidade dessa metodologia.

Colocando tudo junto

Então, o que fizemos? Nós alavancamos os mesmos elementos do AV Stack como um AV padrão de passageiro de 4 rodas. Nós arrancamos a parte do planejador de caminho que determina os limites do veículo padrão e substituiu isto com um para nosso veículo não padronizado. Também modificamos ou adicionamos subfunções adicionais no paradigma “agir” que consistem em “agrupamentos lógicos e diretos de atuações que podem ser modelados de forma consistente e repetitiva”.

Alguns veículos conceituais têm seu próprio conjunto de complexidades. Por exemplo, se você está construindo um corpo autônomo de duas rodas de auto-equilíbrio, assim:

Segway e GM Prototype Vehcile ( fonte )

Você teria que adicionar um subsistema de controle de autoequilíbrio que pega o freio, a aceleração e as saídas do planejador de caminho e as traduz em apenas comandos de acionamento de freio e aceleração para cada roda, tudo isso mantendo o veículo na vertical. Através de simulação e teste, você determina os limites do veículo para freio, aceleração e giro, levando em consideração o que o veículo deve ser capaz de fazer para si mesmo em qualquer cenário. Por exemplo, para parar ou desacelerar o veículo enquanto viaja em velocidade, você precisa que as rodas acelerem rapidamente para colocar o centro de massa do veículo atrás do ponto de contato, mantendo-o balanceado, enquanto ele diminui a velocidade. Pense em tentar correr enquanto equilibra um metro na palma da sua mão. Você precisaria mudar rapidamente a mão para frente se quisesse parar. Você pode imaginar que, se você está maximizando o RPM das rodas, você não seria capaz de parar sem se inclinar para frente, porque você não teria potência ou velocidade de roda suficientes para colocar o veículo na posição correta para ficar equilibrado. enquanto diminui ou pára. Tudo isso precisaria ser levado em conta no planejador de caminho.

Outro exemplo é o espaço de escritório automatizado:

Conceito “Office on Wheels” da Ikea Space10 ( fonte ) Conceito “Work on Wheels” da IDEO ( Fonte )

Para este, a maior prioridade é evitar que o passageiro fique enjoado, o que é comum entre os passageiros que lêem e trabalham em veículos em movimento. Há uma série de estratégias para dentro do espaço do escritório para ajudar com isso, mas vou falar sobre o que se aplica à pilha AV: suspensão totalmente ativa.

Diagrama de Controle do Corpo Ativo ( fonte )

A suspensão totalmente ativa trabalha para eliminar colisões no veículo, antecipando-as e movendo a roda com um atuador para cima ou para baixo, para eliminar a transferência do impacto para o chassi do veículo e, portanto, para o corpo do ocupante. Este tipo de suspensão também mantém o nível do veículo durante a curva, ou até mesmo faz o veículo inclinar-se em curvas de modo que o vetor de força experimentado pelo passageiro por gravidade, aceleração centrípeta e de frente para trás passe diretamente pelo centro do passageiro corpo.

Conceito i-Road da Toyota inclinando-se para uma curva ( fonte )

Você precisaria adicionar o controle de cada suspensão independente ao "subsistema de ações" e atualizar o planejador de caminho para produzir um valor de viragem, frenagem e aceleração que minimiza as forças resultantes que o passageiro sente. Naturalmente, ainda haverá um limite que consiste nas capacidades absolutas do veículo em situações de emergência, mas o caso de uso geral (os 99%) desejará manter o passageiro confortável e livre de enjôos durante o trajeto.

Realmente Acontecerá?

Nós fizemos isso. Criamos um veículo conceito futurista louco "seguro". Por que todo mundo não está fazendo isso?

Como você provavelmente pode imaginar, toda essa matemática, simulação e teste leva tempo e recursos significativos, e isso é apenas para adicionar automação. A maldita coisa ainda precisaria ser mecanicamente testada, o que é um projeto totalmente diferente.

Como já temos modelos que funcionam para as configurações padrão de veículos que estão aqui há mais de um século, é muito fácil usá-los. Não conserte o que não está quebrado, certo? Como a maioria dos veículos autônomos atualmente é apenas uma reforma dos veículos de produção existentes, a construção de um veículo novinho em folha teria um enorme investimento associado a ele.

Por que investiríamos toda a energia em projetar, desenvolver e testar esses veículos malucos? Já justificámos o benefício de o fazer?

Tractor de mudança de forma “Red Valtra” Concept Rendering ( source )

Provavelmente, a resposta é que não faremos isso tão cedo, simplesmente porque o mercado não exige isso. Certamente veremos mudanças incrementais no design e na função dos veículos, mas é improvável que vejamos uma modificação na função de etapa do projeto de veículos tradicionais. No entanto, basta um personagem maluco de “Jim Hall” para fazer algo muito melhor do que tudo que vimos antes e, em seguida, nossos sonhos infantis podem se tornar realidade. Talvez seja você!