eng
DOI: 10.22184/1992-4178.2020.198.7.70.87
Перспективы развития автономного транспорта
М. Макушин , И. Черепанов
Автономный транспорт – это давняя мечта человека. На пути к ее реализации уже сделано много открытий и создано еще больше систем и приборов, находящих применение не только в автомобильной электронике. Как и при создании многих сложных систем, при создании автономных машин широко используется платформенный подход. Обладатели собственных платформ приобретают значительные преимущества…
Создание автономного транспорта требует решения многочисленных задач, начиная от вопросов проектирования ИС и систем автомобильной электроники до применения искусственного интеллекта и машинного обучения. Одной из основных технологий развития автономного транспорта становятся перспективные системы помощи водителю. Но это относится только к созданию самих машин. Помимо этого, необходимо решить многие вопросы с организацией дорожного движения, изменением его правил, создания новых типов карт и многого другого.
Степени автоматизации автономных транспортных средств
Всего насчитывается 5–6 уровней автоматизации, в зависимости от того, учитывается ли 0-й уровень – отсутствие автоматизации. Сами же уровни автоматизации определены так:
Четвертый уровень автоматизации подразумевает, что автомобиль может управляться человеком, но в этом нет особой необходимости (можно не смотреть на дорожную ситуацию, не держать руки на руле и т. п.). Автономное транспортное средство обращается к человеку только в непредусмотренных программным обеспечением случаях.
Примечательно, что консалтинговая корпорация IHS Markit (Лондон, Англия) считает, что персональные беспилотные автомобили 4-го уровня не появятся до 2022–2023 годов. Первоначально они будут доступны только в городах, где разрешено вождение без водителя. IHS не видит роста в этой области как минимум до 2024 года.
Что касается 5-го уровня автономных наемных / прокатных или персональных автономных транспортных средств (АТС), то большинство исследователей не могут точно назвать время выпуска их на рынок. Что предполагает 5-й уровень автоматизации? Возможность разворота передних сидений в обратном направлении (для облегчения общения с пассажирами на задних сиденьях), полное отсутствие необходимости вмешательства человека в процесс вождения, руль может отсутствовать. По мнению отраслевых специалистов, до 2032–2045 годов массовое освоение подобных транспортных средств маловероятно [1, 2].
ИС и системы для автономных транспортных средств: аспекты проектирования
Одной из самых больших проблем, с которыми сталкиваются разработчики систем автомобильной электроники, является необходимость комплексного понимания всех аспектов среды проектирования (управление температурным режимом, синхронизация, помехоустойчивость, корпусирование, учет условия окружающей среды). Все эти факторы влияют на выбор электронных компонентов, а также на стоимость. Разработчикам приходится на ходу переосмыслять или изменять топологию схем, оценивать общие последствия интеграции новых функций и технологии, а также их влияние на уже используемые.
Также существуют вызовы в области повышения рабочего напряжения АТС, интеграции компонентов и т. д. В структуре продаж АТС все большее место будут занимать электромобили и гибридные машины, а значит электродвигатели будут работать при напряжениях до 400 В и 800 В, в зависимости от размера транспортного средства и величины нагрузки. Соответственно, разработчики ищут более эффективные технологии управления двигателем, такие как полевые транзисторы на основе карбида кремния (SiC FET) и нитрида галлия (GaN).
При переходе к более современным технологиям FET частоты переключения повышаются, многие компоненты можно сделать по размеру меньше, это приводит к перераспределению плотности мощности и, как следствие, к изменению расположения компонентов. Но появляются проблемы с электромагнитными помехами и надо будет повышать помехоустойчивость. Более высокие значения напряжения и тока ужесточают требования к отводу тепла.
Ряд проблем интеграции компонентов в малом пространстве могут решаться за счет систем-на-кристалле (СнК, SoC) или систем-в-модуле (СвМ, SiP). Например, интеграция радаров, ранее состоявших из дискретных компонентов (аналоговых входных каскадов, преобразователей данных, антенн, блоков обработки данных и синхронизации).
По мере изменения задач проектирования больше внимания уделяется и другим факторам, например, расположению датчиков с целью получения наилучших измерений углов, обеспечения точной синхронизации систем, объединяющих несколько различных типов датчиков, повышения невосприимчивости к шумам / помехам.
Кроме того, проектировщикам систем приходится думать не только об электрических взаимодействиях внутри СнК или СвК, но и о надежности корпуса, выборе методик корпусирования и т. п. с тем, чтобы обеспечить надежность изделия в течение всего срока службы.
Наконец, все больше внимания уделяется функциональной безопасности и способам ее проектирования. Если еще несколько лет назад ее применение ограничивалось лишь несколькими автомобильными системами (подушки безопасности, системы торможения, управления шасси и т. п.), то сейчас эти требования предъявляются практически ко всем автомобильным системам [3].
Платформы автономных транспортных средств
Разработка АТС невозможна без поддержки соответствующей экосистемы. Кто из производителей комплектного оборудования (OEM) и производителей роботакси будет обладать собственной программной платформой, является в данном случае одним из основных вопросов.
Несмотря на то, что обязательства каждой компании, участвующей в программе разработки АТС, могут различаться, автопроизводители и высокотехнологичные фирмы налаживают сотрудничество, чтобы решить проблему обеспечения безопасного вождения АТС. Этот прагматичный подход резко контрастирует с оптимистическими прогнозами последних лет, когда развивающийся рынок был заполнен деньгами венчурных капиталистов и изобиловал напыщенными заявлениями о разработках АТС и прогнозами перспектив рынка.
Следует отметить, что стартапы-разработчики АТС, поддерживаемые повышенным спросом и охотно финансируемые венчурным капиталом, будут уходить с рынка, поскольку энтузиазм инвестиционного сообщества к транспортным средствам 4-го и 5-го уровня автоматизации начинает угасать (венчурные капиталисты в основном ориентированы на получение прибыли в краткосрочной, реже – в среднесрочной перспективе, но не в долгосрочном плане).
Относительно других разработчиков очевидно, что те, кто уже вложил значительные средства в разработку АТС‑платформ (и достиг определенного прогресса), не откажутся от разработки комплексных решений. Они видят в этом крупную техническую проблему, но все же считают, что это определяет их судьбу в долгосрочной перспективе, если не в ближайшем будущем.
Недавно журналисты EE Times и аналитики IHS Markit проанализировали динамику работ в области создания АТС с целью определить, насколько реализованными оказались заявленные в последние пять лет программы в этой области, на какой стадии сейчас находятся все сделки и партнерства, а также какой прогресс действительно был достигнут.
Аналитикам и журналистам удалось «картографировать» крайне запутаную сеть «объявленных» партнерских отношений между ведущими игроками. Для удобства все участники процесса создания АТС были разделены на три группы: платформы роботизированных такси (роботакси), платформы OEM и высокотехнологичные программные платформы (рис. 1).
Платформы роботакси
В группу роботакси входят восемь игроков, среди которых выделяются три: Aptiv-nuTonomy, Didi и Uber. Как имеющие собственные программно-реализованные стеки АТС отмечаются фирмы Zoox и Aptiv-nuTonomy.
Фирма Zoox, основанная в 2014 году, разрабатывает совершенно новое АТС, предназначенное для рынка роботакси. В настоящее время, однако, Zoox для обкатки своей системы автономного вождения модернизировал серийную машину Toyota Highlanders. Испытания проводятся в районе Сан-Франциско.
Другой игрок, фирма Aptiv (ранее – Delphi), три года назад купила стартап NuTonomy, «почку» Массачусетсткого технологического института (MIT), ориентированный на разработку ПО АТС и автономных мобильных роботов. В сентябре прошлого года Aptiv объявила о создании совместного с Hyundai предприятия стоимостью 50 млрд долл. Сделка, заключенная в марте, может рассматриваться как переворот для Aptiv-nuTonomy.
Однако отношения становятся запутанными, когда OEM‑производители начинают заключать многочисленные сделки по программно-реализованным стекам АТС с поставщиками платформ для роботакси и поставщиками высокотехнологичного программного обеспечения.
Например, в отношении полных программно-реализованных стеков АТС лояльность (партнерам) корпорации Hyundai остается неясной. Корейский автопроизводитель вполне может делать ставки одновременно на две компании – Aptiv-nuTonomy и Aurora.
Aurora, стартап, запущенный в январе 2017 года, разрабатывает полный программно-реализованный стек АТС под названием Aurora Driver. Hyundai – один из первых его инвесторов. Представители Aurora ранее заявляли о плане расширения своей программы исследований и разработок с Hyundai для создания платформы автономного вождения.
Эксперты Hyundai заявили, что их новое совместное предприятие с Aptiv-nuTonomy не повлияет на его отношения с Aurora. Однако, в целом, Hyundai предоставляет крайне скудные подробности о реальном взаимодействии с Aurora.
Платформы OEM
Во вторую группу входят GM-Cruise, Hyundai, VW, Ford-Argo, BMW, Mercedes-Benz и Bosch, Volvo и Toyota. Они все уже испытывали свои АТС. Место, занимаемое каждым из этих автопроизводителей (в плане лидерства), постоянно меняется. К производителям автомобилей с собственными программными платформами АТС относятся: GM-Cruise (программная платформа АТС Cruise), Ford-Argo (Argo.ai, полный программно-реализованный стек АТС) и Toyota (собственная платформа). У компании Volvo может быть собственная программная платформа АТС, но ранее она объявила о партнерстве с венгерским поставщиком программных платформ AImotive (ранее – AdasWorks).
Концерн BMW полностью полагается на совместную программную платформу АТС корпорации Intel и фирмы Mobileye.
Как упоминалось ранее, связь Hyundai с Aurora и Aptiv-nuTonomy остается неясной.
Фирма Volkswagen не имеет собственной программной платформы АТС, летом прошлого года она разорвала отношения с Aurora и обратилась к Ford-Argo (Argo.ai).
Высокотехнологичные
программные платформы
В третьей группе собраны высокотехнологичные разработчики США – Waymo, Aurora, Argo.ai, AImotive и Drive.ai, а также азиатского региона – Preferred Network (Япония), Baidu (КНР, проект Apollo), AutoX, Momenta, WeRide и Pony.ai.
Ведущие поставщики ИС для АТС – Nvidia и Mobileye – также разрабатывают свои собственные программные платформы. И, конечно же, есть Tesla, создающая свой собственный полный программно-реализованный стек АТС.
Наиболее известные фирмы в этом списке – Waymo, Aurora, Argo.ai, Intel / Mobileye, Nvidia и Drive.ai.
В июне прошлого года корпорация Apple поглотила стартап Drive.ai (Маунтин-Вью, штат Калифорния), основанный в 2015 году и работающий над системами с автоматическим управлением, использующими ИИ.
Программа Apollo корпорации Baidu – это АТС‑платформа с открытым исходным кодом, ориентированная на большое число игроков экосистемы АТС [4].
Экономика автономных
транспортных средств
В последнее время Yole Développement опубликовала две работы, в которых исследуются экономические и технологические тенденции в области автономного вождения (Sensors for Robotic Mobility 2020, Sensing and Computing for ADAS Vehicle 2020 и AI for Automotive 2020). Особое внимание уделено аппаратному и программному обеспечению перспективных систем помощи водителю (ADAS), а также рынку средств автономного вождения (Automated Driving, AD), на котором действует около десятка игроков, поставляющих роботизированные транспортные средства. Основной целью этих игроков никогда не была продажа АТС населению, они всегда утверждали, что их основной целью является модель «мобильность как услуга» (Mobility-as-a-Service, MaaS).
Специалисты Yole говорят о четком различии между решениями систем помощи водителю ADAS (которые в основном обеспечивают автоматизированное экстренное торможение и / или помощь в удержании полосы движения, помощь в пробках) и решениями поставщиков роботизированных машин, таких как Waymo, Cruise и Zoox. Последние предоставляют реальные АТС в основном в качестве опытных образцов для отработки оказания роботизированных услуг. В течение нескольких лет много раз поднимался вопрос, являются ли выступающие за корпус АТС датчики проблемой, если такие машины должны быть проданы потребителям. Но сейчас складывается прямо противоположная ситуация.
Поставщики ADAS и АТС (Mobileye, Tesla и Toyota / Denso) все еще обещают потребительские версии своих АТС, но все больше ориентируются на рынок роботакси.
Появившиеся оценки рентабельности бизнеса роботакси приводятся на рис. 2 и в табл. 1 [5].
Потенциальный функционал систем контроля водителя
В течение следующих 20 лет технология автономного вождения будет представлять собой не «самостоятельное вождение», а системы контроля водителя в сочетании с применением науки о человеческом факторе для помощи водителям не стать «опасными», то есть не стать причиной возникновения несчастного случая.
Системы контроля водителя играют решающую роль в борьбе не только с человеческим фактором (невниманием, усталостью и пр.), но и с опьянением. Усталость и интоксикации могут быть отнесены к категории состояний, требующих вмешательства, и системы контроля водителя должны сыграть существенную роль в будущем, чтобы избежать опасных последствий вождения в нетрезвом виде. Целью контроля человеческого фактора в мониторинге водителя является предоставление надежного и в реальном масштабе времени понимания когнитивного состояния водителя применительно к риску возникновения несчастного случая.
Речь здесь не совсем о системах блокировки зажигания или какого-либо вида «опеки» и тем более не о сдаче нетрезвого водителя «умной» машиной, которой тот управляет, полицейским. Тем не менее, данная технология, несомненно, играет определенную роль в выявлении нарушений в работе водителя и соответствующей адаптации реагирования систем безопасности.
Потенциально, функционал систем контроля водителя может включать в себя:
Обязательная установка подобных систем уже предусмотрена в действующих законах. Тем не менее, политика безопасности дорожного движения США уже несколько лет отстает от инициатив европейских органов, таких как Европейский комитет по проведению независимых краш-тестов авто с оценкой активной безопасности и пассивной безопасности Euro NCAP и обновленных Европейских общих правил безопасности, касающихся безопасности в автомобильном секторе (European General Safety Regulations).
Основным средством контроля и поддержки автомобилиста считаются перспективные системы помощи водителю (Advanced Driver Assistance Systems, ADAS). Они же являются одним из основных этапов перехода к полностью автоматизированным транспортным средствам [6].
Роль ADAS в развитии автономных транспортных средств
То, что перед разработчиками АТС стоят трудные задачи – очевидно. Специалисты Yole Développement предполагают, что существуют три основных сценария будущего автомобильных датчиков и вычислительной техники (рис. 3), составляющих базу ADAS и прочей автомобильной робототехники. На вопрос, сколько может быть смешанных и / или промежуточных сценариев, вряд ли кто возьмется ответить [4].
Отраслевые специалисты отмечают, что в настоящее время в сфере АТС основное внимание уделяется скорее ADAS, а не собственно АТС. Очевидно, что сообщество разработчиков в своем большинстве признает существование большого разрыва между тем, что возможно сегодня, и запуском в перспективе коммерческих АТС, управляемых искусственным интеллектом без участия людей-водителей.
Никто не говорит, что самоуправляемые автомобили невозможны. Тем не менее, предсказывается, что 4-й уровень АТС будет развернут в очень ограниченной области проектирования систем на уровне операций (operational design domain, ODD, автоматизированный режим) и создан при полном и тщательном учете требований безопасности. Под ODD подразумеваются конкретные дорога, полоса движения, часы работы, погодные условия, время суток, точки посадки / высадки и т. д.
На вопрос о том, достигнет ли автомобиль, управляемый ИИ, интуитивности, присущей людям, то есть понимания того, что он действительно управляет транспортным средством и понимает контекст управления, отраслевые специалисты отвечают, что это произойдет по крайней мере через 10 лет, а скорее всего – через 20–30 лет.
Между тем, для разработчиков ADAS и высокоавтоматизированных автомобилей главная проблема на данный момент – как лучше всего оснастить автомобили средствами восприятия окружающей обстановки (компьютерное зрение, радары и т. д.). Восприятие, то есть «знание» того, где находятся и куда перемещаются объекты в окружающей среде, является основой каждого высокоавтоматизированного транспортного средства. Там, где автономные транспортные средства слабы по сравнению с водителем-человеком, очень важны возможность «предсказания» или понимание ситуации и предсказание того, куда воспринимаемый объект будет перемещаться дальше.
Основная тенденция текущего момента – выход на передний план интеллектуальности, то есть наращивание интеллектуальности непосредственно первичных средств сбора данных. Многие поставщики добиваются этого повышением интеллектуальности датчиков за счет слияния разных датчиков и различных сенсорных данных. Среди подобных слияний / сочетаний на первичном уровне наиболее популярными в настоящий момент являются:
Однако подходы основных игроков отличаются друг от друга. Одни, как было выше сказано, предпочитают осуществлять слияние датчиков «на переднем рубеже» – непосредственно на уровне сбора данных. Другие, например корпорация Waymo (Маунтин-Вью, штат Калифорния), предпочитают централизованное слияние необработанных данных датчиков непосредственно в центральном процессоре [7].
В то же время развитие АТС не обязательно требует использования либо искусственного интеллекта (ИИ), либо глубокого обучения. Проще говоря, не все АТС должны управляться ИИ. Однако трудности с проверкой безопасности управляемых ИИ АТС сохраняются.
Специалисты в области безопасности озабочены «черным ящиком» природы глубокого обучения, и это только один из нескольких острых вопросов. Остается неясным, могут ли разработчики АТС верифицировать и аттестовывать непрерывно обучающуюся систему ИИ.
Также неизвестно, будет ли развернутая на специальном автомобильном аппаратном обеспечении функция ИИ вести себя так же, как в период разработки и обучения на более крупной, более мощной компьютерной системе.
На этом фоне корпорация NXP Semiconductors представила свой набор инструментальных средств разработки ПО для глубокого обучения – eIQ Auto (рис. 4). Отмечается, что большинство программных платформ глубокого обучения и нейронных сетей, разработанных до сих пор, используются для потребительских приложений, таких как зрение, речь и естественный язык. При этом они не обязательно разрабатываются с учетом жизненно важных приложений.
Корпорация NXP, ведущий поставщик автомобильных ИС, сделала еще один шаг вперед, обеспечив совместимость своего набора инструментальных средств разработки ПО с программой определения возможностей и улучшения процесса создания ПО автомобильного назначения (Automation Software Process Improvement and Capability dEtermination, A-SPICE). На деле A-SPICE – это набор рекомендаций, разработанных немецкими автопроизводителями для улучшения процессов разработки программного обеспечения.
Специалисты NXP подчеркивают, что их средство eIQ Auto разработано специально под процессор NXP S32V234 и предназначено для помощи разработчикам АТС по оптимизации разработки встраиваемого аппаратного обеспечения алгоритмов глубокого обучения и ускорения его выхода на рынок.
Некоторые производители автомобилей уже разработали аналогичные наборы инструментальных средств глубокого обучения. Но среди поставщиков автомобильных ИС корпорация NXP в этом смысле пока одинока.
Помимо прочего, средство eIQ Auto способно распределять рабочую нагрузку и выбирать оптимальную вычислительную машину для каждой части нейронной сети. Это ускоряет процесс создания механизма формирования логического вывода, так как данное инструментальное средство способно помочь разработчикам АТС выяснить, какие задачи лучше всего выполняются на центральном процессоре, ЦОС‑процессоре или графическом процессоре. Отмечается, что средство eIQ Auto не может использоваться с приборами, произведенными другими фирмами, поскольку оно должно быть хорошо знакомо с тем, что происходит внутри процессора.
Средство eIQ Auto также поставляется с интерфейсами для обучения структур и форматов моделей, таких как TensorFlow, ONNX, Caffe, Pytorch – в дополнение к моделям оптимизации и используемому инструментарию (скрипты, необходимые инструментальные средства компиляторов) и библиотекам программ этапа исполнения (C / C++, vector DSP, NEON).
Таким образом, цель инструментального средства eIQ Auto – помощь клиентам в быстром переходе от среды разработки к реализациям ИИ, соответствующим строгим автомобильным стандартам.
Применение искусственного интеллекта в автономных транспортных средствах
В настоящее время наиболее распространенным приложением ИИ внутри транспортного средства является техническое зрение, использующее нейронные сети для классификации объектов на изображениях. Оно также используется для контроля состояния водителя и салона автомобиля, идентификации лиц и обнаружения пассажиров / багажа. Основные применения средств глубокого обучения в автомобилях показаны на рис. 5.
Другие потенциальные автомобильные применения ИИ включают радары. Ожидается, что в будущем радары будут использовать нейронные сети для классификации участников дорожного движения на основе их изображений. Отмечается, что использование ИИ в радиолокационных приложениях остается недостаточно развитым из-за их более высоких требований выхода на рынок, связанных с использованием радара в качестве датчика. По сравнению с КМОП‑формирователями сигналов изображения радары существенно дороже.
Отраслевые эксперты полагают, что отсутствие или недостаток радарных данных ограничивает доступные наборы данных.
Прогнозируется, что ИИ также будет применяться для объединения получаемых с разных датчиков данных – например совместного использования систем технического зрения и радаров. Но опять же, в отрасли пока не достигнут консенсус о том, на каком этапе (раннем или завершающем) осуществлять объединение этих двух видов сенсорных данных.
Сейчас большинство тестовых АТС поставляется с энергоемким оборудованием, не очень-то подходящим для массового производства автомобилей. Специалисты корпорации NXP надеются, что их новое инструментальное средство eIQ Auto позволит клиентам развертывать мощные нейронные сети «в среде встроенных процессоров с самым высоким уровнем безопасности и надежности» [8].
За последние несколько лет появилось большое число стартапов, специализирующихся на искусственном интеллекте (ИИ), ориентированном на автомобильный рынок. OEM и поставщики первого уровня стремятся разрабатывать ИС искусственного интеллекта собственного производства – во многом по аналогии с инновационной разработкой корпорацией Tesla собственных полностью автономных компьютерных (FSD) ИС. Если последний случай станет тенденцией, то что будут делать лицензиары сложнофункциональных (СФ) ядер, такие как корпорации Ceva? Прежде всего, они должны повысить производительность своих лицензируемых СФ‑ядер, разработанных для архитектуры ИИ. Кроме того, они должны сделать свои ядра нейронных сетей еще более привлекательными для разработчиков «систем-на-кристалле» (SoC). Компания Ceva недавно представила архитектуру новейшего искусственного интеллекта второго поколения для глубокой нейронной сети. Названная NeuPro-S, новая архитектура ИИ включает в себя ряд системных усовершенствований. Параллельно, Ceva представила интерфейс прикладного программирования CDNN (Ceva Deep Neural Network) Invite (рис. 6). Это технология компиляции глубоких нейронных сетей, предназначенная для поддержки не только собственных ядер Ceva (NevaPro), но и сторонних решений нейронных сетей в единой унифицированной архитектуре нейронной сети.
Поскольку нейронные сети продолжают развиваться, представители Ceva считают, что производители автомобилей и поставщики первого уровня хотят увидеть гибкую архитектуру ИИ, позволяющую использование сторонних решений нейронных сетей для особых случаев, в дополнение ядрам NeuPro, в единой структуре.
Аналитики из The Linley Group охарактеризовали CDNN-Invite как интерфейс, позволяющий интегрировать ускоритель ИИ клиента в один и тот же вычислительный граф вместе с NeuPro с тем, чтобы он мог работать на одном хост-контроллере. Предполагается, что преимущество архитектуры и интерфейса Ceva в их способности создавать новые системы на уже устоявшихся платформах.
Корпорация Ceva считает, что CDNN-Invite создаст столь необходимую «открытую среду» для архитектуры ИИ, в отличие от Nvidia, архитектура которой полностью закрыта [9].
Безопасность АТС / ADAS
и отсутствие эталонных тестов
Одной из ключевых проблем, влияющих на развертывание АТС, является обеспечение их безопасности. Именно эта проблема заставила некоторые фирмы, первоначально активно продвигавшие АТС‑проекты, отложить их реализацию или полностью отказаться от них.
Сейчас, когда одной из наиболее предпочтительных технологий АТС являются ADAS, вопрос безопасности не потерял своей актуальности. При этом обеспечение безопасного функционирования ADAS является ключевым фактором их рыночного успеха.
Основными проблемами существующих ADAS являются:
На сегодня ни одна из специализированных организаций – Национальный совет США по безопасности на транспорте (NTSB), Национальное управление безопасности дорожного движения США (National Highway Traffic Safety Administration, NHTSA), Европейский комитет по проведению независимых краш-тестов авто с оценкой активной безопасности и пассивной безопасности (The European New Car Assessment Programme, NCAP) и т. д. – не установила эталонных тестов для АТС и ADAS. Используемые протоколы тестирования недостаточно строгие, поэтому поставщики АТС и ADAS могут достичь минимального соответствия этим протоколам, но при этом получить высший рейтинг [10].
Автономные транспортные средства в условиях пандемии COVID‑19
Пандемия COVID уже оказала негативное влияние на автомобильную промышленность, внеся в привычную жизнь существенные изменения и создав ситуацию неопределенности. Наблюдается падение продаж автомобилей, сокращение средств на НИОКР по автономным транспортным средствам (АТС), приостановка программ тестирования АТС и их дорожных испытаний. Тем не менее, разработки и внедрение АТС продолжаются.
Последствия воздействия COVID на различные сегменты индустрии АТС в соответствии с их характеристиками, различными сложностями и сроками развертывания проявляются в краткосрочной (от 1 до 3 лет) и долгосрочной (от 3 до 10 лет) перспективах (табл. 2) [11].
«Преувеличенная автоматизация»
Наступающая эпоха АТС порождает не только технологические достижения, но и непомерное расхваливание их достоинств. У критиков слишком ярых приверженцев АТС даже появился термин «преувеличенная автоматизация», то есть «практика подачи непроверенных или вводящих в заблуждение утверждений, которые искажают соответствующий уровень человеческого контроля, требуемый частично или полуавтономным продуктом, услугой или технологией». «Преувеличенная автоматизация» подает автомобиль как нечто более автономное, чем он есть на самом деле».
Надо отметить, что эта практика является логическим результатом нынешней мании индустрии технологий АТС, охватывающей многих крупных и широко финансируемых поставщиков, участвующих в гонке за полную автономность – таких как Aurora, Cruise, Nvidia, Tesla, Uber и Waymo.
Эта гонка уходит корнями в забеге Grand Challenge ‑ 2005, проведенном Управлением перспективного планирования оборонных научно-исследовательских МО США (DARPA). Тогда маршрут в 212 км был успешно пройден пятью транспортными средствами по закрытой от посторонних трассе за семь часов со средней скоростью чуть менее 32 км / ч.
Так как в Grand Challenge ‑ 2004 вообще никто не дошел до финиша, случившееся было ошибочно истолковано как потрясающий прогресс, достигнутый всего за один год. Предполагалось, что автомобили с автоматическим управлением будут «реальными» через 10 или 15 лет [6].
• • •
Автономные машины и их технологии привлекают большое внимание специалистов и обывателей. Это очень футуристическая тема, без которой не обходится ни одно фантастическое произведение. Тем не менее, по сравнению с ранними ожиданиями уже можно говорить о ряде корректировок. Во-первых, появление полностью автономных машин откладывается надолго. Во-вторых, преимущественной моделью использования АТС будут не личные машины, а роботакси. В‑третьих, для полной реализации концепции АТС предстоит решить еще немало проблем…
Литература
Automated Driving Levels of Driving Automation are Defined in New SAE International Stand-ard J3016. SAE International, http://www.sae.org/misc/pdfs/automated_driving.pdf
Davies A. Everyone Wants a Level 5 Self-Driving Car – Here’s What That Means.
https://www.wired.com/2016/08/self-driving-car-levels-sae-nhtsa/
Roos G., Ogboenyiya K. Systems Designers Must Know „All Aspects of Design“. EETimes magazine, 06.15.2020
https://www.eetimes.com/systems-designers-must-know-all-aspects-of-design/
Yoshida J. Full AV Stacks: Who, What, Where, etc. EETimes magazine, 05.11.2020
https://www.eetimes.com/full-av-stacks-who-what-
where-etc/
Cambou P. Chasing the consumer autonomous vehicle dream with Elon and Amnon. I–Micronews, May 14, 2020
https://www.i-micronews.com/chasing-the-consumer-autonomous-vehicle-dream-with-elon-and-amnon/?utm_source=ZohoCampaigns&utm_campaign=iMN_15May2020_Asia&utm_medium=email
Barnden C. Why Autonowashing Makes Me MADD. EETimes magazine, 07.31.2020
https://www.eetimes.com/why-autonowashing-makes-me-madd/
Yoshida J. 6 Trends on „Perception“ for ADAS/AV. EE Times, 09.23.19
https://www.eetimes.com/document.asp?doc_id=1335127
Yoshida J. NXP Touts Auto-Grade AI Toolkit for AVs. EE Times, 10.08.19
https://www.eetimes.com/document.asp?doc_id=1335187
Yoshida J. Ceva Goes Automotive with New AI Core & „Invite“ API. EETimes magazine, 09.17.19
https://www.eetimes.com/document.asp?doc_id=1335109
Yoshida J. Lack of ADAS Benchmarks Is Haunting Car Industry. EETimes magazine, 08.11.2020
https://www.eetimes.com/lack-of-adas-benchmarks-is-haunting-car-industry/
Juliussen E. Autonomous Vehicles in Covid Economy. EETimes magazine, 06.17.2020
https://www.eetimes.com/autonomous-vehicles-in-covid-economy/
М. Макушин , И. Черепанов
Автономный транспорт – это давняя мечта человека. На пути к ее реализации уже сделано много открытий и создано еще больше систем и приборов, находящих применение не только в автомобильной электронике. Как и при создании многих сложных систем, при создании автономных машин широко используется платформенный подход. Обладатели собственных платформ приобретают значительные преимущества…
Создание автономного транспорта требует решения многочисленных задач, начиная от вопросов проектирования ИС и систем автомобильной электроники до применения искусственного интеллекта и машинного обучения. Одной из основных технологий развития автономного транспорта становятся перспективные системы помощи водителю. Но это относится только к созданию самих машин. Помимо этого, необходимо решить многие вопросы с организацией дорожного движения, изменением его правил, создания новых типов карт и многого другого.
Степени автоматизации автономных транспортных средств
Всего насчитывается 5–6 уровней автоматизации, в зависимости от того, учитывается ли 0-й уровень – отсутствие автоматизации. Сами же уровни автоматизации определены так:
- 1-й уровень – системы помощи водителю;
- 2-й уровень – частичная автоматизация;
- 3-й уровень – условная автоматизация;
- 4-й уровень – высокая автоматизация;
- 5-й уровень – полная автоматизация.
Четвертый уровень автоматизации подразумевает, что автомобиль может управляться человеком, но в этом нет особой необходимости (можно не смотреть на дорожную ситуацию, не держать руки на руле и т. п.). Автономное транспортное средство обращается к человеку только в непредусмотренных программным обеспечением случаях.
Примечательно, что консалтинговая корпорация IHS Markit (Лондон, Англия) считает, что персональные беспилотные автомобили 4-го уровня не появятся до 2022–2023 годов. Первоначально они будут доступны только в городах, где разрешено вождение без водителя. IHS не видит роста в этой области как минимум до 2024 года.
Что касается 5-го уровня автономных наемных / прокатных или персональных автономных транспортных средств (АТС), то большинство исследователей не могут точно назвать время выпуска их на рынок. Что предполагает 5-й уровень автоматизации? Возможность разворота передних сидений в обратном направлении (для облегчения общения с пассажирами на задних сиденьях), полное отсутствие необходимости вмешательства человека в процесс вождения, руль может отсутствовать. По мнению отраслевых специалистов, до 2032–2045 годов массовое освоение подобных транспортных средств маловероятно [1, 2].
ИС и системы для автономных транспортных средств: аспекты проектирования
Одной из самых больших проблем, с которыми сталкиваются разработчики систем автомобильной электроники, является необходимость комплексного понимания всех аспектов среды проектирования (управление температурным режимом, синхронизация, помехоустойчивость, корпусирование, учет условия окружающей среды). Все эти факторы влияют на выбор электронных компонентов, а также на стоимость. Разработчикам приходится на ходу переосмыслять или изменять топологию схем, оценивать общие последствия интеграции новых функций и технологии, а также их влияние на уже используемые.
Также существуют вызовы в области повышения рабочего напряжения АТС, интеграции компонентов и т. д. В структуре продаж АТС все большее место будут занимать электромобили и гибридные машины, а значит электродвигатели будут работать при напряжениях до 400 В и 800 В, в зависимости от размера транспортного средства и величины нагрузки. Соответственно, разработчики ищут более эффективные технологии управления двигателем, такие как полевые транзисторы на основе карбида кремния (SiC FET) и нитрида галлия (GaN).
При переходе к более современным технологиям FET частоты переключения повышаются, многие компоненты можно сделать по размеру меньше, это приводит к перераспределению плотности мощности и, как следствие, к изменению расположения компонентов. Но появляются проблемы с электромагнитными помехами и надо будет повышать помехоустойчивость. Более высокие значения напряжения и тока ужесточают требования к отводу тепла.
Ряд проблем интеграции компонентов в малом пространстве могут решаться за счет систем-на-кристалле (СнК, SoC) или систем-в-модуле (СвМ, SiP). Например, интеграция радаров, ранее состоявших из дискретных компонентов (аналоговых входных каскадов, преобразователей данных, антенн, блоков обработки данных и синхронизации).
По мере изменения задач проектирования больше внимания уделяется и другим факторам, например, расположению датчиков с целью получения наилучших измерений углов, обеспечения точной синхронизации систем, объединяющих несколько различных типов датчиков, повышения невосприимчивости к шумам / помехам.
Кроме того, проектировщикам систем приходится думать не только об электрических взаимодействиях внутри СнК или СвК, но и о надежности корпуса, выборе методик корпусирования и т. п. с тем, чтобы обеспечить надежность изделия в течение всего срока службы.
Наконец, все больше внимания уделяется функциональной безопасности и способам ее проектирования. Если еще несколько лет назад ее применение ограничивалось лишь несколькими автомобильными системами (подушки безопасности, системы торможения, управления шасси и т. п.), то сейчас эти требования предъявляются практически ко всем автомобильным системам [3].
Платформы автономных транспортных средств
Разработка АТС невозможна без поддержки соответствующей экосистемы. Кто из производителей комплектного оборудования (OEM) и производителей роботакси будет обладать собственной программной платформой, является в данном случае одним из основных вопросов.
Несмотря на то, что обязательства каждой компании, участвующей в программе разработки АТС, могут различаться, автопроизводители и высокотехнологичные фирмы налаживают сотрудничество, чтобы решить проблему обеспечения безопасного вождения АТС. Этот прагматичный подход резко контрастирует с оптимистическими прогнозами последних лет, когда развивающийся рынок был заполнен деньгами венчурных капиталистов и изобиловал напыщенными заявлениями о разработках АТС и прогнозами перспектив рынка.
Следует отметить, что стартапы-разработчики АТС, поддерживаемые повышенным спросом и охотно финансируемые венчурным капиталом, будут уходить с рынка, поскольку энтузиазм инвестиционного сообщества к транспортным средствам 4-го и 5-го уровня автоматизации начинает угасать (венчурные капиталисты в основном ориентированы на получение прибыли в краткосрочной, реже – в среднесрочной перспективе, но не в долгосрочном плане).
Относительно других разработчиков очевидно, что те, кто уже вложил значительные средства в разработку АТС‑платформ (и достиг определенного прогресса), не откажутся от разработки комплексных решений. Они видят в этом крупную техническую проблему, но все же считают, что это определяет их судьбу в долгосрочной перспективе, если не в ближайшем будущем.
Недавно журналисты EE Times и аналитики IHS Markit проанализировали динамику работ в области создания АТС с целью определить, насколько реализованными оказались заявленные в последние пять лет программы в этой области, на какой стадии сейчас находятся все сделки и партнерства, а также какой прогресс действительно был достигнут.
Аналитикам и журналистам удалось «картографировать» крайне запутаную сеть «объявленных» партнерских отношений между ведущими игроками. Для удобства все участники процесса создания АТС были разделены на три группы: платформы роботизированных такси (роботакси), платформы OEM и высокотехнологичные программные платформы (рис. 1).
Платформы роботакси
В группу роботакси входят восемь игроков, среди которых выделяются три: Aptiv-nuTonomy, Didi и Uber. Как имеющие собственные программно-реализованные стеки АТС отмечаются фирмы Zoox и Aptiv-nuTonomy.
Фирма Zoox, основанная в 2014 году, разрабатывает совершенно новое АТС, предназначенное для рынка роботакси. В настоящее время, однако, Zoox для обкатки своей системы автономного вождения модернизировал серийную машину Toyota Highlanders. Испытания проводятся в районе Сан-Франциско.
Другой игрок, фирма Aptiv (ранее – Delphi), три года назад купила стартап NuTonomy, «почку» Массачусетсткого технологического института (MIT), ориентированный на разработку ПО АТС и автономных мобильных роботов. В сентябре прошлого года Aptiv объявила о создании совместного с Hyundai предприятия стоимостью 50 млрд долл. Сделка, заключенная в марте, может рассматриваться как переворот для Aptiv-nuTonomy.
Однако отношения становятся запутанными, когда OEM‑производители начинают заключать многочисленные сделки по программно-реализованным стекам АТС с поставщиками платформ для роботакси и поставщиками высокотехнологичного программного обеспечения.
Например, в отношении полных программно-реализованных стеков АТС лояльность (партнерам) корпорации Hyundai остается неясной. Корейский автопроизводитель вполне может делать ставки одновременно на две компании – Aptiv-nuTonomy и Aurora.
Aurora, стартап, запущенный в январе 2017 года, разрабатывает полный программно-реализованный стек АТС под названием Aurora Driver. Hyundai – один из первых его инвесторов. Представители Aurora ранее заявляли о плане расширения своей программы исследований и разработок с Hyundai для создания платформы автономного вождения.
Эксперты Hyundai заявили, что их новое совместное предприятие с Aptiv-nuTonomy не повлияет на его отношения с Aurora. Однако, в целом, Hyundai предоставляет крайне скудные подробности о реальном взаимодействии с Aurora.
Платформы OEM
Во вторую группу входят GM-Cruise, Hyundai, VW, Ford-Argo, BMW, Mercedes-Benz и Bosch, Volvo и Toyota. Они все уже испытывали свои АТС. Место, занимаемое каждым из этих автопроизводителей (в плане лидерства), постоянно меняется. К производителям автомобилей с собственными программными платформами АТС относятся: GM-Cruise (программная платформа АТС Cruise), Ford-Argo (Argo.ai, полный программно-реализованный стек АТС) и Toyota (собственная платформа). У компании Volvo может быть собственная программная платформа АТС, но ранее она объявила о партнерстве с венгерским поставщиком программных платформ AImotive (ранее – AdasWorks).
Концерн BMW полностью полагается на совместную программную платформу АТС корпорации Intel и фирмы Mobileye.
Как упоминалось ранее, связь Hyundai с Aurora и Aptiv-nuTonomy остается неясной.
Фирма Volkswagen не имеет собственной программной платформы АТС, летом прошлого года она разорвала отношения с Aurora и обратилась к Ford-Argo (Argo.ai).
Высокотехнологичные
программные платформы
В третьей группе собраны высокотехнологичные разработчики США – Waymo, Aurora, Argo.ai, AImotive и Drive.ai, а также азиатского региона – Preferred Network (Япония), Baidu (КНР, проект Apollo), AutoX, Momenta, WeRide и Pony.ai.
Ведущие поставщики ИС для АТС – Nvidia и Mobileye – также разрабатывают свои собственные программные платформы. И, конечно же, есть Tesla, создающая свой собственный полный программно-реализованный стек АТС.
Наиболее известные фирмы в этом списке – Waymo, Aurora, Argo.ai, Intel / Mobileye, Nvidia и Drive.ai.
В июне прошлого года корпорация Apple поглотила стартап Drive.ai (Маунтин-Вью, штат Калифорния), основанный в 2015 году и работающий над системами с автоматическим управлением, использующими ИИ.
Программа Apollo корпорации Baidu – это АТС‑платформа с открытым исходным кодом, ориентированная на большое число игроков экосистемы АТС [4].
Экономика автономных
транспортных средств
В последнее время Yole Développement опубликовала две работы, в которых исследуются экономические и технологические тенденции в области автономного вождения (Sensors for Robotic Mobility 2020, Sensing and Computing for ADAS Vehicle 2020 и AI for Automotive 2020). Особое внимание уделено аппаратному и программному обеспечению перспективных систем помощи водителю (ADAS), а также рынку средств автономного вождения (Automated Driving, AD), на котором действует около десятка игроков, поставляющих роботизированные транспортные средства. Основной целью этих игроков никогда не была продажа АТС населению, они всегда утверждали, что их основной целью является модель «мобильность как услуга» (Mobility-as-a-Service, MaaS).
Специалисты Yole говорят о четком различии между решениями систем помощи водителю ADAS (которые в основном обеспечивают автоматизированное экстренное торможение и / или помощь в удержании полосы движения, помощь в пробках) и решениями поставщиков роботизированных машин, таких как Waymo, Cruise и Zoox. Последние предоставляют реальные АТС в основном в качестве опытных образцов для отработки оказания роботизированных услуг. В течение нескольких лет много раз поднимался вопрос, являются ли выступающие за корпус АТС датчики проблемой, если такие машины должны быть проданы потребителям. Но сейчас складывается прямо противоположная ситуация.
Поставщики ADAS и АТС (Mobileye, Tesla и Toyota / Denso) все еще обещают потребительские версии своих АТС, но все больше ориентируются на рынок роботакси.
Появившиеся оценки рентабельности бизнеса роботакси приводятся на рис. 2 и в табл. 1 [5].
Потенциальный функционал систем контроля водителя
В течение следующих 20 лет технология автономного вождения будет представлять собой не «самостоятельное вождение», а системы контроля водителя в сочетании с применением науки о человеческом факторе для помощи водителям не стать «опасными», то есть не стать причиной возникновения несчастного случая.
Системы контроля водителя играют решающую роль в борьбе не только с человеческим фактором (невниманием, усталостью и пр.), но и с опьянением. Усталость и интоксикации могут быть отнесены к категории состояний, требующих вмешательства, и системы контроля водителя должны сыграть существенную роль в будущем, чтобы избежать опасных последствий вождения в нетрезвом виде. Целью контроля человеческого фактора в мониторинге водителя является предоставление надежного и в реальном масштабе времени понимания когнитивного состояния водителя применительно к риску возникновения несчастного случая.
Речь здесь не совсем о системах блокировки зажигания или какого-либо вида «опеки» и тем более не о сдаче нетрезвого водителя «умной» машиной, которой тот управляет, полицейским. Тем не менее, данная технология, несомненно, играет определенную роль в выявлении нарушений в работе водителя и соответствующей адаптации реагирования систем безопасности.
Потенциально, функционал систем контроля водителя может включать в себя:
- отключение функции «помощь при движении по шоссе» таких систем, как GM Super Cruise или Ford Active Drive Assist, если водитель считается нарушителем;
- повышение чувствительности автономных систем экстренного торможения и удержания полосы движения на основе измерений уровня ухудшения состояния водителя;
- активизацию не подлежащего изменению ограничителя скорости, используя данные с камеры распознавания дорожных знаков, если водитель считается нарушителем;
- усиление визуальных и звуковых сигналов и использование вибрации сиденья, чтобы побудить водителя прекратить движение и прийти в себя.
Обязательная установка подобных систем уже предусмотрена в действующих законах. Тем не менее, политика безопасности дорожного движения США уже несколько лет отстает от инициатив европейских органов, таких как Европейский комитет по проведению независимых краш-тестов авто с оценкой активной безопасности и пассивной безопасности Euro NCAP и обновленных Европейских общих правил безопасности, касающихся безопасности в автомобильном секторе (European General Safety Regulations).
Основным средством контроля и поддержки автомобилиста считаются перспективные системы помощи водителю (Advanced Driver Assistance Systems, ADAS). Они же являются одним из основных этапов перехода к полностью автоматизированным транспортным средствам [6].
Роль ADAS в развитии автономных транспортных средств
То, что перед разработчиками АТС стоят трудные задачи – очевидно. Специалисты Yole Développement предполагают, что существуют три основных сценария будущего автомобильных датчиков и вычислительной техники (рис. 3), составляющих базу ADAS и прочей автомобильной робототехники. На вопрос, сколько может быть смешанных и / или промежуточных сценариев, вряд ли кто возьмется ответить [4].
Отраслевые специалисты отмечают, что в настоящее время в сфере АТС основное внимание уделяется скорее ADAS, а не собственно АТС. Очевидно, что сообщество разработчиков в своем большинстве признает существование большого разрыва между тем, что возможно сегодня, и запуском в перспективе коммерческих АТС, управляемых искусственным интеллектом без участия людей-водителей.
Никто не говорит, что самоуправляемые автомобили невозможны. Тем не менее, предсказывается, что 4-й уровень АТС будет развернут в очень ограниченной области проектирования систем на уровне операций (operational design domain, ODD, автоматизированный режим) и создан при полном и тщательном учете требований безопасности. Под ODD подразумеваются конкретные дорога, полоса движения, часы работы, погодные условия, время суток, точки посадки / высадки и т. д.
На вопрос о том, достигнет ли автомобиль, управляемый ИИ, интуитивности, присущей людям, то есть понимания того, что он действительно управляет транспортным средством и понимает контекст управления, отраслевые специалисты отвечают, что это произойдет по крайней мере через 10 лет, а скорее всего – через 20–30 лет.
Между тем, для разработчиков ADAS и высокоавтоматизированных автомобилей главная проблема на данный момент – как лучше всего оснастить автомобили средствами восприятия окружающей обстановки (компьютерное зрение, радары и т. д.). Восприятие, то есть «знание» того, где находятся и куда перемещаются объекты в окружающей среде, является основой каждого высокоавтоматизированного транспортного средства. Там, где автономные транспортные средства слабы по сравнению с водителем-человеком, очень важны возможность «предсказания» или понимание ситуации и предсказание того, куда воспринимаемый объект будет перемещаться дальше.
Основная тенденция текущего момента – выход на передний план интеллектуальности, то есть наращивание интеллектуальности непосредственно первичных средств сбора данных. Многие поставщики добиваются этого повышением интеллектуальности датчиков за счет слияния разных датчиков и различных сенсорных данных. Среди подобных слияний / сочетаний на первичном уровне наиболее популярными в настоящий момент являются:
- RGB‑камеры + датчики ближней ИК‑области спектра (RGB+NIR);
- RGB‑камеры + датчики коротковолновой ИК‑области спектра (RGB+SWIR);
- RGB‑камеры + лидары;
- RGB‑камеры + радары.
Однако подходы основных игроков отличаются друг от друга. Одни, как было выше сказано, предпочитают осуществлять слияние датчиков «на переднем рубеже» – непосредственно на уровне сбора данных. Другие, например корпорация Waymo (Маунтин-Вью, штат Калифорния), предпочитают централизованное слияние необработанных данных датчиков непосредственно в центральном процессоре [7].
В то же время развитие АТС не обязательно требует использования либо искусственного интеллекта (ИИ), либо глубокого обучения. Проще говоря, не все АТС должны управляться ИИ. Однако трудности с проверкой безопасности управляемых ИИ АТС сохраняются.
Специалисты в области безопасности озабочены «черным ящиком» природы глубокого обучения, и это только один из нескольких острых вопросов. Остается неясным, могут ли разработчики АТС верифицировать и аттестовывать непрерывно обучающуюся систему ИИ.
Также неизвестно, будет ли развернутая на специальном автомобильном аппаратном обеспечении функция ИИ вести себя так же, как в период разработки и обучения на более крупной, более мощной компьютерной системе.
На этом фоне корпорация NXP Semiconductors представила свой набор инструментальных средств разработки ПО для глубокого обучения – eIQ Auto (рис. 4). Отмечается, что большинство программных платформ глубокого обучения и нейронных сетей, разработанных до сих пор, используются для потребительских приложений, таких как зрение, речь и естественный язык. При этом они не обязательно разрабатываются с учетом жизненно важных приложений.
Корпорация NXP, ведущий поставщик автомобильных ИС, сделала еще один шаг вперед, обеспечив совместимость своего набора инструментальных средств разработки ПО с программой определения возможностей и улучшения процесса создания ПО автомобильного назначения (Automation Software Process Improvement and Capability dEtermination, A-SPICE). На деле A-SPICE – это набор рекомендаций, разработанных немецкими автопроизводителями для улучшения процессов разработки программного обеспечения.
Специалисты NXP подчеркивают, что их средство eIQ Auto разработано специально под процессор NXP S32V234 и предназначено для помощи разработчикам АТС по оптимизации разработки встраиваемого аппаратного обеспечения алгоритмов глубокого обучения и ускорения его выхода на рынок.
Некоторые производители автомобилей уже разработали аналогичные наборы инструментальных средств глубокого обучения. Но среди поставщиков автомобильных ИС корпорация NXP в этом смысле пока одинока.
Помимо прочего, средство eIQ Auto способно распределять рабочую нагрузку и выбирать оптимальную вычислительную машину для каждой части нейронной сети. Это ускоряет процесс создания механизма формирования логического вывода, так как данное инструментальное средство способно помочь разработчикам АТС выяснить, какие задачи лучше всего выполняются на центральном процессоре, ЦОС‑процессоре или графическом процессоре. Отмечается, что средство eIQ Auto не может использоваться с приборами, произведенными другими фирмами, поскольку оно должно быть хорошо знакомо с тем, что происходит внутри процессора.
Средство eIQ Auto также поставляется с интерфейсами для обучения структур и форматов моделей, таких как TensorFlow, ONNX, Caffe, Pytorch – в дополнение к моделям оптимизации и используемому инструментарию (скрипты, необходимые инструментальные средства компиляторов) и библиотекам программ этапа исполнения (C / C++, vector DSP, NEON).
Таким образом, цель инструментального средства eIQ Auto – помощь клиентам в быстром переходе от среды разработки к реализациям ИИ, соответствующим строгим автомобильным стандартам.
Применение искусственного интеллекта в автономных транспортных средствах
В настоящее время наиболее распространенным приложением ИИ внутри транспортного средства является техническое зрение, использующее нейронные сети для классификации объектов на изображениях. Оно также используется для контроля состояния водителя и салона автомобиля, идентификации лиц и обнаружения пассажиров / багажа. Основные применения средств глубокого обучения в автомобилях показаны на рис. 5.
Другие потенциальные автомобильные применения ИИ включают радары. Ожидается, что в будущем радары будут использовать нейронные сети для классификации участников дорожного движения на основе их изображений. Отмечается, что использование ИИ в радиолокационных приложениях остается недостаточно развитым из-за их более высоких требований выхода на рынок, связанных с использованием радара в качестве датчика. По сравнению с КМОП‑формирователями сигналов изображения радары существенно дороже.
Отраслевые эксперты полагают, что отсутствие или недостаток радарных данных ограничивает доступные наборы данных.
Прогнозируется, что ИИ также будет применяться для объединения получаемых с разных датчиков данных – например совместного использования систем технического зрения и радаров. Но опять же, в отрасли пока не достигнут консенсус о том, на каком этапе (раннем или завершающем) осуществлять объединение этих двух видов сенсорных данных.
Сейчас большинство тестовых АТС поставляется с энергоемким оборудованием, не очень-то подходящим для массового производства автомобилей. Специалисты корпорации NXP надеются, что их новое инструментальное средство eIQ Auto позволит клиентам развертывать мощные нейронные сети «в среде встроенных процессоров с самым высоким уровнем безопасности и надежности» [8].
За последние несколько лет появилось большое число стартапов, специализирующихся на искусственном интеллекте (ИИ), ориентированном на автомобильный рынок. OEM и поставщики первого уровня стремятся разрабатывать ИС искусственного интеллекта собственного производства – во многом по аналогии с инновационной разработкой корпорацией Tesla собственных полностью автономных компьютерных (FSD) ИС. Если последний случай станет тенденцией, то что будут делать лицензиары сложнофункциональных (СФ) ядер, такие как корпорации Ceva? Прежде всего, они должны повысить производительность своих лицензируемых СФ‑ядер, разработанных для архитектуры ИИ. Кроме того, они должны сделать свои ядра нейронных сетей еще более привлекательными для разработчиков «систем-на-кристалле» (SoC). Компания Ceva недавно представила архитектуру новейшего искусственного интеллекта второго поколения для глубокой нейронной сети. Названная NeuPro-S, новая архитектура ИИ включает в себя ряд системных усовершенствований. Параллельно, Ceva представила интерфейс прикладного программирования CDNN (Ceva Deep Neural Network) Invite (рис. 6). Это технология компиляции глубоких нейронных сетей, предназначенная для поддержки не только собственных ядер Ceva (NevaPro), но и сторонних решений нейронных сетей в единой унифицированной архитектуре нейронной сети.
Поскольку нейронные сети продолжают развиваться, представители Ceva считают, что производители автомобилей и поставщики первого уровня хотят увидеть гибкую архитектуру ИИ, позволяющую использование сторонних решений нейронных сетей для особых случаев, в дополнение ядрам NeuPro, в единой структуре.
Аналитики из The Linley Group охарактеризовали CDNN-Invite как интерфейс, позволяющий интегрировать ускоритель ИИ клиента в один и тот же вычислительный граф вместе с NeuPro с тем, чтобы он мог работать на одном хост-контроллере. Предполагается, что преимущество архитектуры и интерфейса Ceva в их способности создавать новые системы на уже устоявшихся платформах.
Корпорация Ceva считает, что CDNN-Invite создаст столь необходимую «открытую среду» для архитектуры ИИ, в отличие от Nvidia, архитектура которой полностью закрыта [9].
Безопасность АТС / ADAS
и отсутствие эталонных тестов
Одной из ключевых проблем, влияющих на развертывание АТС, является обеспечение их безопасности. Именно эта проблема заставила некоторые фирмы, первоначально активно продвигавшие АТС‑проекты, отложить их реализацию или полностью отказаться от них.
Сейчас, когда одной из наиболее предпочтительных технологий АТС являются ADAS, вопрос безопасности не потерял своей актуальности. При этом обеспечение безопасного функционирования ADAS является ключевым фактором их рыночного успеха.
Основными проблемами существующих ADAS являются:
- ADAS слишком активен, когда водитель бдителен и полностью занят своей задачей;
- ADAS слишком пассивен в мгновенной аварийной ситуации, особенно когда водитель отвлечен, утомлен или ослаблен.
На сегодня ни одна из специализированных организаций – Национальный совет США по безопасности на транспорте (NTSB), Национальное управление безопасности дорожного движения США (National Highway Traffic Safety Administration, NHTSA), Европейский комитет по проведению независимых краш-тестов авто с оценкой активной безопасности и пассивной безопасности (The European New Car Assessment Programme, NCAP) и т. д. – не установила эталонных тестов для АТС и ADAS. Используемые протоколы тестирования недостаточно строгие, поэтому поставщики АТС и ADAS могут достичь минимального соответствия этим протоколам, но при этом получить высший рейтинг [10].
Автономные транспортные средства в условиях пандемии COVID‑19
Пандемия COVID уже оказала негативное влияние на автомобильную промышленность, внеся в привычную жизнь существенные изменения и создав ситуацию неопределенности. Наблюдается падение продаж автомобилей, сокращение средств на НИОКР по автономным транспортным средствам (АТС), приостановка программ тестирования АТС и их дорожных испытаний. Тем не менее, разработки и внедрение АТС продолжаются.
Последствия воздействия COVID на различные сегменты индустрии АТС в соответствии с их характеристиками, различными сложностями и сроками развертывания проявляются в краткосрочной (от 1 до 3 лет) и долгосрочной (от 3 до 10 лет) перспективах (табл. 2) [11].
«Преувеличенная автоматизация»
Наступающая эпоха АТС порождает не только технологические достижения, но и непомерное расхваливание их достоинств. У критиков слишком ярых приверженцев АТС даже появился термин «преувеличенная автоматизация», то есть «практика подачи непроверенных или вводящих в заблуждение утверждений, которые искажают соответствующий уровень человеческого контроля, требуемый частично или полуавтономным продуктом, услугой или технологией». «Преувеличенная автоматизация» подает автомобиль как нечто более автономное, чем он есть на самом деле».
Надо отметить, что эта практика является логическим результатом нынешней мании индустрии технологий АТС, охватывающей многих крупных и широко финансируемых поставщиков, участвующих в гонке за полную автономность – таких как Aurora, Cruise, Nvidia, Tesla, Uber и Waymo.
Эта гонка уходит корнями в забеге Grand Challenge ‑ 2005, проведенном Управлением перспективного планирования оборонных научно-исследовательских МО США (DARPA). Тогда маршрут в 212 км был успешно пройден пятью транспортными средствами по закрытой от посторонних трассе за семь часов со средней скоростью чуть менее 32 км / ч.
Так как в Grand Challenge ‑ 2004 вообще никто не дошел до финиша, случившееся было ошибочно истолковано как потрясающий прогресс, достигнутый всего за один год. Предполагалось, что автомобили с автоматическим управлением будут «реальными» через 10 или 15 лет [6].
• • •
Автономные машины и их технологии привлекают большое внимание специалистов и обывателей. Это очень футуристическая тема, без которой не обходится ни одно фантастическое произведение. Тем не менее, по сравнению с ранними ожиданиями уже можно говорить о ряде корректировок. Во-первых, появление полностью автономных машин откладывается надолго. Во-вторых, преимущественной моделью использования АТС будут не личные машины, а роботакси. В‑третьих, для полной реализации концепции АТС предстоит решить еще немало проблем…
Литература
Automated Driving Levels of Driving Automation are Defined in New SAE International Stand-ard J3016. SAE International, http://www.sae.org/misc/pdfs/automated_driving.pdf
Davies A. Everyone Wants a Level 5 Self-Driving Car – Here’s What That Means.
https://www.wired.com/2016/08/self-driving-car-levels-sae-nhtsa/
Roos G., Ogboenyiya K. Systems Designers Must Know „All Aspects of Design“. EETimes magazine, 06.15.2020
https://www.eetimes.com/systems-designers-must-know-all-aspects-of-design/
Yoshida J. Full AV Stacks: Who, What, Where, etc. EETimes magazine, 05.11.2020
https://www.eetimes.com/full-av-stacks-who-what-
where-etc/
Cambou P. Chasing the consumer autonomous vehicle dream with Elon and Amnon. I–Micronews, May 14, 2020
https://www.i-micronews.com/chasing-the-consumer-autonomous-vehicle-dream-with-elon-and-amnon/?utm_source=ZohoCampaigns&utm_campaign=iMN_15May2020_Asia&utm_medium=email
Barnden C. Why Autonowashing Makes Me MADD. EETimes magazine, 07.31.2020
https://www.eetimes.com/why-autonowashing-makes-me-madd/
Yoshida J. 6 Trends on „Perception“ for ADAS/AV. EE Times, 09.23.19
https://www.eetimes.com/document.asp?doc_id=1335127
Yoshida J. NXP Touts Auto-Grade AI Toolkit for AVs. EE Times, 10.08.19
https://www.eetimes.com/document.asp?doc_id=1335187
Yoshida J. Ceva Goes Automotive with New AI Core & „Invite“ API. EETimes magazine, 09.17.19
https://www.eetimes.com/document.asp?doc_id=1335109
Yoshida J. Lack of ADAS Benchmarks Is Haunting Car Industry. EETimes magazine, 08.11.2020
https://www.eetimes.com/lack-of-adas-benchmarks-is-haunting-car-industry/
Juliussen E. Autonomous Vehicles in Covid Economy. EETimes magazine, 06.17.2020
https://www.eetimes.com/autonomous-vehicles-in-covid-economy/
Отзывы читателей
