Kompleksowe planowanie ruchu pojazdu

W oparciu o technologię LIDAR pojazd szacuje odległości do przeszkód i opracowuje plan ich uniknięcia poprzez zastosowanie metody „dynamicznego okna” (Dynamic Window Approach). Stworzony model pozwala uwzględnić kształt samochodu ciężarowego i lepiej zaplanować ruch. Ten odbywa się po określeniu pozycji za pomocą IMU - czujnika ruchu inercyjnego (ang. Inertial Motion Unit) oraz drogomierza. Podczas planowania ruchu wykrywane są odległości do przeszkód i wszelkich poruszających się obiektów.

Dokowanie do przyczepy

Za pomocą kamery cofania i markera Aruco pojazd ciężarowy szacuje swoją odległość do przyczepy. Specjalnie zaprojektowany algorytm planuje ruch pojazdu w oparciu o precyzyjnie wyznaczoną trajektorię. Pojazd przemieszcza się w kierunku przyczepy zgodnie z zaplanowaną ścieżką.

Autonomiczne parkowanie pojazdu

Ciężarówka za pomocą czujnika odległości szacuje odległość do przeszkód, a następnie planuje ruch po przeprowadzeniu analizy płaszczyzn i planowania przez lokalne urządzenie TEB (ang. Time Elastic Band).

Rozpoznawanie obiektów

Ważnym elementem projektu MALVA jest aktualizacja systemu za pomocą komunikacji V2X – poprzez sieć Wi-Fi i przy użyciu urządzeń IoT lub mikrokontrolerów do strumieniowania danych. Tym samym pojazd uzyskuje informacje o aktualnej sytuacji na drogach. Może m.in. dostosowywać swoją prędkość na bazie otrzymywanych statusów od sygnalizacji świetlnej, by docierać do skrzyżowań przy zielonym świetle i pokonywać je bezpiecznie.

Opracowany system składa się z kontrolera wizji (Vision Controller) i kontrolera autonomicznej jazdy, które są oparte na systemie Linux, a także działającego w czasie rzeczywistym kontrolera pojazdu (Vehicle Controller), który przekazuje prawidłowe dane wyjściowe w określonym przedziale czasowym do silnika, kół czy poleceń dokowania.

Na potrzeby projektu MALVA wykorzystano, opracowaną dla robotyki strukturę ROS. Umożliwiło to stworzenie rozwiązania, które przetwarza dane ze wszystkich czujników umieszczonych na ciężarówce i kontroluje działanie pojazdu.

Dokonywane obliczenia z ROS uzupełnia oddzielna jednostka do pozyskiwania obrazów przez dwie kamery. Zdjęcia są następnie analizowane przez sieć neuronową, tak by rozpoznać za pierwszym razem znaki drogowe i ograniczenia prędkości, a następnie przekazać wyniki do kontrolera autonomicznej jazdy (ang. Autonomous Drive Controller). Takie rozwiązanie pozwala na przeprowadzenie w sposób samodzielny przez pojazd całego procesu jazdy, parkowania i dokowania.