Организация автономных карьерных перевозок АО «Стагдок» беспилотным автотранспортом

Проблема перемещения грузов с максимальной эффективностью, наименьшими трудозатратами и временем актуальна во всем мире.

Развитие компьютерных и микропроцессорных технологий привело к резкому скачку в разработках робототехнических систем.

Многие мировые компании озадачены проблемой создания мобильных робототехнических комплексов, обладающих возможностью самостоятельного передвижения и выполнения поставленных задач.

Работы по созданию беспилотных автомобилей ведут все мировые автопроизводители, наиболее известными автоконцернами этой области являются General Motors, Ford, Mersedes Benz, Volkswagen, Audi, BMW, Volvo и др.

Актуальность вопроса развития беспилотных систем транспортного средства в современном мире возрастает с каждым годом вследствие развития все более глобальных проектов в области транспорта и грузоперевозок.

Основными преимуществами беспилотных АТС являются:

-возможность перевозки грузов в опасных зонах;

-снижение затрат на транспортировку;

-экономия временных ресурсов и затрат труда;

-минимизация ДТП и числа человеческих жертв в них.

Наиболее сложной задачей при этом является проблема создания интеллектуальной системы управления, позволяющей транспортному средству автономно выполнять поставленную задачу при минимальном участии человека, анализировать обстоятельства и принимать решения.

В настоящее время в большинстве разработанных робототехнических устройств управление осуществляет человек-оператор и требуется непрерывное наблюдение и контроль за действиями робота в силу отсутствия возможности системы управления автономно принимать самостоятельные решения.

При этом оператор, используя информацию с телекамер и выведенную на экраны мониторов, как правило, управляет исполнительными механизмами в режиме ручного управления.

Подобные недостатки можно частично компенсировать, если управление со стороны оператора будет осуществляться на уровне постановки цели.

В этом случае робототехническое средство должно самостоятельно или при минимальном участии человека выполнять поставленные задачи.

Актуальность темы исследования заключается в том, что предложенная в система управления и технология производства работ, позволит повысить эффективность выполняемых грузоперевозок , обеспечивая их автономную работу при перевозке груза по заданному маршруту.

Целью диссертационной работы является разработка алгоритмического, программного обеспечения интеллектуальной системы управления и обеспечение безопасной технологии производства работ беспилотного транспортного средства и следящей системы технического зрения для автономной работы при перевозке груза по заданному маршруту.

В работе были поставлены и решены следующие задачи:

-Разработка алгоритма управления беспилотного транспортного средства и следящей системы технического зрения;

-Разработка программного обеспечения, осуществляющего автономное управление движением беспилотного транспортного средства и следящей системы технического зрения;

провести экспериментальные исследования движения беспилотного АТС на базе серийного автомобиля Белаз с целью оценки адекватности и точности разработанной математической модели;

-Оптимизация технологии производства работ;

-Экспериментальное исследование работы предлагаемой системы.

Объект исследования – транспортные средства для обеспечения грузоперевозок, оборудованные следящими системами технического зрения и интеллектуальными системами управления.

Предмет исследования – алгоритмы управления, следящие системы технического зрения, технология работы беспилотного транспортного средства.

Методы исследований. В качестве основных методов и методик использовались: аналитическое описание процессов на основе известных законов и методов классической механики и математического анализа; методика планирования многофакторного эксперимента, оценка достоверности и адекватности результатов. Обработка результатов проводилась методами математической статистики при помощи ЭВМ с использованием стандартных программ Microsoft Excel, Statistica.

Научная новизна. На основе комплексного подхода к решению проблемы грузовперевозок беспилотными транспортными средствами:

– разработан алгоритм управления беспилотным транспортным средством и следящая система технического зрения;

– разработано программное обеспечение, осуществляющее автономное управление движением беспилотного транспортного средства и следящей системы технического зрения;

– обоснована оптимальная технология производства работ

Практическая ценность. Предложенная следящая система технического зрения способная решать широкий круг прикладных задач.

ГЛАВА 1 БЕСПИЛОТНЫЕ ТРАНСПОРТНЫЕ СРЕДСТВА. ПЕРСПЕКТИВЫ ВНЕДРЕНИЯ БЕСПИЛОТНОГО УПРАВЛЕНИЯ АВТОМОБИЛЬНЫМИ ПЕРЕВОЗКАМИ

1.1 Существующие разработки

Первые эксперименты по созданию беспилотных транспортных средств  начались в 20-х годах прошлого века.  Первый автомобиль с полуавтоматической системой управления, для которого были спроектированы специально обозначенные улицы, был разработан в 1977 году в Японии, в г.  Цукуба. На автомобиль устанавливались  две камеры, информация с которых обрабатывалась  встроенным  компьютером. Скорость автомобиля достигала  30 км/час.

Первый автономный автомобиль с автономной системой управления был разработан  в США в 1984  (проект  Navlab и ALV ), в Университете Карнеги-Меллон и финансировался Агентством перспективных исследовательских проектов Департамента обороны США, рис.1.1.

В 1987 году компания  Mercedes-Benz и университет  Бундесвера в Мюнхене представили  проект EUREKA Prometheus. 

В 1991 году США были выделены средства на глобальный проект исследований  в области Национальной автоматизированной системы автомагистралей.  За счёт встроенных в инфраструктуру шоссе и транспортные средства систем  автоматизации внедрялась беспилотная система передвижения. Проект показал свою эффективность.

Толчком к  развитию беспилотников, прогрессу в новых технологиях, технических средств для систем управления  явилось проведение  конкурсов автомобилей-роботов DARPA Grand Challenge  с 1960 по 2005.

В 1995 году в Англии был профинансирован  проект Ultra при участии  Бристольского университета разработки  городского транспорта для 21-го века. В 2005 году началось создание  системы беспилотных автобусов для  аэропорта Хитроу.

С 2016 года известная компания Tesla, производящая электроавтомобили, стала оснащать их функцией “Автопилот” .

В 2017 году Audi выпустила первый серийный автомобиль A8 третьего  уровня автономности с использованием «Audi AI».  Система управления позволяла автономную работу при  скорости до 60 км/ч и включала в себя  лазерные сканеры, камеры и ультразвуковые датчики.

В 2018 году в США Waymo стала первой компанией, которая начала коммерциализацию полностью автономной службы такси.

В 2019 году  была опубликована цифровая Дорожная карта (STRIA) для подключенного и автоматизированного транспорта.

Наиболее известными в настоящее время разработчиками автомобилей с беспилотным управлением являются такие ведущие концерны как: Tesla, Audi, Mercedes-Benz, BMW, Toyota, Ford, такси: Google, Yandex, Uber, Gett  и др.

Google - проект автопилотирования Waymo (США).

Yandex  -беспилотный автомобиль – Яндекс-Такси (Россия)

IBM совместно с Local Motors - автономный микроавтобус Olli (США)

Tesla  - Autopilot (США). 

General Motors  (стартап Cruise) - службы такси в Сан-Франциско (США).

Ford  (Argo) -  служба такси в Майами и Вашингтоне (США). 

Volkswagen (Германия) и Hyundai (Южная Корея) -стартап Aurora для внедрения  автономных служб такси.

Uber ATG (США с Toyota - системы безопасности Cognitive Pilot проект C-Pilot.

Принципы работы у них примерно одинаковы. Для получения информации используются  данные, поступающие от разных сенсоров, видеокамеры, ГНСС, лидара и радара, рис.1.2. Наиболее эффективным является совместное использование подобного  оборудования с высокоточными электронными картами, при отсутствии которых требуется постоянное сканирование местности, а следовательно, значительные вычислительные мощности и компьютеры. В этом случае датчики используются только для своевременной реакции автомобиля на изменения ситуаций, например переход дороги пешеходами, обгоны другими автомобилями и др.).

В настоящее время система управления от Google установлена на шести автомобилях Toyota Prius (рис. 1.3), Lexus RX 450h и Audi TT, которые проехали в беспилотном режиме свыше 450000 км. Система включает: лидар, радары, видеокамера, датчик оценки положения, инерционный датчик движения, GPS приемник.

Лидар сканирует область вокруг автомобиля на расстоянии более 60 м и создает точную трехмерную картину его окружения.

Радары же помогают определить точное положение удаленных объектов.

Видеокамера определяет сигналы светофора и обеспечивает распознавание движущихся объектов.

Инерционный датчик движения определяет направление ускорения или замедления, крен кузова автомобиля.

1. Аверкин А.Н. Нечёткие множества в моделях управления и искусственного интеллекта // под ред. Поспелова Д.А. - М.: Наука, 1986.

2. Аксенов О.Ю. Обнаружение объектов на изображениях при изменяющихся условиях наблюдения / Цифровая обработка сигналов, 2006, №2.

3. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера,

2005.

4. Каляев И.А., Лохин В.М., Макаров И.М., Манько СВ., Романов М.П.,

Юревич Е.И. / под общей ред. Юревича Е.И. Интеллектуальные роботы. -

М.: Машиностроение, 2007.

5. Круглов В.В. Нечеткая логика и искусственные нейронные сети.

Физматлит, 2001

6. Лорьер Ж.Л. Системы искусственного интеллекта. М.: Мир, 1991.

7. Лохин В.М., Макаров И.М., Манько СВ. Романов М.П., Организация

интеллектуального управления сложными динамическими объектами // X

научно-техническая конференция «Экстремальная робототехника», 1999.

8. Модели и методы, Искусственный интеллект. В 3 кн.: Справочник // Под

ред. Д.А. Поспелова. М.: Радио и связь, 1990. Кн. 2.

9. Нейрокибернетика, нейроиформатика, нейрокомпьютеры http://www.bigrouplabs .ru/Library/neurinfy (дата обращения: 12.11.2020).

10. Новые методы управления сложными системами. - М.: Наука, 2004

11. Основы искусственных нейронных сетей. http://www.intuit.ru/department/ds/neuronnets/(дата обращения: 11.11.2020).

12. Осуга С. Обработка знаний // Пер. с яп. - М.: Мир, 1989.

13. Системы с ассоциативной памятью,

http://www.zsu.zp.Ua/lab/mathdep/apmath/arcosdbms/l 10.pdf (дата обращения: 13.11.2020).

14. Системы искусственного интеллекта, http://www.mariel.

ru/mmlab/home/AI/7_8/index.html (дата обращения: 14.11.2020).

15. Юревич Е.И. Основы робототехники. - 2-е изд., перераб. и доп. — СПб.:

БХВ-Перебург, 2005

16. Яхъяева Г.Э. Нечёткие множества и нейронные сети. -М.: БИНОМ, 2006.

17.Audi: сайт компании. Режим доступа: http://www.audi.com (дата обращения 19.11.2020).

18. BMW: сайт компании. Режим доступа: http://www.bmw.com/com/en/insights/technology/connecteddrive/2013/index.html (дата обращения 20.11.2020).

19. Elgammal, R. Duraiswami, D. Harwood, L. Davis. Background and

Foreground Modeling Using Nonparametric Kernel Density Estimation for Visual

Surveillance. // Proc. of IEEE, 90(7), 2002.

20.Google: сайт компании. Режим доступа: http://www.google.com (дата обращения: 19.11.2020).

21.Matlab: сайт компании. Режим доступа: http://matlab.ru/products/matlab (дата обращения 13.11.2020).

22.RoboCV: сайт компании. Режим доступа: http://robocv.ru (дата обращения: 09.11.2020).

23.Volkswagen: сайт компании. Режим доступа: http://www.volkswagenag.com/content/vwcorp/content/en/innovation/driver_assist ance/Temporary_Auto_Pilot.html (дата обращения 14.11.2020).

24. Zhu S.C., Yuille A. Region competition: unifying snakes, region growing, and

Bayes/MDL for multiband image segmentation. // IEEE Trans, on Pattern Analysis

220 and Machine Intelligence, 18(9):884-900, 1996.