Периферія як новий елемент інфраструктури дорожнього руху
Сучасні автономні транспортні засоби покладаються на дані з датчиків, які мають обмежену видимість. Перешкоди, повороти та щільний рух ускладнюють виявлення об’єктів на відстані. Рішення, що базуються на периферійній обробці (edge), можуть вирішити цю проблему, об’єднуючи дані з багатьох джерел - автономних транспортних засобів і стаціонарних пристроїв (RSU). У цьому контексті виникає концепція Connected Autonomous Vehicles (CAV), які взаємодіють для створення спільної моделі світу. Однак ключовим завданням є час передачі інформації - дані повинні бути актуальними, щоб мати сенс для систем планування руху.
Рішення Conductor представляє новий підхід: замість локального об’єднання даних на рівні транспортного засобу, воно створює інтегровану модель світу з точки зору фіксованої точки, наприклад, стаціонарного пристрою (RSU). Це дозволяє краще розпізнавати сцену, особливо в зонах, недоступних для огляду, де транспортні засоби не можуть бачити далі, ніж їхні датчики.
Динамічний вибір даних для обробки в реальному часі
Головне завдання в периферійних системах - обмеження за часом: дані повинні бути оброблені та надані протягом певного проміжку часу, відомого як час оновлення інформації (Age of Information, AoI). Якщо інформація надходить із запізненням, вона втрачає свою цінність. У випадку Conductor система не приймає дані від усіх транспортних засобів, а динамічно вибирає ті, які принесуть найбільшу користь. Ключовим є селектор, який враховує зони перекриття: надається перевага даним від транспортних засобів, які виявляють об’єкти в зонах, не охоплених оглядом RSU.
Це означає, що система не тільки збирає дані, але й інтелектуально вирішує, які з них є найбільш цінними. У поєднанні з контролером часу, який регулює кількість даних для об’єднання та кількість прогнозів траєкторії руху на кожній ітерації, рішення може підтримувати обмеження за часом AoI навіть при великих навантаженнях.
Збільшене зображенняЗакрити збільшенняПопереднє зображенняСимуляційні тести: ефективність в умовах, наближених до реальних
Дослідження, проведені на симуляційній інфраструктурі CAV, показали, що рішення Conductor відповідає вимогам безпеки щодо часу оновлення інформації (Age of Information - AoI), навіть за одночасної участі до 31 автономного транспортного засобу. Це важливо, оскільки в реальних умовах дорожнього руху кількість транспортних засобів може бути значною, і система повинна працювати надійно.
Значення даних, отриманих шляхом об’єднання інформації, були близькі до тих, що досягаються ідеальною моделлю (Oracle), що означає, що система здатна ефективно використовувати доступні дані. Крім того, її результати були значно кращими, ніж ті, що були отримані при випадковому виборі транспортних засобів для об’єднання даних, що показує, що інтелектуальний відбір даних має реальний вплив на якість системи.
Значення та обмеження рішення.
Рішення Conductor не впроваджено в реальних транспортних засобах або дорожній інфраструктурі - це демонстрація, заснована на симуляції. Це означає, що її ефективність у реальних умовах, з урахуванням мережевих перешкод, різноманітності обладнання та непередбачуваної поведінки водіїв, залишається недоведеною. Крім того, система вимагає часової синхронізації та стабільного зв’язку між транспортними засобами та стаціонарними пристроями, що може бути складним на практиці.
Незважаючи на це, дослідження показує важливий напрямок розвитку: майбутнє автономних систем полягає не лише в розробці датчиків на транспортних засобах, але й в інтелектуальному використанні інфраструктури та взаємодії між транспортними засобами. Периферійне об’єднання даних може стати ключовим елементом безпеки та ефективності дорожнього руху.
Значення та обмеження рішення.
Рішення Conductor, хоч і засноване на симуляції, відкриває нові перспективи для майбутнього дорожнього руху. Його ключова інновація полягає у використанні периферійного об’єднання даних як елемента інфраструктури, який не тільки підвищує безпеку, але й покращує логістичну ефективність і зменшує ризик зіткнень у густонаселених міських районах. Завдяки інтелектуальному відбору даних на основі обізнаності про перешкоди, система здатна ефективно компенсувати обмеження датчиків автономних транспортних засобів, що особливо важливо в умовах міста, де повороти, будівлі та інші перешкоди ускладнюють видимість. Варто підкреслити, що такий підхід може бути ключовим для розвитку систем CAV (Connected Autonomous Vehicles) у міському масштабі, де кількість транспортних засобів і складність сценарію є високими.
Однак існують реальні обмеження, які необхідно подолати перед комерціалізацією. Це вимагає не лише стабільної та низьколатентної мережі зв’язку, але й часової синхронізації між транспортними засобами та стаціонарними пристроями (RSU), що в реальних умовах може бути складним через мінливі умови мережі. Крім того, різноманітність обладнання, різні стандарти зв’язку та потенційні перешкоди можуть впливати на якість даних, що передаються до периферії. У зв’язку з цим, хоча результати симуляції є багатообіцяючими, їхнє перенесення в реальні умови вимагає подальших досліджень у високореалістичних тестових середовищах, а також співпраці між виробниками транспортних засобів, операторами інфраструктури та регуляторними органами. У майбутньому такі рішення можуть стати стандартом для розумних міст, але лише після подолання технічних і організаційних бар’єрів.
