Как и в прошлом году, декабрьский номер журнала полностью посвящен одной теме - автоматически управляемым транспортным средствам (Unmanned Vehicles). В качестве приглашенных редакторов выступают Гуна Ситараман, Арун Лахотия и Эрик Филип Блэш (Guna Seetharaman, Air Force Institute of Technology, Arun Lakhotia, University of Louisiana at Lafayette, Erik Philip Blasch, Air Force Research Laboratory). Их вводная заметка называется «Автоматически управляемые транспортные средства вступают в пору зрелости: DARPA Grand Challenge» («Unmanned Vehicles Come of Age: The DARPA Grand Challenge»).

Большинство тинейджеров расценивает получение прав на вождение автомобиля как подтверждение своего вступления в пору зрелости. За последние три десятилетия повзрослела и технология робототехники, которая также готова теперь получить водительские права.

Значительные достижения в областях обработки информации, машинного зрения, теории управления и обработки сигналов, как на уровне аппаратуры, так и с использованием программного обеспечения, повышают возможности представления, анализа и понимания динамически изменяющихся дорожных условий, а также реагирования на эти условия. В этом номере журнала описываются последние разработки в области наземных автоматически управляемых автономных (Unmanned Autonomous Vehicle - UAV) транспортных средств, представленных на широко известном конкурсе автомобилей-роботов DARPA Grand Challenge. Хотя на конкурсе DARPA Grand Challenge основное внимание уделяется UAV, в этом номере также обсуждаются будущее автоматически управляемых транспортных средств и вычислительные парадигмы, которые можно было бы использовать в системах управления интеллектуальными транспортными средствами.

Управление транспортным средством является трудной задачей, для решения которой требуется нечто большее, чем точное, надежное и повторяемое поведение робота. Нобелевский лауреат Герберт Саймон (Herbert Simon) отмечал следующее: «Совершенно очевидно, ЧТО потребляет информация: она потребляет внимание своих реципиентов. Отсюда ясно, что богатство информации порождает бедность внимания и потребность в эффективном распределении внимания между чрезмерным количеством источников информации, потребляющих внимание.»

Для успешного управления транспортным средством требуются внимание, восприимчивость и инстинктивная реакция на изменяющиеся дорожные условия, препятствия и условия безопасности. Автомобиль, движущийся со скоростью 96 км/час, покрывает 26.5 метров в секунду. Время реакции большинства водителей-людей составляет около трех секунд, в течение которых транспортное средство пройдет около 100 метров. Типичный водитель получает информацию о дорожных условиях за 11 секунд до достижения автомобилем соответствующего участка дороги. За это время водитель принимает последовательность решений на основе данных о 291 метре дороги, различающихся для разных маршрутов движения. Кроме того, требуется обрабатывать еще и данные заднего обзора, влияющие на условия безопасности движения. Все это порождает потребность в непрерывной последовательности решений, которые приходится принимать с учетом ранее принятых тактических решений об общем маршруте движения.

При принятии водителями решений могут существенно помочь средства автономного компьютинга. Производители автомобилей успешно интегрируют средства автоматического поддержания постоянной скорости (cruise control), автоматического переключения скоростей и полностью автоматической парковки. Удаленно управляемые транспортные средства в течение более чем двадцати лет успешно используются космических полетах и в неблагоприятных наземных условиях. Более пятидесяти лет в промышленности используются робототехнические системы для перемещения материалов по производственным линиям. Эти достижения были получены, в основном, благодаря созданию средств точного измерения, контролируемой реакции, а также точных и надежных исполнительных механизмов; безопасность обеспечивалась за счет возможности перехвата управления человеком.

Готовы ли эти робототехнические системы к тому, чтобы стать персональными шоферами? Только недавно научное сообщество взялось за решение проблемы автономного управления транспортными средствами. На последнем конкурсе DARPA Grand Challenge были представлены машины, управляемые в полностью автономном режиме. Еще более впечатляет реальная возможность того, что в близком будущем автономные транспортные средства смогут перемещаться в городской среде.

Первая из семи основных статей тематической подборки представлена Массимо Бертоцци, Альберто Борги и Алессандрой Фасциоли (Massimo Bertozzi, Alberto Broggi, Alessandra Fascioli, VisLab, Universitа degli Studi di Parma). Статья называется «VisLab и эволюция автоматически управляемых наземных транспортных средств, основанных на системах технического зрения» («VisLab and the Evolution of Vision-Based UGVs»).

Технология автоматически управляемых наземных транспортных средств (Unmanned Ground Vehicle - UGV) развивается нерегулярным образом. Исследователи обдумывали эту идею в 1960-х гг., но тогда технология была недостаточно зрелой, и только в середине 1980-х гг. в военной промышленности был разработан прототип UGV. Целью проекта являлась автоматизация парка военных наземных транспортных средств. В конце 1980-х гг. исследователи стали проявлять интерес к гражданским проектам, инициированным правительствами разных стран. И только в конце 1990-х гг. автомобильная промышленность, наконец, смогла подойти к разработке и дорожным испытаниям первых автономных транспортных средств.

В настоящее время наблюдается множество исследовательских проектов в области интеллектуальных транспортных средств. Однако технологические проблемы и правовые соображения, связанные с полностью автоматическими транспортными средствами, побуждают автомобильную промышленность концентрироваться на контролируемых системах и системах развитой помощи водителям (Advanced Driver Assistance Systems - ADAS). В то же время исследования в области UGV замедлились, поскольку промышленность и правительство больше не расценивают UGV, как основную стратегическую область инвестиций. Во всем мире министерства транспорта озабочены социальными, экономическими задачами, проблемами защиты окружающей среды, стремясь к повышению качества автомобильного топлива, эффективности дорожной сети, качества жизни.

В настоящее время успехи автомобильной промышленности в связи с внедрением ADAS побуждают военную промышленность пересмотреть свою цель автоматизации парка транспортных средств. Существенный шаг был предпринят агентством DARPA, в конкурсе Grand Challenges которого в 2004 и 2005 гг. приняли участию лидирующие исследовательские институты, конкурировавшие за призы мультимиллионного размера.

Исследователи анализируют возможности применения автоматически управляемых транспортных средств во многих других приложениях в областях сельского хозяйства, обезвреживания мин, аварийно-спасательных работ и т.д. Это позволило бы снизить уровень человеческого риска и повысить эффективность использования трансортных средств. Однако в большинстве отраслей промышленности наивысший интерес представляет автоматизация дорожных транспортных средств.

В лаборатории машинного зрения и интеллектуальных систем VisLab в Universitа degli Studi di Parma исследования в области UGV проводятся в течение более чем 15 лет. В VisLab разрабатывалось транспортное средство Mobile Laboratory (Mob-Lab). Проект выполнялся в рамках программы европейской Prometheus, являющейся частью программы Eureka, которая проводилась европейской автомобильной промышленностью в 1989-1994 гг. Прототип Mob-Lab, называвшийся Fiat Ducato 18 Maxi, предназначался для изучения, разработки и тестирования интеллектуальных систем реального времени, основанных на использовании механизмов машинного зрения. Была разработана собственная компьютерная архитектура Processor for Image Checking and Analysis (Paprica), основанная на парадигме «один поток команд - много потоков данных» (SIMD). Эта компьютерная система подключалась непосредственно к системе машинного зрения, отображающей результаты обработки на внешнем мониторе. Прототип Mob-Lab использовался для тестирования решений и алгоритмов распознавания маршрутов и препятствий.

В конце 1990-х гг. в VisLab выполнялись проекты ARGO и Surface Antarctic Robot (RAS). В рамках проекта ARGO был разработан один из первых прототипов, демонстрирующий возможности автоматического управления транспортным средством на дорогах общественного пользования. В нем интегрировались основные полученные ранее результаты в областях алгоритмов и архитектур систем управления дорожными транспортными средствами на основе методов машинного зрения. Было разработано, протестировано и настроено несколько решений для автономного перемещения с выбором маршрута движения и обнаружением препятствий.

В проекте RAS исследовались возможности автоматического управления транспортными средствами в экстремальных условиях. Практические испытания средств автоматического маневрирования снегохода проводились во время итальянских экспедиций на Южный полюс. Конечной целью проекта была разработка снегохода, который мог бы автоматически следовать за ведущим транспортным средством.

В последние годы в VisLab при взаимодействии с партнерами из автомобильной промышленности и исследовательскими центрами разрабатывалось несколько исследовательских прототипов, основанных на различных технологиях. Одной из областей исследования является защита уязвимых участников дорожного движения. В сотрудничестве с исследовательским центром Фольксваген VisLab разработала прототип систему распознавания пешеходов для приложений предотвращения аварий и помощи водителям.

В рамках европейского проекта APALACI-PReVENT, направленного на разработку и демонстрацию предохранительных приложений и технологий для повышения уровня дорожной безопасности, VisLab работает вместе с компанией Volvo над системой блокировки начала движения больших грузовиков. В системе используются средства машинного зрения для обнаружения пешеходов или препятствий в мертвой зоне перед грузовиком для предупреждения водителя и предотвращения наезда.

В сотрудничестве с крупной германской компаний Hella, поставляющей изделия для автомобилестроения, VisLab исследует возможности применения близких к инфракрасному спектру прожекторов и камер для локализации препятствий. В автомобильной индустрии также проявляется интерес к приложениям помощи водителям на основе цветного машинного зрения. В этой области VisLab сотрудничает с итальнской компанией Magneti Marelli при выполнении проекта по использованию цветного машинного зрения для распознавания дорожных знаков.

В военной области VisLab сотрудничает с группой ветроники (vetronics, от vehicle electronics) центра TARDEC (Tank Automotive Research, Development and Engineering Center) Вооруженных сил США. В проекте разрабатывается система, оснащенная четырьмя видеокамерами, предназначенная для повышения уровня безопасности робототехнических систем. Для компании Oshkosh Truck Corp. разрабатывается приложение ночного видения для применения в военных целях.

Совместно с компаниями Oshkosh Truck Corp. и Rockwell Collins VisLab разработала автономное транспортное средство TerraMax, которое успешно дошло до финишной черты на конкурсе DARPA Grand Challenge в 2005 г. В TerraMax используется машинное зрение, лазерные сканеры, GPS, интерциальные датчики и базы данных, обеспечивающие понимание среды. Вкладом TerraMax явилась система машинного зрения для обнаружения препятствий и пригодного пути движения.

Авторы следующей статьи - Боб Тачтон, Том Галлуццо, Дэнни Кет и Карл Крэйн (Bob Touchton, Tom Galluzzo, Danny Kent, Carl Crane, University of Florida). Название статьи: «Архитектура восприятия и планирования для автономных наземных транспортных средств» («Perception and Planning Architecture for Autonomous Ground Vehicles»).

Группа Gator Nation, ранее называвшаяся группой CIMAR, является финалистом конкурсов DARPA Grand Challenge в 2004 и 2005 гг. и собирается участвовать в конкурсе DARPA Urban Challenge в 2007 г. Группа образована Центром интеллектуальных машин и робототехники (Center for Intelligent Machines and Robotics, CIMAR), Лабораторией машинного интеллекта (Machine Intelligence Lab) и Института цифровых миров (Digital Worlds Institute) Флоридского университета при участии компании Eigenpoint и спонсорстве компании Smiths Aerospace. В состав группы CIMAR входили также сотрудники компании Autonomous Solutions Inc.

Одна из основных стратегий группы CIMAR при подготовке к первым двум конкурсам состояла в разработке подгруппой инженерии программного обеспечения стандартизованной архитектуры программного обеспечения и сопутствующих инструментальных средств и библиотек, которые компилировались бы с использованием среды интероперабельности JAUS (Joint Architecture for Unmanned Systems ) Министерства обороны США, унифицировали бы разнообразные виды выходных данных интеллектуальных датчиков и включали бы многозначную решетку траверсабельности для обнаружения препятствий и оценки уровня гладкости поверхности.

Эти архитектурные особенности были использованы в автономном наземном транспортном средстве NaviGATOR. В число основных компонентов входило шесть интеллектуальных датчиков для выявления условий внешней среды и выдачи априорных данных; интеллектуальная схема разрешения конфликтов, соединяющая данные от разных интеллектуальных датчиков; и реактивный драйвер, обеспечивающий в реальном времени планирование перемещения и избегание препятствий. Для конкурса в 2007 г. группа готовит более совершенное решение.

Статья «Проверка умения вождения высокоскоростных автономных транспортных средств» («Testing Driver Skill for High-Speed Autonomous Vehicles») написана Крисом Урмсоном, Вильямом Вайттейкером, Сэмом Харбо, Филлипом Куном и Майклом Кларком (Chris Urmson, William "Red" Whittaker, Sam Harbaugh, Carnegie Mellon University, Phillip Koon, Boeing Co., Michael Clark, Harris Corp.).

212-километровая гонка по пустыне Мохаве (Mojave Desert) во время состязаний на конкурсе DARPA Grand Challenge в 2005 г. показала состояние дел в области высокоскоростного автономного передвижения по дорогам и бездорожью. Для выигрыша команды в соревновании ее робот должен определять направление движения быстрее других роботов и пройти весь путь не более чем за 10 часов. Кроме того, информация о маршруте движения и расстоянии была оглашена только за два часа до начала гонки, что не давало возможности предварительного прохода трассы.

Команда Red Team университета Карнеги-Меллон разработала двух роботов (Sandstorm и H1ghlander), в которых использовалась комбинация автономности и предварительного планирования с участием человека. Оба эти робота вошли в число четырех, успешно прошедших дистанцию. В роботах использовались бортовые датчики для корректировки заранее запланированного маршрута с целью избегания препятствий и исправления ошибок определения местоположения.

Для достижения успеха команды должны были разработать алгоритмы и системы, а также тщательно проверить их эффективность. Команда Red Team использовала регрессионное тестирование для оценки того, как влияют замены блоков аппаратуры и программного обеспечения на общую возможность управления робота. Возможность управления определялась тремя факторами: следование предварительно запланированному маршруту на основе только датчиков местоположения; отслеживание предварительно запланированного маршрута с помощью датчиков восприятия; динамическое изменение предварительно запланированного маршрута для избегания ощутимых препятствий.

Следующая статья называется «Вождение свойственно человеку» («To Drive Is Human») и представлена Исааком Миллером, Эфраимом Гарсиа и Марком Кэмпбеллом (Isaac Miller, Ephrahim Garcia, Mark Campbell, Cornell University).

Люди плохо водят автомобили уже более 100 лет; не наступило ли время, когда мы поставили на колеса компьютер? В 2005 г. агентство DARPA сделало именно это, призвав команды со всей страны построить автономные транспортные средства для участия в гонке на 132 мили по не известной пустынной местности; участие людей не допускалось. Сначала зарегистрировалось 195 команд; 43 из них вышли в полуфинал на автостраде в Калифорнии; 23 команды стартовали в г. Прим, шт. Невада; и пять добрались до финиша.

Когда зрители наблюдали покрытых пылью роботов, триумфально пересекающих финишную черту, они высоко оценивали трудную работу, приведшую к написанию этой последней главы о человеке и машине. Однако, глядя на эти достижения, естественно задать следующий вопрос: «Почему у нас нет роботов, отвозящих людей на работу, работающих таксистами или позволяющих совершить долгое путешествие к дому бабушки?

Ответ на этот вопрос кроется не в гайках и болтах, из которых сделаны гонщики Grand Challenge, а скорее в тех, кого они пытаются заменить, - в людях. При вождении мы выполняем бесчисленное число функций, и компьютер, пытающийся уподобиться водителю-человеку, должен столкнуться со всеми ними. При подготовке к Grand Challenge команда Корнельского университета разделила проблему вождения на три основных задачи: локализация - определение своего местоположения; восприятие - видение того, что находится вокруг; планирование маршрута - определение того, как можно достичь цели.

На первый взгляд список задач кажется исчерпывающим. Если вы знаете, где вы находитесь, вы можете видеть свой дорожный маршрут, и если вы знаете, куда вы хотите добраться, вы сможете там оказаться. Однако набор указаний оказывается бесполезным, если неизвестно местоположение или невозможно найти дорогу, а возможность видеть дорогу является не очень полезной при отсутствии знаков и схем, говорящих о том, куда ведет эта дорога. Поэтому для создания самоуправляемого транспортного средства требуется нахождение вычислительных решений каждой из этих трех задач.

Паоло Ломбарди, Бертран Завидовик и Майкл Талберт (Paolo Lombardi, Bertrand Zavidovique, University of Paris XI, Michael Talbert, US Air Force) являются авторами статьи «О важности зависимости от контекста» («On the Importance of Being Contextual»).

Автоматически управляемые транспортные средства представляют собой важный эволюционный шаг для повышения уровня безопасности при выполнении различных задач, от пассивных наблюдений до активных исследований и решительных упреждающих действий. Для достижения этой цели эти транспортные средства должны быть автономными и обладать возможностью эффективной интерпретации контекста - постоянное отслеживание и понимание внешней среды является важным шагом на этом пути. При этом подходе соответствующий учет контекста должен способствовать повышению уровня восприимчивости системы за счет использования текущей информации визуального контекста и соответствующей информации из экосистемы.

Поддерживая новый вероятностный подход в отслеживанию контекста в основанных на сенсорах управляющих системах транспортных средств, авторы вычисляют частные достоверности в операционной среде, являющейся внешней по отношению к полю зрения системы машинного зрения. Результаты авторов указывают на перспективность использования мультимодального анализа как ключевого подхода для повышения эффективности управления транспортными средствами при их применении в различных ответственных областях.

Статью «Основанное на памяти обучение на месте для автоматически управляемых транспортных средств» («Memory-Based In Situ Learning for Unmanned Vehicles») представили Патрик МакДовелл, Брайан Бурже, Дональд Софдж и С. Айенгар (Patrick McDowell, Brian S. Bourgeois, Donald A. Sofge, Naval Research Laboratory, S.S. Iyengar, Louisiana State University).

Чтобы робот мог автономно функционировать в динамической среде, он должен обладать возможностью к самоадаптации без помощи человека. Конечной целью исследования авторов статьи является предоставление группам автоматически управляемых подводных транспортных средств (Unmanned Underwater Vehicles, UUV) некоторых способностей животных для адаптации к среде с использованием памяти, без исчерпывающей проверки среды методом проб и ошибок или ее комплексного моделирования.

Авторы концентрируются на UUV, поскольку эти устройства можно будет использовать при выполнении опасных задач, таких как поиск опасных подводных объектов или обследование дна океана, более безопасных и экономным образом. Концепция группы применяется для снижения общей стоимости задачи путем использования дешевых подчиненных UUV для повышения сенсорных возможностей более мощного основного UUV. Целью является разработка команды роботов, обладающих способностью к обучению своим ролям и к совершенствованию стратегии команды с целью достижения общих целей в динамических неструктурированных средах, в которых затруднены коммуникации и мониторинг.

В описываемой исследовательской работе используется система показателей, основанная на входных данных датчиков, которая комбинируется с режимом обучения на основе темпоральных последовательностей связей «датчик/действие». Роботы с «ушами» слушают робота-лидера и пытаются следовать за ним. Получающийся строй роботов является результатом их последовательного поведения. В этом приложении входные данные сенсоров задаются интенсивностью звука в левое и правое уши, а действия состоят в повороте налево, движении вперед или повороте направо.

Наконец, последнюю статью тематической подборки и декабрьского номера в целом написал Вейсон Срини (Vason P. Srini, Berkeley Wireless Research Center). Статья называется «Концепция поддержки автономной навигации в городских средах» («A Vision for Supporting Autonomous Navigation in Urban Environments»).

Ожидается, что у будущих автомобилей и другие транспортных средств, функционирующих в городских районах, на промышленных предприятиях, в портах, на складах и т.д., будут иметься компьютерный контроль подачи топлива, рулевого управления и системы торможения для поддержки предотвращения столкновений, регулируемая возможность поддержки постоянной скорости, средства автоматической парковки и безопасного вождения. Для достижения этой цели потребуются достижения автомобильной промышленности, которые позволят уменьшить стоимость и повысить надежность за счет сокращения числа механических частей и соединений. Дополнительные стимулы порождаются стратегическими изменениями в индустрии страхования, направленные на сокращение числа несчастных случаев и снижение расходов на счет использования развитых датчиков, средств обеспечения безопасности пассажиров и устройств предупреждения столкновений.

Эти автономные навигационные системы (Autonomous Navigation Systems, ANS), такие как автономные наземные транспортные средства (Autonomous Ground Vehicles, AGVs), автоматически управляемые надземные транспортные средства (Unmanned Aerial Vehicles, UAVs) и автоматически управляемые подводные транспортные средства (Unmanned Submersible Vehicles, USVs), а также современные транспортные средства с датчиками, исполнительными механизмами и компьютерным управлением выполняют три основные функции: накопление контекста с использованием датчиков, обработка и действия.

Большинство исследователей нагружает поддержкой этих функций саму ANS или самого робота для обеспечения возможности преодолевать препятствия и реагировать на динамические изменения среды. Однако это приводит к громоздкости и дороговизне ANS и робототехнических систем. Это также препятствует внедрению транспортных средств с ANS в городских средах, в которых они должны сосуществовать с имеющимися автомобилями и магистралями.

В статье представлен подход, при котором функции сбора и обработки контекста распределяются с использованием сенсорных сетей и беспроводных коммуникаций, что позволяет уменьшить стоимость и повысить распространенность ANS. В системе для сбора информации на разных уровнях используются датчики, установленные на подвижных транспортных средствах и на стационарных объектах, таких как фонарные столбы, светофоры, площадки контрольных пунктов и дома.

В системе используется локальный контекст для принятия в реальном времени тактических решений, таких как снижение скорости при торможении впереди идущего транспортного средства или при приближении к красному сигналу светофора. Для принятия стратегических решений, таких как переезд на другую дорогу или обгон транспортного средства, требуется информация об окрестных дорогах и транспортных средствах. В движущихся транспортных средствах обычно отсутствует доступ к подобной локальной и глобальной информации.

Поэтому в будущих приложениях системы основную роль будут играть датчики и другие элементы предлагаемой системы мобильных сенсорных сетей для ANS (Mobile Sensor Network System for ANS, MSNA). MSNA позволит получить гораздо большую осведомленность о динамической среде и будет помогать принимать решения с использованием сервисов и баз данных, к которым не имеет доступа движущееся транспортное средство.