В последние годы технологии автономного вождения значительно продвинулись вперед с целью обеспечения более безопасного и эффективного вида транспорта. Проект Autodrive6 — прекрасный пример инновационных исследований и разработок в области автомобилестроения. В этой статье рассматривается проект Autodrive6 и то, как он может изменить транспортную отрасль в будущем.

Проект Autodrive6 предлагает шесть основных услуг для исследователей и разработчиков автономного вождения: базовое обнаружение полосы движения, расширенное обнаружение полосы движения, обнаружение и отслеживание транспортных средств, классификация светофоров, классификация дорожных знаков и виртуальное моделирование автономного вождения. Базовая идентификация полосы движения обнаруживает маркеры дорожной полосы, но Расширенное обнаружение полосы движения имеет более надежные возможности идентификации и отслеживания полосы движения с функцией расчета кривизны дороги и предоставления различных точек зрения на дорогу. Обнаружение и отслеживание транспортных средств обнаруживает и отслеживает другие транспортные средства на дороге, тогда как классификация светофоров распознает светофоры и их текущее состояние. Классификация дорожных знаков позволяет идентифицировать и интерпретировать дорожные знаки. Наконец, воспроизведение автономного вождения в виртуальной среде обеспечивает безопасное и регулируемое тестирование и разработку алгоритмов автономного вождения. Эти услуги имеют решающее значение для продвижения разработки и тестирования технологий автономного вождения, и они представляют собой фундаментальный вклад в проект Autodrive6.

Рисунок 1: Обнаружение и отслеживание транспортных средств

Рисунок 2: Автомобильный симулятор Udacity

Рисунок 3: Базовое обнаружение полосы движения

В проекте Autodrive6 особое внимание уделялось шести ключевым программным функциям: высокоточное моделирование, полный набор инструментов, открытый исходный код и библиотека предварительно созданных алгоритмов, совместимость с широким спектром датчиков и оборудования, а также масштабируемость. Эти характеристики позволяют исследователям реалистично и эффективно создавать и тестировать автономные системы вождения. Высокоточная среда моделирования позволяет проводить испытания в различных средах, а набор инструментов упрощает сбор и анализ данных. Платформа с открытым исходным кодом поощряет сотрудничество и инновации, а библиотека готовых алгоритмов служит трамплином для разработки. Совместимость платформы с широким спектром датчиков и оборудования обеспечивает гибкость и адаптируемость, а ее масштабируемость позволяет проводить эксперименты различной степени сложности. Важнейшим компонентом платформы Autodrive6 являются возможности высокоточного моделирования. Он предлагает реалистичную среду моделирования с точным представлением динамики автомобиля, моделей датчиков и условий окружающей среды.

В этом проекте Autodrive6 использовалось огромное количество наборов данных и библиотек для оптимизации этих функций. Некоторые из этих наборов данных включают набор данных Bosch для определения светофоров или набор данных German Traffic Sign, состоящий из множества дорожных знаков с соответствующими классами. Для симулятора вождения мы создаем собственный набор данных, используя режим обучения, присутствующий в симуляторе Udacity, который фиксирует повороты налево, повороты направо и изображения нашего тест-драйва. Идея цели использования их различных наборов данных помимо необходимого требования заключалась в том, чтобы намекнуть на долговечность и универсальность этого проекта. Другими словами, autodrive6 не ограничивается дорогой или автомобилем, он фокусируется на всех существенных аспектах вождения, будь то сигналы светофора или стиль вождения.

Потенциальное влияние проекта Autodrive6 на будущее транспорта — один из самых интригующих его аспектов. Однако будут проблемы/препятствия, которые мы должны преодолеть, чтобы завершить этот проект. Сделать беспилотные автомобили безопасными и надежными — сложная задача. Платформа Autodrive6 может быть важна в этом отношении, поскольку она предлагает полную среду моделирования для тестирования и проверки алгоритмов автономного вождения. Законодательство и правовая база для автономных транспортных средств являются другими препятствиями. Потребуются новые законы и правила для обеспечения безопасной эксплуатации автономных транспортных средств, поскольку они становятся все более распространенными на наших дорогах. Проект Autodrive6 способствует этому, предоставляя исследователям место для сравнения своих алгоритмов с уже существующими правилами и руководствами.

Наконец, проект Autodrive6 — это большой шаг вперед в разработке и оценке технологии автономного вождения. Академики и разработчики в этом секторе сочтут его бесценным из-за его высокоточной среды моделирования, широкого набора инструментов и открытого исходного кода.

Рекомендации

1. Али, С. (2021, апрель). Автомобили с автоматическим управлением: автоматизированное тестирование с помощью симулятора Udacity. Международный исследовательский журнал инженерии и технологий (IRJET). https://www.irjet.net/archives/V8/i4/IRJET-V8I401.pdf

2. Джайн К., Медхекар С., Хот С. и Бхиде С. (2020). Автономная система транспортных средств с использованием CNN. 8(6), 3142. https://ijcrt.org/papers/IJCRT2006434.pdf

3. Лахани, Н., Каранде, Р., Манек, Д., и Рамакришнан, В. (2022, апрель). ОБНАРУЖЕНИЕ ПОЛОС С ИСПОЛЬЗОВАНИЕМ ОБРАБОТКИ ИЗОБРАЖЕНИЙ В PYTHON. Международный исследовательский журнал инженерии и технологий (IRJET). https://www.irjet.net/archives/V9/i4/IRJET-V9I4148.pdf

4. Проект Python по распознаванию дорожных знаков с точностью 95 % с использованием CNN и Keras. (2019, 4 декабря). DataFlair. https://data-flair.training/blogs/python-project-traffic-signs-recognition/

5. Шарма, А., Кумар, М., и Кумар, Р. (nd). Обнаружение полосы движения с использованием Python. IJIRMPS, 9, 2021. Получено 29 апреля 2023 г. с https://www.ijirmps.org/papers/2021/3/917.pdf.

6. Обнаружение транспортных средств в видео с использованием OpenCV и Python. (2020, 20 апреля). Аналитика Видья. https://www.analyticsvidhya.com/blog/2020/04/vehicle-detection-opencv-python/