Professional Documents
Culture Documents
Analýza Stavu Technologického Vývoja Autonómnych Vozidiel K Roku 2020
Analýza Stavu Technologického Vývoja Autonómnych Vozidiel K Roku 2020
Obr.1
SENZOROVÉ VNÍMANIE
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
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.
Aktívne senzory
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
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.8
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
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:
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)
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.
●
Obr.14
Obr.15
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.
Obr.18
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
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.
RIADENIE VOZIDLA
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/