Analýza stavu technologického vývoja autonómnych

vozidiel k roku 2020

Michal Sura

Autonomne vozidlo je motorové vozidlo, ktoré na riadenie svojho pohybu

nepotrebuje prítomnosť ľudského vodiča. Jeho jazdu riadia jeho vlastné palubné
počítačové systémy na základe informácii získaných zo senzorov zabudovaných vo
vozidle, informácii z lokálnych databáz, prípadne na základe informácii získaných zo
vzdialených databáz prostredníctvom komunikačných systémov. Autonómne vozidlo
môže jazdiť kdekoľvek a vykonávať akékoľvek činnosti, ktoré dokáže vykonávať vozidlo
riadené skúseným ľudským vodičom.

Prvé seriózne pokusy s automatizovanými systémami riadenia automobilov sa sa

začali uskutočňovať v 50-tych rokoch 20. storočia. Prvé poloautomatické vozidlo bolo
vyvinuté v roku 1977 japonskou v Tsukuba Mechanical Engineering Laboratory (1),
vozidlo jazdilo po špeciálne označených uliciach, ktoré boli nasnímané dvoma
kamerami a údaje boli spracované analógovým počítačom. Vozidlo dosahovalo
maximálnu rýchlosť až 30 kilometrov za hodinu.
Výskum v oblasti automatizovaných systémov riadenia vozidiel prebiehal v USA už od
60-tych rokov 20. storočia, bol financovaný predovšetkým organizáciou pre výskum
vojenských obranných technológií DARPA, americkou armádou a americkým
námorníctvom, čo prinieslo postupný pokrok v schopnostiach autonómnych vozidiel
operovať vyššími rýchlosťami, v zložitejších podmienkach, boli vyvinuté dokonalejšie
systémy senzorové systémy ako aj systémy automatizovaného riadenia. Veľký rozmach
v oblasti autonómnej mobility nastal až v roku 2009, kedy sa vývoju v oblasti
autonómnej mobility začala venovať spoločnosť Google, jej cieľom bolo vyvinúť prvý
komerčne dostupný autonómny systém riadenia vozidiel. Potom na pole výskumu a
vývoja autonómnej mobility vstúpila v roku 2014 spoločnosť Tesla a postupne sa pridali
takmer všetky významné automobilky, spoločnosti orientované na služby zdieľanej
mobility ako aj ostatné spoločnosti a výskumné ústavy orientované na vývoj riadiacich
systémov autonómnych vozidiel.
Bolo veľa pokusov definovať autonómnosť vozidiel, ale nakoniec sa ujala
definícia, ktorá bola publikovaná v roku 2014 v dokumente “Taxonomy and Definitions
for Terms Related to Driving Automation Systems for On-Road Motor Vehicles”
(revidovaný v rokoch 2016 a 2018) americkou organizáciou SAE International. V tomto
dokumente SAE International je definovaných šesť úrovní autonómneho riadenia
(obr.1), od manuálneho riadenia až po plne autonómne riadenie. Autonómneho riadenia
sa týka iba päť úrovní, lebo v prípade úrovne 0, vozidlo je plne riadené iba vodičom.
Úrovne autonómneho riadenia sú nasledujúce:

Úroveň 0 - Žiadna automatizácia

Vozidlo je plne riadené len vodičom, jazda vozidla môže byť vylepšená informačnými
alebo varovnými signálmi prichádzajúcimi zo senzorov (varovanie pred námrazou,
varovanie nízkeho tlaku v pneumatikách, varovanie zo strany senzorov parkovania,
atď.)

Úroveň 1 - Podpora vodiča

Vozidlo je riadené vodičom, no niektoré jazdné režimy môžu byť vykonávané
asistenčnými riadiacimi systémami (asistent sledovania jazdných pruhov, adaptívny
tempomat, systém automatického núdzového brzdenia, asistenčný systém parkovania,
atď.). Vodič musí byť ale stále pripravený kedykoľvek prevziať plnú kontrolu nad
vozidlom v prípade zlyhania alebo neštandardného správania sa asistenčných
systémov.

Úroveň 2 - Čiastočná automatizácia

Automatizovaný systém riadenia môže preberať úplné riadenie vozidla, môže napríklad
ovládať smer jazdy, akceleráciu, rýchlosť, brzdenie, atď., no s očakávaním, že vodič
stále sleduje priebeh jazdy a je stále pripravený zasiahnuť do riadenia vozidla v
prípade, keď dôjde k štandardnému správaniu sa alebo zlyhaniu automatizovaného
systému riadenia vozidla.

Úroveň 3 - Podmienená automatizácia

Automatizovaný systém riadenia uplne preberá kontrolu nad riadením vozidla, dokáže
sám zvládnuť situácie, ktoré vyžadujú okamžitú reakciu. Vodič sa nevenuje riadeniu a
nemusí sledovať priebeh jazdy, no musí byť stále pripravený zasiahnuť do riadenia
vozidla, ak ho k tomu vyzve automatizovaný systém riadenia. Prvým sériovo vyrábaným
vozidlom vybaveným autonómiou riadenia úrovne 3 sa stal v roku 2017 model Audi A8,
ktorý bol vybavený asistenčným systémom pre dopravné zápchy “Traffic Jam Pilot”. V
prípade jeho aktivovania, automatizované systémy riadenia prebrali plnú kontrolu nad
riadením vozidla. Tento systém fungoval len do rýchlosti 60 km/hod a len na diaľniciach
s pevnou bariérou medzi protismernými pruhmi. Spoločnosť Audi už ale nebude tento
systém ponúkať v ďalšej generácii modelu Audi A8 a to z technických a cenových
dôvodov.

Úroveň 4 - Vysoká automatizácia

Automatizovaný systém riadenia uplne preberá kontrolu nad riadením vozidla, dokáže
sám zvládnuť takmer všetky situácie, ktoré sa môžu vyskytnúť v cestnej premávke a to
aj bez toho, keď vodič nereaguje na požiadavku automatizovaného systému prebrať
riadenie vozidla. Vodič sa nevenuje riadeniu a ani nemusí sledovať priebeh jazdy, môže
napríklad spať alebo opustiť sedadlo vodiča. Výnimkou môžu byť situácie, napríklad v
prípade veľmi zlého počasia, kedy je lepšie aby riadenie autonómneho vozidla prevzal
ľudský vodič.

Úroveň 5 - Plná automatizácia

Automatizovaný systém riadenia plne preberá kontrolu nad riadením vozidla, dokáže
sám zvládnuť všetky situácie v cestnej premávke, ktoré je schopný zvládnuť ľudský
vodič. Prítomnosť vodiča už nebude vôbec potrebná. V interiéri vozidla sa nebude
nachádzať ani volant a ani žiadne ostatné vybavenie potrebné pre riadenie vozidla.
Typickými autonómnymi vozidlami spĺňajúce túto úroveň by mali byť v budúcnosti
napríklad robotické taxíky, vozidlá hromadnej dopravy, atď.

Obr.1
 SENZOROVÉ VNÍMANIE

Autonómne vozidlo sa v cestnej premávke pohybuje v jemu neznámom a

dynamicky meniacom sa prostredí. Senzorové vnímanie bezprostredného okolia
autonómneho vozidla sprostredkovávajú autonómnemu vozidlu detektory objektov -
senzory, autonómne vozidlá od rôznych spoločností zaoberajúcimi sa vývojom
autonómnej mobility, môžu používať rôzne sady senzorov (obr. 2a, 2b)

Obr.2a

Obr.2b
 Senzory používané na detekciu objektov v okolí autonómneho vozidla môžu byť
pasívne a aktívne. Pasívne senzory detekujú energiu emitovanú snímanými objektami
ako je radiácia, svetlo, teplo, atď. Aktívne senzory emitujú energiu potrebnú na detekciu
z vlastného zdroja a snímajú jej odraz od snímaných objektov.

Pasívne senzory

Videokamery slúžia na zachytávanie obrazových informácii z okolia autonómneho

vozidla. Systém detekcie objektov z videokamier je veľmi dobre prepracovaný a tak boli
pasívne senzory založené na kamerových technológiách jedny z prvých druhov
senzorov, ktoré sa začali používať v autonómnych vozidlach (obr.3).

Obr.3 (Zdroj obrázku: Nvidia)

Snímací element, ktorý slúži na snímanie vizuálnych informácii, známy ako obrazový
senzor, je realizovaný dvoma technológiami CCD (Charge-coupled device) alebo
CMOS (Complementary metal oxide semiconductor). (2) CCD technológia poskytuje
vyšší dynamický rozsah a vyššiu kvalitu obrazu a to hlavne v prostredí so slabým
osvetlením, CMOS senzory sa vyznačujú zasa nižšou spotrebou a hlavne nižšou
cenou. CMOS senzory sa podarilo postupom času zdokonaliť a odstrániť ich
nedostatky, takže dnes vo videokamerách sa prevažne používajú CMOS senzory
(obr.3).
 Z pohľadu vlnovej dĺžky, snímacie kamery môžu byť rozdelené na kamery
detekujúce elektromagnetické žiarenie v rozsahu viditeľného spektra (vlnová dĺžka 400
nm - 780 nm) a kamery detekujúce elektromagnetické žiarenie v rozsahu mimo
viditeľného svetla - v oblasti infračerveného spektra (vlnová dĺžka 780 nm to 1 mm)
(obr.4). Kamery s pasívnymi senzormi CMOS pracujúcimi v rozsahu viditeľného svetla
sa v autonómnych vozidlach používajú na identifikáciu objektov v spektre viditeľného
svetla, kamery s pasívnymi senzormi CMOS pracujúcimi v oblasti infračerveného svetla
(nazývané aj ako termokamery) v autonómnych vozidlach môžu byť použité v
situáciách, pri ktorých obyčajné CMOS snímače môžu byť zahltené vysokou intenzitou
svetla, napríklad pri výjazdoch z tunelov, vychádzajúcim alebo zapadajúcim slnkom,
diaľkovými svetlami protiidúcich automobilov. Tieto senzory môžu byť použité napríklad
aj na detekciu tepelnej stopy chodcov, zvierat, atď.

Obr.4 (Zdroj obrázku: Optronis)

Autonómne vozidla bývajú väčšinou vybavené viacerými videokamerami, ktoré

monitorujú okolie celého autonómneho vozidla, veľmi často sa používa riešenie, kedy
sa zorné pole sníma dvoma alebo aj viacerými kamerami orientovanými tým istým
smerom a po spracovaní obrazu, takéto riešenie umožňuje snímať 3D obraz (obr.5).

Obr.5 Stereo videokamera (Zdroj obrázku:Bosch)

Hlavnými výhodami videokamier s pasívnymi snímačmi sú (3):

- vysoké rozlíšenie a dobré farebné pokrytie v celej šírke zorného poľa

- konštantná snímková frekvencia v zornom poli
- dvojica videokamier môže poskytnúť 3D zobrazenie
- vysoká odolnosť voči rušeniu inými vozidlami
- nízka cena, vyrábajú sa vo veľkých seriach
- generované videosnímky sú ľahko spracovateľné

Hlavným nedostatkom videokamier vybavených pasívnych snímačmi je zhoršená

kvalita snímaného obrazu pri slabom osvetlení a v zhoršených poveternostných
podmienkach ako je napríklad hmla, dážď, sneh, atď.
Používanie videokamier ako senzorov jednotlivými spoločnosťami je rôzne.
Spoločnosť Tesla montuje celé série videokamier po obvode svojich autonómnych
vozidiel pre dosiahnutie čo najväčšieho množstva snímaných vizuálnych informácii z ich
okolia, no na snímanie používa aj iné druhy senzorov (radary). Londýnska startupová
spoločnosť Wayve, používa vo svojich autonómnych vozidlach iba videokamery, táto
spoločnosť tvrdí, že informácie získané iba z videokamier úplne postačujú pre bezpečný
pohyb jej autonómnych vozidiel v uliciach rušných veľkomiest. Aj ostatné spoločnosti
používajú pasívne videokamery ako zdroj informácii potrebných pre riadenie
autonómnych vozidiel, no spoliehajú sa aj na údaje získané z iných senzorov.
Dátový tok, v závislosti od počtu inštalovaných videokamier, dosahuje 500-3500 Mbit/s,
ktorý vytvára veľmi vysoké nároky na počítačové systémy inštalované vo vozidle vo
vozidle, ktoré sú potrebné na spracovanie tak vysokého toku veľkého dát. Videokamery
generujú podstatne viac dát ako ostatné aktívne senzory, čo je ich ďalšou nevýhodou
(4).

Aktívne senzory

Aktívne senzory emitujú energiu potrebnú na detekciu z vlastného zdroja smerom k

snímanému objektu a merajú odrazenú energiu od tohto snímaného objektu.

Podľa frekvencie emitovanej energie potrebnej na detekciu, ich delíme na:

Ultrazvukové senzory (obr.6) slúžia na meranie vzdialenosti objektov pomocou

využitia ultrazvukových vĺn vo frekvenčnom rozsahu 20 kHz až 40 kHz. Ultrazvukové
senzory merajú čas, ktorý uplynie od vyslania ultrazvukových vĺn smerom k snímanému
objektu a ich odrazu od snímaného objektu späť k senzoru. Na základe tohto času sa
dá vypočítať vzdialenosť snímaného objektu od ultrazvukového senzora.Tento senzor
má vlastný generátor ultrazvukových vĺn. Výhodami ultrazvukových senzorov je ich
nízka cena, kompaktné rozmery a spoľahlivosť (nemajú žiadne pohyblivé časti).
Presnosť merania nie je závislá od farebnosti alebo transparentnosti meraného objektu,
od atmosferických podmienok (dažďa, snehu, prachu, atď.) alebo od svetelných
podmienok. Nevýhodou ultrazvukových senzorov je ich kratší dosah (max. 8 metrov),
nevedia presne merať vzdialenosť objektov s geometricky členitým povrchom alebo
povrchom pokrytým mäkkým materiálom, ich presnosť je ovplyvnená aj rýchlymi
teplotnými zmenami (5). V autonómnych vozidlach ultrazvukové senzory našli využitie v
parkovacích systémoch alebo ako meracie senzory na krátke vzdialenosti pri nízkych
rýchlostiach.

Obr.6

Radar (RAdio Detection And Ranging) (obr.7) používa na meranie vzdialenosti objektov
rádiové vlny, ktoré sa šíria rýchlosťou svetla. Radarové vlny sa veľmi dobre odrážajú od
povrchu kovových predmetov. Presnosť merania radarom môže byť ovplyvnená
rušením alebo interferenciou radarových vĺn radarovými vlnami iných radarov.
Emitované radarové vlny sa nemusia všetky ideálne odrážať späť od objektov s
geometricky zakriveným povrchom, čo ovplyvňuje výsledok merania, v praxi dokonca sú
možné prípady, že povrch niektorých predmetov odrazí späť len minimum vyslaných
radarových vĺn alebo ich odrazí rôznymi smermi a tak sa tieto objekty môžu stať pre
radar “neviditeľnými” (je to známy princíp radarovej “neviditeľnosti” stealth lietadiel).
Výhodou radarov je ich relatívne nízka cena, spoľahlivá detekcia objektov aj za
zhoršených poveternostných a svetelných podmienok, je to dlhoročnou praxou overená
technológia detekcie objektov. Dosah radarov používaných v autonómnych vozidlach
býva až 300 metrov.
Obr. 7

Radarové systémy používané v autonómnych vozidlách pracujú na frekvenciach 24

GHz alebo 77-79 GHz.
Radary pracujúce na frekvencii 24 GHz sa nazývajú radary krátkeho dosahu a v
autonómnych vozidlach sa používajú na tieto účely:
- detekcia mŕtveho uhla (monitorovanie mŕtveho uhla)
- asistent udržiavania jazdného pruhu a asistent zmeny jazdného pruhu
- zadný radar, slúžiaci na varovanie pred kolíziou alebo na zabránenie kolízii
- parkovací asistent
- rozpoznávanie pohybu za vozidlom
Radary krátkeho dosahu nedokážu veľmi dobre detekovať priestorový tvar
objektov, takže rozlíšenie medzi viacerými detekovanými objektmi je veľmi obtiažne,
hlavne keď sa nachádzajú veľmi blízko seba. Pre tieto nedostatky nie sú radary
krátkeho dosahu vhodné na detekciu rozpoznávania tvaru a rozmiestnenia objektov (6).

Radary pracujúce na frekvencii 77-79 GHz sa nazývajú radary dlhého dosahu.

Technológia radarov dlhého dosahu pracujúcich na frekvenciach 77-79 GHz
zaznamenala v poslednom čase veľmi výrazný pokrok. Došlo k podstatnému zlepšeniu
funčnosti týchto radarov a tieto radary dlhého dosahu sú už schopné rozoznávať tvar
detekovaných objektov a dokonca sú už schopné rozpoznávať aj relatívne malé objekty,
ako sú napríklad chodci alebo cyklisti a dokonca aj smer ich pohybu. Tieto radary sú
schopné detekovať objekty v zornom poli 100° na vzdialenosť až 300 metrov. Tieto
vylepšenia eliminujú predchádzajúce obmedzenia známych u radarov krátkeho dosahu.
Na vylepšovaní radarov dlhého dosahu sa neustále pracuje, predpokladá sa, že radary
dlhého dosahu by mohli generovať radarový obraz s rozlíšením približujúcim sa
rozlišeniu lidaru a mohli by sa tak stať konkurenciou pre lidar alebo aj nahradiť lidar (7,
8), ktorému by konkurovali hlavne oveľa nižšou cenou, dosahom a konštrukciou bez
pohyblivých častí.
Radary dlhého dosahu sa v autonómnych vozidlach používajú v týchto aplikaciach:
- brzdový asistent
- núdzové brzdenie
- automatické riadenie vzdialenosti
- adaptívny tempomat

Lidar (LIght Detection And Ranging) používa na meranie vzdialenosti objektov laserové
svetlo emitované vo forme impulzov smerovaných ku detekovaným objektom. Ich
vzdialenosť je určená na základe merania času, ktorý uplynie od vyslania a príjmu
laserového lúčov odrazených od detekovaných objektov. Vlnová dĺžka laserových lúčov
emitovaných lidarmi sa najčastejšie pohybuje v oblasti infračerveného žiarenia (905 nm
- 1550 nm). Emitovanie laserových lúčov v oblasti okolo 905 nm si vyžadujú menej
energie ako emitovanie laserových lúčov v oblasti okolo 1550 nm, pretože vzdušná
vlhkosť, prítomná vo vzduchu, začína absorbovať energiu laserových lúčov od vlnovej
dĺžky približne 1400 nm, na prekonanie tejto absorpcie laserového svetla je preto
potrebné zvýšiť energiu vyžarovania. Laserové svetlo s vyššou vlnovou dĺžkou je ale
bezpečnejšie pre ľudský zrak, hoci jeho emitovanie je energeticky náročnejšie.
Napríklad laserové svetlo vlnovej dĺžky 1550 nm zablokuje už vlhký povlak ľudského
oka. Lidary používané v autonómnych vozidlach patria do kategórie laserových
zariadení triedy 1 (9).
Samotný princíp funkcie lidaru ako aktívneho senzoru v autonómnych vozidlach
je nasledujúci. Lidar nepretržite emituje 50000-200000 laserových impulzov za
sekundu, ktorými pokrýva sledovanú oblasť. Tieto laserové impulzy sa odrážajú od
snímaných objektov späť a po ich detekcii a spracovaní palubný počítač vytvorí 3D
obraz snímaného prostredia, kde je vizualizovaná dynamicky meniaca sa realita,
nachádzajúca sa v zornom poli snímača. Dosah lidarov v závislosti od použitej
technológie je až 250 metrov (obr.7).

Obr.7 (Zdroj obrázku:Velodyne)

Existuje niekoľko technológii skenovacích lidar technológii:

Mechanicky skenovací lidar (obr.8) na skenovanie objektov sa používa

elektromotorom poháňaný mechanický rotujúci zdroj laserového svetla. Na skenovanie
je možné použiť jeden otáčajúci sa laserový lúč alebo seriu viacerých otáčajúcich sa
vysielačov laserových lúčov. Mechanický skenovací lidar sa vyznačuje veľmi veľkým
dosahom, ktorý dosahuje 200 až 250 metrov a až 360 stupňovým pokrytím
horizontálneho zorného poľa. Jeho hlavnou nevýhodou je veľmi vysoká cena, relatívne
veľké rozmery a ako aj náchylnosť na mechanické poškodenie, pretože obsahuje
rotujúce časti. Mechanický lidar je dlhou praxou veľmi osvedčená technológia snímania
objektov.

Obr.8

Lidar s mikromechanickými zrkadlami (MEMS lidar) (obr.9) jeho princíp fungovania

je založený na odraze emitovaných laserových lúčov smerom do oblasti detekcie
mikroelektromechanickymi naklápacími sa zrkadielkami (MEMS). Uhol náklonu
zrkadielok sa dá meniť privedením napätia. Odrazené laserové lúče sú potom
zachytené na matricu zloženú z fotodiod a následne po ich detekcii a spracovaní sa
získa mapa sledovanej oblasti.
Tento druh lidaru sa zvykne označovať aj ako statický lidar, pretože neobsahuje žiadne
mechanický rotujúce časti, obsahuje iba elektromechanický systém vychyľovania
laserových impulzov. MEMS lidar predstavuje veľmi zaujímavú alternatívu k
mechanickému lidaru a to z hlavne z cenového ale aj z technického hľadiska. Je oveľa
lacnejší a rozmerovo oveľa menší ako mechanický lidar, navyše neobsahuje žiadne
rotujúce mechanické časti. ktoré sú náchylné na opotrebenie a poškodenie. Jeho
nevýhodou oproti mechaniskému lidaru je dosah, ktorý býva do 40 až 50 metrov.
Obr.9

Zábleskový lidar (Flash Lidar) (obr.10) osvetľuje celú scénu jedným zábleskom
laserových lúčov, ktoré sú rozptýlený difúzorom. Odrazené laserové svetlo je zachytené
detekčným rastrovým snímačom zloženým z fotodiod (10). Výhodou tohto druhu lidaru
je veľmi jednoduchá konštrukcia, malé rozmery a nízka cena. Jeho nevýhodou je nižšia
presnosť merania a takisto nižší dosah, ktorý sa pohybuje maximálne do 30-40 metrov.

Obr.10
Phased array lidar (obr.11) je z technického hľadiska veľmi zaujímavý typ lidaru, na
jeho vývoji, ktorého sa neustále pracuje. Zdroj laserového svetla napája cez svetlovody
(v ktorých sa dá meniť rýchlosť) seriu antén, ktoré môžu meniť smer a fázu laserového
lúča. To umožňuje spojiť laserové lúče vyžarovaných jednotlivými antenami a
nasmerovať ich do úzko smerovanej oblasti (11). Je dokonca možné vytvoriť viac
zväzkov lúčov, jeden zväzok laserových lúčov bude smerovaný napríklad na ľavú stranu
vozovky a druhý zväzok na pravú stranu vozovky, čo umožňuje veľmi selektívny zber
informácii z oblasti záujmu. Jeho výhodou je spomínané selektívne smerovanie
laserových lúčov, veľmi dobrá mechanická odolnosť, veľmi malé rozmery a cena. Jeho
nevýhodou je zatiaľ iba veľmi malý dosah, pohybujúci sa v laboratórnych podmienkach
rádovo len v metroch.

Obr.11

Presnosť merania všetkých vymenovaných druhov lidarov ovplyvňujú vonkajšie

poveternostné podmienky ako dážď, sneženie, hmla, atď. Do systému detekcie
odrazených lúčov, nevstupujú len vlastné odrazené laserové lúče, ale aj slnečné lúče,
lúče z protiidúcich vozidiel a prípadne aj laserové lúče z lidarov inštalovaných v
okoloidúcich vozidlách. Tieto vplyvy treba eliminovať na úrovni senzorov alebo na
úrovni spracovania dát alebo ich kombináciou. Je známe, že svetlo sa na optickom
rozhraní dvoch materiálov sa láme, odráža sa alebo sa časť z neho absorbuje. Pri
daždi, hmle alebo snežení sa môže stať, že laserové svetlo môže prejsť cez kvapku bez
zmenu smeru, môže zmeniť svoj smer mimo oblasť sledovania a už sa nevráti späť do
snímača, čo spôsobí zníženú schopnosť detekcie. Problematická situácia vznikne tiež
vtedy, keď sa laserový lúč odrazí od dažďovej kvapky späť do snímača, čo bude
detekované ako prekážka a pokiaľ algoritmus na spracovanie dát prichádzajúcich z
lidaru počas dažďa nie je schopný eliminovať tieto vplyvy, môžu data z lidaru detekovať
falošné objekty a ovplyvňovať jazdu autonómneho vozidla. Bolo zistené, že s
narastajúcou intenzitou dažďa, klesá dosah lidaru a narastá počet falošných
detekovaných objektov. Veľký problém môže predstavovať nečistota, voda alebo
námraza na optickom kryte lidaru, lidar musí byť schopný toto znečistenie detekovať a
vodiča varovať, že lidar kvôli nečistotám na optickom kryte nie je schopný poskytovať
presné data. Pohyb vozidla s nainštalovaným lidarom, ovplyvňuje presnosť určenia
polohy a rýchlosti skenovaných objektov. Tento jav sa nazýva Motion Scanning Effect,
princíp tohto efektu spočíva v tom, že lidaru trvá určitý čas, rádovo niekoľko milisekúnd,
pokiaľ sa prevedie kompletný sken sledovaných objektov, kedy laserové lúče naskenujú
celú scénu riadok za riadkom. Za niekoľko desiatok milisekúnd vozidlo, samozrejme v
závislosti od rýchlosti, prejde rádovo metre, to vytvára problem s určením presnej
polohy a tvaru skenovaného objektu, ako aj s určením, či je tento objekt dynamický
alebo statický. Preto je potrebné tento problem korigovať, namerané údaje je potrebné
predspracovať tak, že všetky namerané body sa transformujú do jednej referenčnej
súradnicovej sústavy, aby vznikol virtuálny obraz, ako keby sa vozidlo nepohybovalo a
meranie všetkých bodov prebehlo v jednom okamihu. Problém vplyvu pohybu na
skenovanie sa týka všetkých lidarov okrem flash lidaru, ktorý laserovými lúčmi osvetľuje
sledované objekty naraz a nie riadok za riadkom. Lidary majú ďalej problém detekovať
veľmi tmavé objekty, ktoré zle odrážajú alebo aj pohlcujú laserové lúče.

Výber senzorov
Ako sme mali možnosť vidieť, všetky spomínané senzory majú svoje klady a
nedostatky, žiaden z nich nemá také univerzálne vlastnosti, ktoré by vyhovovali všetkým
podmienkam, ktoré sa môžu vyskytnúť v cestnej premávke. Vozidlo musí byť schopné
detekovať prekážky v blízkosti vozidla a zároveň musí byť schopné snímať objekty od
neho vzdialené, musí byť schopné detekcie objektov aj vo veľmi náročných svetelných
a poveternostných podmienkach. Na spoľahlivú a bezpečnú prevádzku autonómneho
vozidla sa zvyčajne používa kombinácia viacerých druhov senzorov.
Spoločnosti zaoberajúce sa vývojom autonómnych vozidiel skutočne používajú viacero
druhov senzorov, ktoré rozmiesmiestňujú tak, aby využili výhody a prekonali nedostatky
konkrétnych senzorov.
Môžeme uviesť niektoré príklady aké kombinácie senzorov používajú niektoré
spoločnosti.
Tesla Model 3 má nainštalovaný predný radar, 8 videokamier, ktoré snímajú
vozidla, chodcov, dopravné značky, čiary, atď., ako aj poskytujú 360 stupňové pokrytie
okolia vozidla, 12 ultrazvukových senzorov detekujúcich prekážky v okolí celého
vozidla. Spoločnosť Tesla vo svojich autonómnych vozidlach vôbec nepoužíva lidar,
pokladá za ho za veľmi drahý a nepotrebný aktívny senzor, ktorého funkčnosť sa, podľa
jej tvrdenia, dá nahradiť oveľa lacnejšími videokamerami.
 Uber-Volvo XC90 používa 1 mechanicky rotujúci lidar s 360 stupňovým pokrytím,
10 radarov a 7 videokamier.
Waymo (Google) používa 1 mechanicky rotujúci lidar s 360 stupňovým pokrytím,
4 lidary krátkeho dosahu, predný a zadný radar, 9 videokamier s 360 stupňovým
pokrytím.
Wayve používa sériu videokamier s 360 stupňovým pokrytím, v svojom riešení
autonómnej jazdy nepoužíva ani radar a ani lidar, spolieha sa na informácie získané iba
videokamerami.

Pri výbere senzorov treba brať do úlohy aj objem dát, ktoré generujú jednotlivé druhy
senzorov (12), uvádzame prehľad senzorov z hľadiska množstva generovaných dát:

radar 0.1 - 15 Mbit/s

lidar 20-100 Mbit/s
videokamera 500-3500 Mbit/s
ultrazvuk <0.01 Mbit/s

Z uvedeného zoznamu vyplýva, že jednoznačne najnáročnejším senzorovým

systémom, čo sa týka objemu produkovaných dát, je videokamerový systém. Obzvlášť
veľký objem dát generujú stereoskopické videokamery, jedná sa o dve alebo aj viacej
kamier, ktoré sú voči sebe posunuté v horizontálnej alebo vertikálnej rovine. Takýto
senzorický kamerový systém simuluje funkciu ľudského zraku, umožňuje
trojdimenzionálne vnímanie sledovaného prostredia, pomocou neho sa dajú merať
vzdialenosti sledovaných objektov. Takýto kamerový systém produkuje obrovské
množstvo dát, ktorých spracovanie si vyžaduje veľmi vysoký výpočtový výkon na úrovni
superpočítačov, autonómne vozidlá spočiatku využívali na spracovanie tak obrovského
množstva dát skutočne výpočtový výkon superpočítačov, s ktorými boli spojené
bezdrôtovo pomocou komunikačných systémov, neskôr, keď nastal veľký pokrok v
oblasti vývoja superrýchlych videoprocesorov a technológii spracovania obrazových
informácii, tak sa začali obrazové informácie získané z videokamier, spracovávať
priamo v palubných výpočtových systémoch umiestnených na palube autonómnych
vozidiel. Palubné počítačové systémy autonómnych vozidiel dosahujú teraz už takmer
výkon superpočítačov. Spoločnosti zaoberajúce návrhom a výrobou palubných
počítačových systémov autonómnych vozidiel neustále pracujú na zvyšovaní ich
výkonu, znižovaní spotreby a ich miniaturizácii.
 LOKALIZÁCIA

Určenie polohy autonómneho vozidla nazývame lokalizácia. Autonómne vozidlo

musí byť neustále schopné veľmi presne sa orientovať v priestore, v každom okamihu
musí presne poznať svoju polohu. Najčastejšie používanou metódou lokalizácie je
satelitná navigácia, ktorá poskytuje všeobecný referenčný rámec pre miesto, kde
presne na planéte sa autonómne vozidlo nachádza (obr.11).

Obr. 11 (Zdroj obrázku:Bosch)

Existujú rôzne globálne navigačné satelitné systémy (GNSS), ako napríklad americký
GPS, ruský GLONASS, európsky Galileo alebo čínsky Beidou, ktoré poskytujú
informácie o polohe s horizontálnym a vertikálnym rozlíšením s presnosťou niekoľkých
metrov.
Americký GPS garantuje chybu pri určení polohy do 7.8 metra, jeho priemerná chyba je
menej ako 0.71 m (15). Systém Galileo, ktorý keď bude raz dokončený, bude mať
presnosť merania do 1 metra. Vyššia presnosť merania polohy by sa dala dosiahnuť
napríklad kombináciou merania polohy príjmom signálu z viacerých GNSS. Pre určenie
pozície autonómneho vozidla pomocou využitia GPS sa používa princíp triangulácie
signálov prijímaných zo satelitných navigačných družíc. Satelitné navigačné družice
konštantne vysielajú údaje o presnom čase a svojej presnej polohe na obežnej dráhe.
GPS prijímač vypočítava vzdialenosť od satelitnej družice na základe presného merania
času, za ktorý signál zo satelitnej družice doletí do GPS prijímača. Po prijatí a
vyhodnotení signálov z minimálne troch alebo štyroch družíc, GPS prijímač pomocou
triangulácie vypočíta svoju globálnu polohu na zemi.
Aj keď sú GNSS systémy pomerne presné, ich presnosť môže byť ovplyvnená rôznymi
meteorologickymi podmienkami alebo odrazmi signálov. GNSS signály môžu byť
dokonca aj totálne blokované pri jazde v tuneloch, pod mostami, v úzkych dolinách
alebo v uliciach s veľmi vysokými budovami. Pri výpadku GPS signálu je potrebné
vypočítať aktuálnu polohu autonómneho vozidla za pomoci inerciálnych systémov, ktoré
sú integrované v autonómnych vozidlách. Princípom fungovania inerciálnych systémov
je sledovanie dráhy vozidla meraním rýchlosti, zrýchlenia, uhlovej rýchlosti,
magnetického poľa, atď. od miesta, kde bola naposledy zmeraná poloha pred
výpadkom signálu GPS. Na základe merania rýchlosti rýchlomerom, merania zrýchlenia
akcelerometrom, merania uhlovej rýchlosti gyroskopom, merania magnetického poľa
magnetometrom, atď. je možné z týchto dát získaných meraniami s určitou presnosťou
určovať polohu autonómneho vozidla až do doby opätovného príjmu GPS signálu. V
prípade absencie signálu GPS, zlyhania inerciálnych systémov je autonómne vozidlo
ešte stále schopné určiť svoju polohu napríklad využitím matematickej procedúry zvanej
“dead reckoning”, ktorá určuje novú polohu autonómneho vozidla na základe poslednej
známej polohy a merania prejdenej vzdialenosti, na základe známeho obvodu kolies,
merania otáčok, merania rýchlosti, uhla natočenia kolies, smeru jazdy, atď. Presnosť
určenia polohy touto metódou je závislá na presnosti merania vyššie spomínaných
veličín, presnosť určenia polohy klesá s narastajúcou prejdenou vzdialenosťou, táto
metóda slúži len ako veľmi núdzové riešenie lokalizácie polohy, potrebnej na preklenutie
doby bez príjmu GPS signálu.
Lokalizácia autonómneho vozidla sa po globálnej lokalizácii pomocou GPS
prijímača dá ďalej spresňovať za pomoci využitia máp. Pomocou triangulácie
vzdialenosti objektov zachytených v digitálnych mapových podkladoch, ktoré sú
namerané senzormi autonómneho vozidla, je možné určiť presnú lokalizáciu
autonómneho vozidla. Dnes sú pre navigáciu veľmi rozšírené mapové služby Google
Maps, OpenStreetMap, Bing Maps, atď. Tieto digitálne mapy so svojim rozlíšením,
väčšími či menšími chybami plne postačujú pre navigáciu obyčajných vozidiel, avšak
autonómne vozidlá potrebujú mapy s oveľa vyšším rozlíšením, tieto mapy sa nazývajú
HD mapy (obr.12). HD mapy potrebujú mať zachytené všetky detaily s presnosťou
menšou ako 10 cm, potrebujú mať zachytené napr. šírky vozoviek, šírky križovatiek,
presné polohy semaforov, dopravných značiek, domov, stromov, atď. Digitálne HD mapy
majú zmapovanu realitu v 2D vrstvách, ako aj v 3D vrstvách, ktoré ponúkajú informácie
o priestorovej realite, napríklad o výškových reliefoch cesty, čo umožní autonómnym
vozidlám upravovať parametre jazdy, zmenou rýchlosti napr. pred prudkým stupanim
alebo prudkým klesaním, pri prejazde zákrut, ktorých klopenie bude im dopredu známe
z údajov HD mapy, atď.
Obr.12 (Zdroj obrázku:Bosch)

Ďalšou výhodou používania HD map je v tom, že vďaka detailnému zmapovaniu

statických objektov v smere jazdy, sa môže autonómne vozidlo viac sústrediť na
pohybujúce sa objekty (16)
Ak má byť pohyb autonómnych vozidiel riadený na základe údajov získaných z
digitálnych HD máp, tak to kladie veľmi vysoké nároky na presnosť a hlavne aktuálnosť
3D mapových podkladov, pretože môže dochádzať k zmenám cestnej infraštruktúry a
všetky tieto zmeny by mali byť zachytené v digitálnych HD mapách. HD mapy vytvárajú
rôzne spoločnosti zaoberajúce sa mapovaním dopravnej infraštruktúry a za používanie
nimi vydaných presných digitálnych HD máp si zvyčajne účtujú poplatky.
Spoločnosti, ktoré sa zaoberajú vývojom autonómnych vozidiel sú rozdelené z
hľadiska dôležitosti používania presných HD map pre lokalizáciu a autonómnu jazdu.
Pre niektoré spoločnosti sú HD mapy nevyhnutné pre lokalizáciu a autonómnu jazdu,
iné spoločnosti sa snažia vyhnúť používaniu presných digitálnych HD máp pre
lokalizáciu a navigáciu. Napríklad spoločnosť Tesla nateraz nepoužíva presné HD mapy
od spoločností poskytujúcich HD mapy, lebo ich pokladá za drahé a nechce byť závislá
na dodávke HD map. Spoločnosť Tesla pre lokalizáciu používa satelitnú navigáciu a
komunitné digitálne mapy vytvorené flotilou automobilov Tesla (tento systém
komunitného mapovanie si rozoberieme neskôr), údaje z kamier a senzorov.
Spoločnosť Wayve takisto nepoužíva na lokalizáciu a autonómnu jazdu HD
mapy, na orientáciu a lokalizáciu používa iba satelitnú navigáciu a údaje z kamier. Jej
autonómne vozidla sa učia jazdiť podľa vzoru jazdy ľudských vodičov, učiace sa
algoritmy kopírujú jazdu, zásahy a správanie sa ľudských vodičov (17).
Na základe informácii získaných zo senzorov autonómneho vozidla, kamery,
radaru, lidaru, atď. je autonómne vozidlo schopné určiť svoju lokálna pozíciu voči
statickým alebo pohybujúcim sa objektom v jeho najbližšom okolí. Na základe súradníc
získaných pomocou GPS navigácie, je možné umiestniť polohu autonómneho vozidla
do digitálnej mapy. V reálnom živote dochádza k väčším či menším zmenám dopravnej
infraštruktúry alebo okolia ciest, napríklad postavením budov, ktoré môžu napríklad
slúžiť ako nové orientačné body. Každá takáto zmena reality, by mala byť zachytená do
digitálnej mapy, a zmenu by mali previesť spoločnosti, ktoré sa zaoberajú vydávaním
digitálnych máp, každé nové mapovanie by spoločnosti trvalo nejaký čas, čo sa javí ako
nepružné pre užívateľov a aj finančne nákladné pre mapovú spoločnosť. Existuje aj iný
spôsob ako zabezpečiť kontinuálnu aktualizáciu digitálnych máp využitím algoritmu
SLAM (simultaneous localization and mapping) (obr.13), ktorý by sa dal preložiť ako
kontinuálna lokalizácia a mapovanie. Každú zistenú zmenu reality môže okamžite
previesť do digitálnej mapy každé autonómne vozidlo, ktoré danou oblasťou prechádza,
stačí ako jeho palubný počítačový systém má spustený chod algoritmu SLAM, túto
zmenenú digitálnu mapu potom môže zdieľať s ostatnou komunitou autonómnych
vozidiel.

Obr.13
SLAM princípom fungovania algoritmu SLAM je taký, že autonómne vozidlo sa orientuje
na základe údajov, ktoré získava z poskytnutej digitálnej mapy, ale zároveň súčasne
svojimi senzormi mapuje priestor, v ktorom sa momentálne pohybuje. Dáta z
poskytnutej digitálnej mapy a dáta, ktoré autonómne vozidlo získalo zo svojich
senzorov, sa následne porovnajú a vzajomne prepoja a ak boli zaznamenané zmeny,
tak dôjde k aktualizácii poskytnutej mapy do novej podoby. To znamená, že autonómne
vozidlo, riadi svoj pohyb na základe údajov z poskytnutej digitálnej mapy, ale ju aj
zároveň upravuje, pri vyskytnutí zmien, takže pri každom prejazde autonómneho
vozidla určitým úsekom, je mapa tohto úseku sa stále spresňuje (13). Výsledkom
aplikácie algoritmu SLAM je skutočnosť, že čím viac sú niektoré úseky autonómnymi
vozidlami prechádzané, tým presnejšiu a dokonalejšiu digitálnu mapu majú k dispozícii.
Ak je autonómne vozidlo, ktoré zistilo zmeny v mape, pripojené cez komunikačné
systémy do cloudového mapového priestoru, tak sa môžu okamžite previesť zistené
zmeny v digitálnych mapách a aktualizované mapové podklady sú k dispozícii ostatným
autonómnym vozidlám. Komunitný zber dát autonómnymi vozidlami môže teda
generovať veľmi presné digitálne mapy, ktoré môžu byť k dispozícii komunite
autonómnych vozidiel. Autonómne vozidla Tesla využívajú komunitný zber dát na
vytvorenie veľmi presných digitálnych mapových podkladov (14). Ako bolo spomínané
vyššie, detailné digitálne HD mapové podklady sú pomerne drahé, je potrebné ich
aktualizovať, spoločnosť Tesla nateraz nepoužíva HD digitálne mapy, spolieha sa na
vlastné komunitné mapovanie a update svojich komunitných digitálnych máp vlastnými
autonómnymi vozidlami.

Algoritmy riadenia autonómnych vozidiel

Algoritmy riadenia autonómnych vozidiel sa dajú rozdeliť na dve hlavné skupiny a to

klasické sekvenčné algoritmy riadenia a end-to-end algoritmy riadenia

Sekvenčný algoritmus riadenia autonómneho vozidlá, jeho princíp spočiva v tom, že

globálny algoritmus riadenia je rozdelený na jednotlivé na seba nadväzujúce
komponenty v ktorých jednotlivé lokálne algoritmy riešia úlohy senzorové vnímania,
lokalizácie a mapovania, plánovania cesty a ovládania vozidla. Každá táto úloha je
spracovaná konkrétnym blokom software, pričom výstup z každého bloku software je
vstupom do ďalšieho bloku software (obr.14). Podobne ako ľudský vodič využíva svoj
zrak na pozorovanie dopravnej situácie, v ktorej sa nachádza, aj komponenta
senzorového vnímania využíva senzory zabudované v autonómnom vozidle na
nepretržité skenovanie okolitého prostredia, v tejto komponente sú zahrnuté aj funkcie
detekcie prekážok, rozpoznávania dopravných značiek, detekcie značenia jazdných
pruhov, atď. Úlohou komponenty lokalizácie a mapovania je neustále určovanie polohy
autonómneho vozidla na základe údajov zo senzorov, napr. GPS senzorov a digitálnych
mapových podkladov. Komponenta plánovania cesty využíva výstupy z komponenty
senzorového vnímania a komponenty lokalizácie a mapovania na generovanie
optimálnej bezpečnej trasy pohybu vozidla. Nakoniec je tu komponenta ovládania
vozidla, ktorá má za úlohu ovládanie riadenia mechaniky a kinetiky celého
autonómneho vozidla, ako je napríklad uhol natočenia kolies, zrychlenie, spomalenie,
brzdenie, cúvanie, ovládanie ukazovateľov smeru jazdy, atď.

●
Obr.14

End-to-end algoritmus riadenia (obr.15), jeho princíp spočíva v tom, že autonómne

vozidlo je riadené neuronovými sieťami využívajúcimi strojové učenie, kde všetky úlohy
senzorové vnímania, lokalizácie a mapovania, plánovania cesty a ovládania vozidla sú
spracované v jednom balíku software.

O tom, ktorý z týchto dvoch algoritmov riadenia je vhodnejší pre riadenie

autonómnych vozidiel je predmetom mnohých diskusii. Tradičný sekvenčný algoritmus
autonómneho riadenia rozloží tento proces na niekoľko čiastkových procesov a každý z
nich je postupne seriovo spracovávaný a celý proces riadenia je veľmi prehľadný z
hľadiska prevádzky a vyladenia algoritmov.
Riadiaci algoritmus end-to-end, sa stal predmetom veľkého záujmu, ako
potenciálne riešenie všetkých problémov, ktoré sú spojené s riadením autonómnych
vozidiel. Algoritmus end-to-end je založený na filozofii neustáleho iteratívneho
strojového učenia. Filozofia algoritmu end-to-end sa pokúša vytvoriť systém algoritmu
riadenia v jednom komplexnom softvérovom balíku, v ktorom sú výstupy zo senzorov
vnímania priamo namapované za pomoci funkcii strojového učenia na výstupy riadenia
autonómneho vozidla (18). Pomocou algoritmu strojového učenia end-to-end, môžu byť
výstupy zo senzorov, napríklad vizuálne informácie prichádzajúce z videokamier
pomocou funkcii strojového učenia priamo namapované na povely riadenia
autonómneho vozidla, napríklad na zmenu uhla natočenia kolies, brzdenie, zrýchlenie,
atď.. Z dôvodu zdokonaľovania a neustáleho vylepšovania metód strojového učenia, sa
end-to-end algoritmus riadenia pohybu autonómneho vozidla javí ako veľmi
perspektívny. Existujú rôzne end-to-end samoučiace sa metódy, ktoré trénujú
neurónové siete na vydávanie povelov pre riadenie autonómnych vozidiel, ako sú
napríklad Convolutional Neural Networks, Deep Learning, Deep Reinforcement
Learning, atď., ktorých funkcie si vysvetlíme nižšie.

Obr.15

Riadiaci systém autonómneho vozidla vydáva povely pre riadenia autonómneho

vozidla na základe údajov extrahovaných zo senzorov (videokamera, lidar, radar), pre
rôzne senzory sa používajú aj rôzne algoritmy na spracovanie nimi poskytnutých
informácii.

Videokamera - existuje niekoľko algoritmov, ktoré je možné použiť na identifikáciu

objektov na nasnímanom obraze. Najjednoduchšou metódou je detekcia hrán. Hrany sú
miesta, kde prudko mení jas (obr.16). Problem tohto algoritmu je v tom, že pri nízkej
intenzite svetla (napríklad za zhoršeného počasia alebo v noci) tento algoritmus
nefunguje veľmi dobre, pretože sa spolieha na rozdiely v intenzite svetla a pri zníženej
viditeľnosti hrany objektov splývajú s pozadím. Ďalším nedostatkom tejto metódy, sú
veľmi vysoké nároky na výpočtový výkon, pretože videozáber z videokamery je vlastne
sekvencia niekoľko desiatok snímok za sekundu, z ktorých každý jeden musí byť touto
metódou analyzovaný (19).
Obr.16

Lidar - tento senzor sníma odraz ním vyslaných laserových lúčov od snímaných
objektov (obr.17a), porovnaním dvoch bodových cloudov, nasnímaných v nasledujúcich
okamihoch, sa dá zistiť, ktoré objekty sa posunuli bližšie alebo ďalej od snímača (obr.
17b). Použitím algoritmu “iterative closest point”, je možné vypočítať transformáciu
medzi dvoma cloudami bodov, čo umožňuje vypočítať pohyb alebo rotáciu objektu.

Obr.17a
Obr.17b
Hore Uvedené metódy na identifikáciu objektov na nasnímaných snímkach sú pre
autonómnu jazdu použiteľné (aj keď s určitými obmedzeniami), ale ich hlavnou
nevýhodou je, že na identifikáciu objektov je potrebný pomerne veľký výpočtový výkon,
výpočty trvajú určitý čas, čo v prípade autonómneho vozidla, ktoré sa pohybuje takmer
stále v neustále dynamicky meniacom sa meniacom prostredí, je čas výpočtu a
vyhodnotenia veľmi kritická hodnota. Tieto metódy metódy sa zaoberajú len detekciou
objektov, to znamená, že vedia identifikovať len geometrické rozmery a polohu
snímaných objektov, v zásade sa nezaoberajú s ich bližšou identifikáciou a skúmaním,
nezaoberajú sa klasifikáciou detekovaných objektov.
Čiže tu vidíme, aká dôležitá je klasifikácia objektov, k jednotlivým identifikovaným
klasifikovaným objektom je možné priradzovať ich vlastnosti, ich znaky správania sa, na
základe ktorých môže umelá inteligencia vykonávať rozhodnutia, podobné ako
vykonáva človek.
Snahou spoločnosti vyvíjajúcich autonómne vozidlá je vytvoriť výpočtový systém,
ktorý by simuloval funkciu ľudského mozgu, jeho neurónovú sieť, jeho pamäť, jeho
trénovacie a samoučiace sa procesy. Ich cieľom je vytvoriť technológiu umelej
inteligencie, ktorú bude charakterizovať autonómnosť a adaptívnosť, čiže schopnosť
samostatne sa rozhodovať a prispôsobovať sa aktuálnym podmienkam na ceste, jej
kvalite, hustote premávky, poveternostným, svetelným podmienkam, vyhýbať sa
prekážkam, atď. Umelá inteligencia sa nebude pri riadení autonómneho vozidla
spoliehať iba na predtrénované data, ale bude schopná pomocou samoučiacich
procesov trénovať samu seba a svoje natrénované dáta, svoje vedomosti bude môcť aj
zdieľať aj s komunitou ďalších autonómnych vozidiel.

V súčasnej dobe sa aplikuje niekoľko algoritmov strojového učenia v autonómnej

mobilite. Najčastejšie používané metódy strojového učenia aplikované pre účely
autonómneho riadenia sú napríklad Convolutional Neural Networks (CNN), Recurrent
Neural Networks (RNN) a Deep Reinforcement Learning (DRL) (20).

Convolutional Neural Networks (CNN) sa používa hlavne na spracovanie

nasnímaných informácii a priestorových informácií, na identifikáciu objektov a extrakciu
zaujímavých znakov zo sledovaného prostredia. Strojové videnie sa snaží na snímke z
videokamery o klasifikáciu a detekciu objektu alebo objektov. Konvolučné neurónové
siete sú tvorené konvolučnou vrstvou, ktorá je tvorená sériou filtrov, pričom filtre na
nižších úrovniach slúžia na detekciu jednoduchších štruktúr ako je napríklad
rozpoznávanie hran, no filtre na vyšších úrovniach už slúžia rozpoznávanie
komplexnejších štruktúr. Na seriu konvolučných vrstiev sú napojené klasifikačné alebo
regresné vrstvy, ich výstupom je pravdepodobnost priradenia klasifikačných tried
(objektov) ku vstupnej snímke (obr.18).

Obr.18

Recurrent Neural Networks (RNN) sú neurónové siete, kde sa výstup z

predchádzajúceho kroku privádza ako vstup do aktuálneho kroku. V tradičných
neurónových sieťach sú všetky vstupy a výstupy navzájom nezávislé. Tieto neurónové
siete sa hlavne hodia na spracovanie videoinformácii.

DRL je kombináciou metód Deep Learning (DL) and Reinforcement Learning (RL), táto
metóda umožňujú softvérovo definovaným „agentom“ naučiť sa robiť čo najlepšie kroky
na dosiahnutie svojich cieľov vo virtuálnom prostredí pomocou funkcie odmeňovania.
DRL je ešte stále vo vývojovom štádiu, pokiaľ ide o aplikáciu v autonómnych vozidlach
 Tieto algoritmy strojového učenia sa nemusia používať samostatne, spoločnosti
vyvíjajúce autonómne vozidlá používajú kombinácie algoritmov strojového učenia alebo
aj ich hybridné formy, pomocou ktorých sa snažia pomocou zvýšiť úspešnosť
identifikácie sledovaných objektov a nasadením algoritmov strojového učenia sa snažia
aj znížiť nároky na výpočtové systémy palubných počítačov.

Zber dát a učenie, aby bolo možné tieto algoritmy strojového učenia použiť v praxi pre
riadenie autonómnych vozidiel, je potrebné ich naučiť riešiť situácie, ktoré predstavujú
realistické scenáre. Autonómne automobilové a výskumné spoločnosti zaoberajúce sa
autonómnou mobilitou ako Aptiv, Lyft, Waymo a Baidu voľne sprístupnili množstvo
súborov so sémantickou segmentáciou pouličných objektov, klasifikáciou značiek,
detekciou chodcov, atď., tento krok pomohol významne posunúť vpred možnosti
algoritmov strojového učenia.
Jedným zo spôsobov zberu dát, ktoré slúžia pre strojové učenie, je použitie
automobilu riadeného ľudským vodičom. Snímače snímajú informácie o prostredí,
ktorým automobil riadený ľudským vodičom prechádza, ale súčasne palubný počítač
zaznamená hodnoty snímačov pochádzajúce z pedálov, volantu ako aj všetky ďalšie
informácie. Snímajú a monitorujú sa reakcie vodiča v rôznych dopravných situáciách.
Všetky tieto zozbierané informácie sa kontrolujú, verifikujú, analyzujú a spracovávajú
pre ďalšie použitie v rámci strojového učenia algoritmov riadenia autonómnych vozidiel.
Ďalším spôsobom je využitie simulátorov na zber dát pre strojové učenie. Na
simulátoroch je možné simulovať tisícky virtuálnych dopravných situácii, čím sa ušetria
náklady, no problém je v tom, že tieto virtuálne dopravné situácie niekedy nie vždy
veľmi odpovedajú reálnym dopravným situáciám.

VÝPOČET POHYBU

Ak má autonómne vozidlo za pomoci senzorov zmapované objekty v jeho okolí a

má lokalizovanú svoju polohu, potom môže začať s výpočtom svojho pohybu, aby
počas neho sa vyhlo všetkým prekážkam (obr.19).
Najčastejšie používané algoritmy na výpočet pohybu a optimalizáciu jazdnej trajektórie
sú (20):
Voroneho diagram, ktorý generuje jazdné dráhy, kde maximalizujú vzdialenosť medzi
vozidlom a okolitými prekážkami
algoritmus obsadenosti, ktorý vypočítava riziko a uskutočniteľnosť na základe
prítomnosti prekážok a hraníc jazdných pruhov a ciest
algoritmus jazdných koridorov, ktorý neustále obnovuje kolízne priestory ohraničené
jazdnými pruhmi a inými prekážkami, medzi ktorými sa očakáva, že vozidlo bude jazdiť;
využíva dáta z digitálnych máp vytvorených simultánnymi lokalizačnými a mapovacími
modelmi (SLAM)
Tieto tradičné prístupy však nie sú dostatočné na to, aby vozidlo interagovalo s inými
pohybujúcimi sa objektmi v jeho okolí a preto je potrebné jemne doladiť ich funkčnosť.
Plánovanie cesty sa dá naučiť využitím algoritmu strojového učenia CNN (Convolutional
Neural Networks) pomocou napodobňovania učenia, pri ktorom sa CNN snaží
napodobniť správanie vodiča. V pokročilejších algoritmoch sa používa DRL (Deep and
Reinforcement Learning), keď sa autonómnemu systému poskytuje odmena za
optimálne riadenie. Zvyčajne sú tieto metódy hybridizované so spomínanými klasickými
metódami plánovania pohybu a optimalizácie trajektórie (22).

Obr.19
Riadenie autonómneho vozidla neurónovými počítačovými riadiacim systémami,
na ktorých súčasne bežia aj veľmi zložité procesy strojového učenia, vyžaduje obrovský
výpočtový výkon. Donedávna sa tieto veľmi zložité výpočty úloh riadenia a strojového
učenia realizovali na superpočítačoch, s ktorými boli autonómne vozidlá prepojené cez
bezdrôtové komunikačné systémy a hoci sa len zvyšná časť výpočtov vykonávala na
palubných počítačoch vozidiel, aj tak sa prevádzka palubných počítačov vyznačovala
vysokou energetickou spotrebou. Spotreba energie na napájanie a chladenie palubných
počítačov autonómnych vozidel sa pohybovala v rádoch jednotiek kW.
Sériové autonómne vozidlá “úrovne 5” sa však už nebudú môcť spoliehať na
výpočtový výkon superpočítačov prístupných vo vzdialenej cloudovej infraštruktúre
alebo zásahy vodiča pretože autonómne vozidlo bude musieť byť schopné samostatne
okamžite reagovať na všetky okolnosti v dopravnej premávke, bude musieť byť schopné
samostatnej autonómnej jazdy na hocikde na zemeguli a to i v miestach, kde nebude
dostupné spojenie na Internet, napríklad aj v neobývaných oblastiach vnútrozemia
Austrálie, severného Fínska, ruskej Sibíri, atď., kde nie je vybudovaná žiadna
komunikačná infraštruktúra. Spracovanie dát potrebných pre riadenie autonómneho
vozidla bude musieť prebiehať v reálnom čase priamo na palubných počítačoch vozidla.
Zvýšiť výpočtový výkon palubných počítačov takmer na úroveň sálových
superpočítačov a takisto redukovať ich spotrebu je preto veľkou výzvou pre výrobcov
palubných počítačových systémov autonómnej mobility. Vývojom palubných
počítačových systémov autonómnej mobility, ktoré by mali zvládnuť autonómnu jazdu
“úrovne 5” (plnej autonomie) sa v súčasnosti zaoberá niekoľko spoločností, najďalej s
ich vývojom sú štyri spoločnosti - Nvidia, MobilEye (Intel), Qualcomm a Tesla.
Americká spoločnosť Nvidia vyvíja palubnú počítačovú platformu DRIVE AGX
Orin, ktorá by mala byť uvedená na trh v roku 2022. Na dosiahnutie plne autonómnej
jazdy “Úrovne 5” sú potrebné dve jednotky DRIVE AGX Orin a dve jednotky GPU
(graphics processing unit), toto riešenie by malo dosiahnuť výpočtový výkon 2000
TOPS (tera operations per second) a jeho spotreba by sa mala pohybovať okolo 1 kW.
(tak vysoká spotreba energie môže o niečo znížiť dojazd autonómneho elektromobilu s
kapacitou batérii 30 kWh)
Izraelská spoločnosť Mobileye (vlastnena spoločnosťou Intel od roku 2017)
vyvíja nový neuronový čip “EyeQ5”, ktorý by mal byť uvedený na trh v roku 2021, ktorý
by mal dosahovať výpočtový výkon 24 TOPS a spotrebu 10 W. Intel a Mobileye tvrdia,
že palubný počítač osadený dvoma čipmi EyeQ5 a jedným mikroprocesorom Intel
Atom, by mal postačovať na dosiahnutie autonómnej jazdy “úrovne 5”.
Americká spoločnosť Qualcomm vyvíja modulárnu platformu Snapdragon Ride,
ktorá by mala byť uvedená na trh v roku 2023. Táto platforma má byť modulárna a má
poskytovať výkon od 30 TOPS pre nižšie úrovne autonómnej jazdy až po 700 TOPS pre
dosiahnutie autonómnej jazdy “Úrovne 5” pri spotrebe 130 Wattov.
Americká spoločnosť Tesla predstavila svoj vlastný neurónový mikroprocesor -
FSD čip (Full Self-Driving chip) v roku 2019. Palubný počítač osadený dvoma FSD
čipami poskytuje špičkový výkon 73 TOPS a má spotrebu okolo 72 Wattov.

Len pre porovnanie enormného vzrastu výkonu a miniaturizácie neurónových

mikroprocesorov používaných v autonómnej mobilite v súčasnosti, na obrázku dole
vľavo vidíme veľký sálový počítač IBM z roku 2003, ktorý mal výkon asi 10 TOPS, na
obrázku vpravo vidíme nový neurónový mikroprocesor Tesla, spomínaný FSD čip, ktorý
má rozmery 20 mm × 13 mm a výpočtový výkon asi 37 TOPS (obr.20).
Obr.20

RIADENIE VOZIDLA

V súčasných automobiloch riadených ľuďmi je riadenie činnosti vozidla, ako

napríklad zmena smeru jazdy, zrýchľovanie, spomaľovanie, brzdenie, signalizácia, atď.
vykonávané vodičom prenosom jeho mechanickej sily cez mechanické alebo
hydraulické systémy riadenia. Príkladom je prenos mechanickej sily vodičom cez volant
na natočenie kolies pre zmenu smeru jazdy alebo brzdenie vozidla, kedy sa
mechanická sila nohy vodiča prenáša hydraulickým systémom na brzdové čeľuste. Aj
keď sú dnešné moderné automobily rôznymi posilovačmi riadenia, brzdenia, atď., ktoré
využíva energiu z cudzieho zdroja, aby znížili mechanickú silu, potrebnú na otočenie
volantu, zošliapnutie brzdového pedálu, aj tak stále jedná o mechanické riadenie. V
súčasnosti je len veľmi málo seriovo vyrábaných modelov vozidiel, ktoré sú vybavené
napríklad elektronickým riadiacim systémom Drive-by-Wire, kde prenos mechanickej
sily cez volant na natočenie kolies je nahradený elektronicky a to riadením elektrických
servomotorov, ktoré natáčajú kolesá vozidla (obr.21).
Ako vidíme, aj oblasť riadenia jazdných mechanických funkcii autonómnych
vozidiel čakajú v budúcnosti prevratné zmeny. Spomínaný systém Drive-by-Wire by mal
nahradiť mechanické natáčanie kolies servomotorami, celý tento systém bude ľahší a
menší. Elektronický brzdiaci systém Brake-by-Wire bude ovládať brzdové čeľuste
malými servomotormi ovládanými elektronicky a celý tento brzdový systém bude oveľa
menší a oveľa ľahší ako bol starý hydraulický brzdný systém. Zavedením elektronických
systémov riadenia X-by-Wire sa očakáva redukcia nielen hmotnosti autonómnych
vozidiel ale aj moderných automobilov (čo by sa malo prejaviť napríklad na ich
zvýšenom dojazde), pretože sú oveľa ľahšie ako mechanické alebo hydraulické
systémy riadenia, zároveň sú oveľa presnejšie a ich nastavovanie je oveľa
jednoduchšie, dá sa previesť pomocou počítača lokálne alebo pomocou vzdialeného
prístupu.

Obr.21 (Zdroj obrázku:VETR)

1, https://computerhistory.org/blog/where-to-a-history-of-autonómous-vehicles/
2, https://www.mdpi.com/1424-8220/19/3/648
3,https://www.rs-online.com/designspark/lidar-radar-digital-cameras-the-eyes-of-autonóm
ous-vehicles
4, https://www.tuxera.com/blog/autonómous-cars-300-tb-of-data-per-year/
5, https://levelfivesupplies.com/ultrasonic-sensors-more-than-just-parking/
6,https://www.fierceelectronics.com/components/three-sensor-types-drive-autonómous-ve
hicles
7, https://www.fierceelectronics.com/components/why-hi-resolution-radar-a-game-changer
8,https://www.designnews.com/electronics-test/autonómous-cars-look-sensor-advancemen
ts-2019
9, https://www.degruyter.com/view/journals/oere/22/3/article-p183.xml
10,https://www.researchgate.net/profile/Suddhasheel_Ghosh/publication/261333968_Surv
eillance_system_based_on_Flash_LiDAR/links/0a85e533f93cebea3b000000/Surveillance-sy
stem-based-on-Flash-LiDAR.pdf
11, https://physicsworld.com/a/optical-phased-array-steers-blue-light/
12, https://www.tuxera.com/blog/autonómous-cars-300-tb-of-data-per-year/
13, https://www.ri.cmu.edu/pub_files/2010/8/carlson_dissertation_final.pdf
14,https://www.forbes.com/sites/bradtempleton/2019/05/20/elon-musk-declares-precision-
maps-a-really-bad-idea-heres-why-others-disagree/#1a806eb52a33
15, https://www.gps.gov/systems/gps/performance/accuracy/#commitment
16, https://medium.com/waymo/building-maps-for-a-self-driving-car-723b4d9cd3f4
17, https://medium.com/wayve/learning-to-drive-like-a-human-b21fd9ab9834
18, https://arxiv.org/pdf/1910.07738.pdf
19, http://dianelpeters.com/DSCC2017-5187.pdf
20,https://www.researchgate.net/publication/337264008_A_survey_of_deep_learning_tech
niques_for_autonómous_driving/link/5dfa00fda6fdcc283728fba8/download
21,https://www.electronicsforu.com/market-verticals/automotive/design-considerations-aut
onómous-vehicles
22, https://www.sciencedirect.com/science/article/pii/S0968090X15003447?via%3Dihub
23,https://www.mes-insights.com/an-overview-of-autonómous-car-tech-platformsnorth-am
erica-part-ii-a-920503/