Bilim Teknoloji

Akıllı Araba! Kendi Kendine Giden Arabalar ne zaman yollarda

Akıllı Araba! Kendi Kendine Giden Arabalar ne zaman yollarda | Otomobiller kendi kendine sürüş eşiğine yaklaştıkça, bazı destekçiler tam otonom otomobillerin yakında olduğunu söylemeye başladılar. Ancak teknoloji (biraz) farklı bir hikaye anlatıyor.

Robotlar tarafından değiştirilmesi hedeflenen en son şey insanlar mı? Otomobil sürücülüğü, dünyadaki en yaygın mesleklerden biridir. Otomotiv oyuncuları, büyük ölçüde teknoloji endüstrisi tarafından yönlendirilen kendi kendine giden bir araba yatırımı ile karşı karşıyadır. Ayrıca bir sonraki otomobillerinin tamamen otonom olmasını bekleyen birçok tüketici var. Ancak, ileri otonom sürüş seviyelerine ulaşmak için gereken teknolojilerin yakından incelenmesi, önemli ölçüde daha uzun bir zaman çizelgesi olduğunu göstermektedir. Bu tür araçlar belki de bizden beş ile on yıl uzaklıktalar belki de daha fazla.

Akıllı Araba! Kendi Kendine Giden Arabalar ne zaman yollarda?

Otonom araç nedir? Teknoloji devrimini haritalamak!

Otonom araçlar (AV) oluşturmaya yönelik ilk girişimler, destek sürüş teknolojilerine yoğunlaştı. Acil frenleme, yedek kameralar, uyarlanabilir hız sabitleyici ve kendi kendine park etme sistemleri de dahil olmak üzere bu gelişmiş sürücü destek sistemleri (ADAS) ilk olarak lüks araçlarda ortaya çıktı. Sonunda, endüstri düzenleyicileri bu özelliklerden bazılarının her araca dahil edilmesini zorunlu kılmaya başladı ve kitle pazarına nüfuzlarını hızlandırdı. 2016’ya gelindiğinde, ADAS’ın çoğalması yaklaşık 15 milyar dolarlık bir pazar yaratmıştı.

Şöförsüz araba
Şöförsüz araba

Dünya genelinde ADAS sistemlerinin sayısı (örneğin, gece görüşü ve kör nokta araç tespiti için olanlar) 2014’te 90 milyon adetten 2016’da yaklaşık 140 milyona yükseldi ve bu rakam sadece iki yılda yüzde 50’lik bir artış gösterdi. Bazı ADAS özellikleri diğerlerinden daha fazla alıma sahiptir. Örneğin surround görüş park sistemlerinin benimsenme oranı 2014’ten 2016’ya kadar yüzde 150’den fazla artarken, adaptif ön aydınlatma sistemlerinin sayısı aynı zaman diliminde yüzde 20 civarında arttı.

Akıllı Araba! Bazı Araç Teknolojileri zaten Var!

Hem müşteri talebi hem de azalan maliyetler teknolojinin hızlanmasına katkıda bulunmuştur. Yakın tarihli bir McKinsey anketi, sürücülerin farklı ADAS özellikleri için araç başına ortalama 500 ila 2.500 dolar daha fazla harcayacağını ortaya koyuyor. İlk başta sadece lüks araçlarda bulunabilseler de, birçok orijinal ekipman üreticisi (OEM) şimdi bunları 20.000 $ aralığındaki otomobillerde sunuyor. Birçok üst düzey araç sadece otoyol koşullarında otonom olarak yön vermek, hızlandırmak ve fren yapmakla kalmaz. Aynı zamanda araç kazalarını önlemek ve yakın çarpışmaların etkisini azaltmak için de teknoloji vardır. Sınırlı mesafeler kullanan bazı ticari binek araçlar kendilerini son derece dar noktalara bile park edebilirler.

Ancak teknoloji ilerleme sağlanmış olsa da, endüstri yarı otomatik araçlar için (örneğin, SAE seviye 3’tekiler) için optimum teknoloji sunumunu henüz belirlemedi ve sonuç olarak test ve rafine etme modunda kalmaya devam ediyor. Şimdiye kadar üç teknoloji çözümü ortaya çıktı:

Teknoloji Çözümleri.

Radar üzerinden çalışan kamera sistemlerine baz alır ve bunları radar verileriyle tamamlar. Kamera üzerinden radar, öncelikle radar sensörlerine dayanır ve bunları kameralardan gelen bilgilerle tamamlar.
Hibrit yaklaşım, ortamı daha ayrıntılı bir seviyede anlamak için ışık algılama ve değişen (lidar), radar, kamera sistemleri ve sensörfüzyon algoritmalarını birleştirir.

Bu sistemlerin maliyeti farklıdır; hibrit yaklaşım en pahalı olanıdır. Ancak, henüz net bir kazanan belli değildir. Her sistemin avantajları ve dezavantajları vardır.

Örneğin, kamera üzerinden radar yaklaşımı, trafik akışının nispeten öngörülebilir olduğu ve ortamı haritalamak için gereken ayrıntı seviyelerinin daha az katı olduğu otoyol ayarlarında iyi çalışabilir.

Öte yandan, birleşik yaklaşım, doğru ölçümlerin ve ayrıntıların araçların dar sokaklarda gezinmesine ve daha küçük nesneleri tanımlamasına yardımcı olabileceği yoğun nüfuslu kentsel alanlarda daha iyi çalışır.

Akıllı Araba! Otonom araç teknolojisindeki zorlukların üstesinden gelmek!

AV’ler şüphesiz ulaşım için yeni bir çağ başlatacak, ancak otonom sürüşün pratik olabilmesi için sektörün hala bazı zorlukların üstesinden gelmesi gerekiyor. ADAS çözümlerinin sürüşün yüklerini hafiflettiğini ve daha güvenli hale geldiğini zaten gördük.

Ancak bazı durumlarda, teknoloji de sorun yaratıyor. Bir örnek: İnsanlar bu yeni sistemlere çok fazla güveniyor veya biraz güveniyor. Bu yeni bir fenomen değil. Hava yastıkları ana akıma taşındığında, 1990’larda, bazı sürücüler ve yolcular bunu, artık  emniyet kemerlerini takmayı bırakabileceklerinin bir işareti olarak aldılar. Bu yanılsama ek yaralanmalara ve ölümlere neden oldu.

Arabada son teknoloji
Arabada son teknoloji

Benzer şekilde ADAS, sürücülerin yeteneklerinin ötesindeki durumlarda otomasyona güvenmelerini mümkün kılar. Uyarlanabilir hız sabitleyici, örneğin, bir araba doğrudan başka bir arabayı takip ettiğinde iyi çalışır. Ancak genellikle sabit nesneleri tespit edemez. Ne yazık ki, gerçek hayattaki durumların yanı sıra kontrollü deneyler, otomasyona çok fazla güvenen sürücülerin sabit araçlara veya diğer nesnelere çarptığını göstermektedir. ADAS’ın mevcut yetenekleri sınırlıdır.

Güvenlik muamması devam ediyor.

2015 yılında, ABD’de dikkati dağılmış sürücülerin karıştığı kazalar yaklaşık 3.500 kişinin ölümüne ve geleneksel otomobillerde 391.000 kişinin daha yaralanmasına neden oldu ve sürücüler araçlarını aktif olarak kontrol etmişlerdi. Ne yazık ki, uzmanlar, önemli düzeyde otonom kontrol sunan ancak yine de sürücülerin yedek bir rolde tam olarak meşgul olmasını gerektiren CV’lerin piyasaya sürülmesinden sonra araç kazalarının sayısının başlangıçta önemli ölçüde azalmayacağını bekliyor.

Güvenlik uzmanları, yarı otomatik araçlardaki sürücülerin okuma veya mesajlaşma gibi faaliyetlere dalabileceğinden ve bu nedenle kontrolü ele almaları gerektiğinde sıkıntı yaşanacağından endişe ediyorlar. Sürücüler çevrelerini derhal değerlendirmeli, aracın içlerindeki yerini belirlemeli, tehlikeyi analiz etmeli ve güvenli bir hareket şekline karar vermelidir.

Saatte 100 km hızla, arabaların bir futbol sahası uzunluğunda mesafe almaları dört saniyeden az sürer ve bir sürücü sürüşten ne kadar uzun süre uzak kalırsa, algılama süreci o kadar uzun sürebilir. Otomotiv şirketleri, daha fazla kazaya katkıda bulunmak yerine yeni teknolojilerin hayat kurtarmasını sağlamak için daha iyi bir insan-makine ara yüzü geliştirmelidir.

Yarı otomatik araçlar

Benzer sorunları başka bağlamlarda da gördük: 2009’da ticari bir uçak, otomatik pilotla uçarken pilotlar odaklanmadığı için havaalanını 240 kilometre geçtiler. Yarı otomatik araçlar için, “hava sahası” (zemin) çok daha sıkışıktır ve “pilotlar” (sürücüler) çok daha az iyi eğitilmiştir, bu nedenle meşgul sürücülerin uzun süre otomatik pilotta çalışması daha da tehlikelidir.

Akıllı Araba! Tam otomasyona doğru evriliyoruz.

Önümüzdeki beş yıl içinde, SAE’nin yüksek otomasyon seviye-4 atamasına uyan araçlar muhtemelen görünecektir. Bunlar, insan sürücülerle birlikte AV’lerin tüm yönlerini gerçekleştirebilen otomatik sürüş sistemlerine sahip olacaktır. Teknoloji sınırlı durumlarda çalışma düzeyinde test edilmeye hazır olsa da, sistemlerin önemli sayıda nadir durumlar bunun doğrulanabilir.

Mühendislerin ayrıca güvenilirlik ve güvenlik hedeflerine ulaşmaları ve garanti etmelerine ihtiyaç vardır. Başlangıçta, şirketler bu sistemleri geofencing olarak adlandırılan belirli kullanım durumlarında ve belirli coğrafyalarda çalışacak şekilde tasarlayacaklardır. Diğer bir ön koşul, sistemleri belirli durumlarda başarıyla çalışacak şekilde ayarlamak ve coğrafi sınırlamalı bölge daha geniş kullanım örneklerini ve coğrafyaları kapsayacak şekilde genişledikçe ek ayarlamalar yapmaktır.

Akıllı araba geleceğin arabası
Akıllı araba geleceğin arabası

Mühendisler iş başında

Bu nedenle, mühendislerin kapsaması ve test etmesi gereken katlanarak artan kullanım örnekleri göz önüne alındığında,  bir sistem oluşturmak çok daha fazla çaba gerektirecektir. Örneğin, şerit işaretlemelerinin olmaması veya asfaltsız yollarda, sistemin araçların taşınması için hangi alanların uygun olduğunu tahmin edebilmesi gerekir. Bu, özellikle yol yüzeyi çevresinden önemli ölçüde farklı değilse (örneğin, yollar karla kaplı olduğunda) zor bir görme sorunu olabilir.

Tamamen kendi kendine giden arabalar on yıldan fazla uzakta olabilir

Mevcut geliştirme trendleri göz önüne alındığında, tam otonom araçlar önümüzdeki on yıl içinde kullanılamayacak. Ana tökezleme takozu, gerekli yazılımın geliştirilmesidir. Donanım yenilikleri gerekli hesaplama gücünü sağlayacak ve fiyatların (özellikle sensörler için) düşmeye devam etmesi muhtemel görünse de, yazılım kritik bir darboğaz (infografik) olmaya devam edecektir.

Aslında, donanım yetenekleri zaten iyi optimize edilmiş AV yazılımının sorunsuz çalışması için gereken seviyelere yaklaşıyor. Mevcut teknoloji, hem grafik işlem birimleri (GPU’lar) hem de merkezi işlem birimleri (CPU’lar) için gerekli hesaplama gücü düzeylerini çok yakında elde etmelidir.

Sensörler için kameralar gerekli menzile, çözünürlüğe ve görüş alanına sahiptir. Ancak kötü hava koşullarında önemli sınırlamalarla karşı karşıyadır. Radar teknolojik olarak hazırdır ve zorlu hava ve yol koşullarında tespit için en iyi seçeneği temsil eder. En iyi görüş alanını sunan Lidar sistemleri, yüksek granülite seviyeleri ile 360 dereceyi kapsayabilir.

Akıllı Araba! Fiyatlar

Bu cihazlar şu anda pahalı ve çok büyük olmasına rağmen, ticari olarak uygulanabilir. Küçük ve ucuz olanların bir veya iki yıl içinde piyasaya sürülmesi gerekir. Birkaç yüksek teknoloji oyuncusu lidar maliyetini 500 doların altına düşürdüğünü iddia ediyor ve başka bir şirket potansiyel olarak tam özerklik (yaklaşık bir düzine sensörle) yaklaşık 10.000 dolara etkinleştirebilen bir sistemi piyasaya sürüyor. Ticarileştirme perspektifinden bakıldığında, şirketlerin seviye-5 (tam otonom) bir araç için gereken en uygun sensör sayısını anlamaları gerekir.

Göz korkutucu yazılım sorunları devam ediyor

Otonom araç donanımının tüm potansiyelini tamamlamak ve kullanmak için yazılımın hala bir yolu var. Sorunların karmaşıklığı ve araştırma odaklı doğası göz önüne alındığında gelişim zamanı yavaş ilerliyor.

Bir sorun: CV’ler, hem insan sürücüleri hem de diğer CV’leri içeren sürüş modellerini nasıl müzakere edeceklerini öğrenmelidir. Araçlara hataya açık GPS sensörleri kullanarak çok yüksek doğruluk derecesiyle yerelleştirmek de ele alınması gereken bir başka karmaşıklıktır. Bu zorlukları çözmek sadece önemli ön Ar-Ge değil, aynı zamanda uzun test ve doğrulama dönemleri de gerektirir.

Üç tür sorun, yazılım sorununu daha spesifik hale getiriyor. İlk olarak, nesneleri algılayan ve neyi temsil ettiklerini anlayan nesne analizi, otonom araçlar için kritik öneme sahiptir. Örneğin sistem, sabit bir motosiklete ve cadde kenarında sürüşe geçen bir bisikletçiye farklı şekillerde davranmalı ve bu nedenle nesne analizi aşamasında kritik farklılıkları yakalamalıdır.

Nesne analizleri

Nesne analizindeki ilk zorluk, günün saatine, arka plana ve olası herhangi bir harekete bağlı olarak zor olabilen algılamadır. Ayrıca, bir nesnenin varlığını ve türünü doğrulamak için gereken sensör füzyonu, bu tür sistemlerin karşılaştırması gereken veri türleri (nokta bulutundan), nesne listesi (radardan) ve görüntüler (kameralardan) arasındaki farklar göz önüne alındığında teknik olarak zordur.

Karar verme sistemleri ikinci konudur. İnsan karar vermelerini taklit etmek için, çok sayıda senaryo üzerinde müzakere etmeli ve yoğun, kapsamlı bir “eğitimden” geçmelidirler. Toplanan farklı senaryoları ve görüntüleri anlamak ve etiketlemek otonom bir sistem için önemsiz bir sorundur ve kapıdan kapıya otonom sürüşün olası tüm senaryolarını kapsayan kapsamlı “eğer-o zaman” kuralları oluşturmak genellikle mümkün değildir.

Ancak, geliştiriciler if-then kurallarından oluşan bir veri tabanı oluşturabilir ve akıllı çıkarımlar yapan ve if-then kuralları kapsamında olmayan senaryolarda işlem yapan bir yapay zeka (AI) motoruyla tamamlayabilir. Böyle bir altyapı oluşturmak, önemli geliştirme, test ve doğrulama gerektirecek son derece zor bir iştir.

Kendi kendini kullanan araba
Kendi kendini kullanan araba

Akıllı Araba! Yapay zekalı araba

Sistem ayrıca, bir arabanın yolcularını ve etrafındaki insanları tehlikeye atmadan arızalanmasına izin veren bir arıza emniyet mekanizmasına ihtiyaç duyar. Mümkün olan her yazılım durumunu ve sonucunu kontrol etmenin bir yolu yoktur. En kötü sonuçlara karşı güvenlik önlemleri oluşturmak ve araçları güvenli bir şekilde durabilmeleri için kontrol etmek bile göz korkutucu olacaktır. Fazlalıklar ve uzun test süreleri gerekecektir.

Tamamen otonom sürüş için bir umut!

Şirketler ilk tam otonom aracı oluşturma girişimlerinde yazılım zarfını zorlarken, çeşitli faktör kümelerini çevreleyen sorunları çözmeleri gerekir.

Algı, yerelleştirme ve haritalama

Kendi kendine giden arabaları mükemmel hale getirmek için, AV uzayındaki şirketler şimdi algı, haritalama ve yerelleştirme odaklı farklı yaklaşımlar üzerinde çalışıyor.

Algı. Amaç: gereken en az sayıda test ve doğrulama mili ile güvenilir algı seviyelerine ulaşmak. Bu yarışı kazanmak için iki yaklaşım yarışıyor.

Radar, sonar ve kameralar.

Araçları ve ortamdaki diğer nesneleri algılamak için AV’ler radarlar, sonarlar ve kamera sistemleri kullanır. Bu yaklaşım ortamı derinlemesine ayrıntılı bir düzeyde değerlendirmez, ancak daha az işlem gücü gerektirir.

Lidar büyütme. İkinci yaklaşım, geleneksel sensör paketi radar ve kamera sistemlerine ek olarak lidar kullanır. Daha fazla veri işleme ve hesaplama gücü gerektirir. Ancak çeşitli ortamlarda (özellikle sıkı, trafik ağırlıklı ortamlarda) daha sağlamdır.

Uzmanlar, lidar büyütmenin nihayetinde gelecekteki birçok AV oyuncusu tarafından tercih edilen bir yaklaşım haline geleceğine inanıyor. Lidar büyütmenin önemi bugün birçok OEM’in, seviye-1 tedarikçilerinin ve artık CV geliştiren teknoloji oyuncularının test araçlarına bakarak gözlemlenebilir.

Kendi giden taşıt
Kendi giden taşıt

Akıllı Araba! Haritalama. AV geliştiricileri iki eşleme seçeneği izliyor.

Ayrıntılı, yüksek çözünürlüklü haritalar. Şirketler, yüksek çözünürlüklü (HD) haritalar oluşturmak için genellikle lidar ve kameralarla donatılmış araçlar kullanırlar. Bunlar hedeflenen yollar boyunca seyahat eder ve çevre hakkında 360 derecelik bilgiler (derinlik bilgileri dahil) içeren 3 boyutlu HD haritalar oluşturur.

Özellik eşleme. Lidar’a ihtiyaç duymaması gereken bu yaklaşım, navigasyonu sağlayan yalnızca belirli yol özelliklerini eşlemek için kameraları (genellikle radarla birlikte) kullanabilir. Örneğin harita, şerit işaretlerini, yol ve trafik işaretlerini, köprüleri ve yollara nispeten yakın diğer nesneleri yakalar.

Bu yaklaşım daha düşük ayrıntı düzeyleri sağlarken, işleme ve güncelleştirme daha kolaydır.

Yakalanan veriler (manuel olarak) anlamsal veriler oluşturmak için analiz edilir, örneğin zaman sınırlamaları olan hız işaretleri. Haritacılar, haritaları sürekli toplamak ve güncellemek için gereken sensör paketleriyle insanlı veya otonom bir araç filosu kullanarak her iki yaklaşımı da geliştirebilir.

Yerelleştirme. Bir aracın bulunduğu ortamdaki tam konumunu belirleyerek, yerelleştirme, nerede ve nasıl gezineceğinize dair etkili kararlar için kritik bir ön koşuldur. Birkaç yaklaşım yaygındır.

HD haritalama.

Bu yaklaşım, bir AV’nin algılanan ortamını karşılık gelen HD haritalarla karşılaştırmak için yerleşik sensörleri (GPS dahil) kullanır. Aracın tam olarak nerede olduğunu (şerit bilgileri dahil) ve hangi yöne doğru gittiğini belirlemek için çok hassas bir seviyede kullanabileceği bir referans noktası sağlar.

HD haritalar olmadan GPS yerelleştirme. Başka bir yaklaşım, yaklaşık yerelleştirme için GPS’e dayanır ve daha sonra ortamındaki değişiklikleri izlemek ve böylece konumlandırma bilgilerini iyileştirmek için bir AV sensörlerini kullanır. Örneğin, böyle bir sistem, yerleşik kameralar tarafından çekilen görüntülerle birlikte GPS konum verilerini kullanır. Kare kare karşılaştırmalı analiz, GPS sinyalinin hata aralığını azaltır. GPS’in yatay coğrafi konumlanması için yüzde 95 güven aralığı yaklaşık sekiz metredir, bu da sağ şeritte veya yanlış (ters) yönde sürüş arasındaki fark olabilir.

Akıllı Araba! Navigasyon

Her iki yaklaşım da ataletsel navigasyon sistemlerine ve odometri verilerine büyük ölçüde dayanır. Deneyimler, ilk yaklaşımın genellikle çok daha sağlam olduğunu ve daha doğru yerelleştirme sağladığını, ikincisinin ise HD haritalar gerekmediğinden uygulanmasının daha kolay olduğunu göstermektedir. İkisi arasındaki doğruluk farkları göz önüne alındığında, tasarımcılar ikinci yaklaşımı, araçların konumuna ilişkin kesin bilgilerin navigasyon için kritik olmadığı alanlarda (örneğin, kırsal ve daha az nüfuslu yollar) kullanabilirler.

Akıllı robot araç
Akıllı robot araç

Karar verme

Tam otonom otomobiller, kat edilen her mil için binlerce karar verebilir. Bunu doğru ve tutarlı bir şekilde yapmaları gerekiyor. Şu anda, AV tasarımcıları arabalarını doğru yolda tutmak için birkaç birincil yöntem kullanıyor.

Sinir ağları. Belirli senaryoları belirlemek ve uygun kararlar almak için, günümüzün karar verme sistemleri esas olarak sinir ağlarını kullanmaktadır. Bununla birlikte, bu ağların karmaşık doğası, belirli kararların temel nedenlerini veya mantığını anlamayı zorlaştırabilir.

Kurala dayalı karar verme.

Mühendisler if-then kurallarının olası tüm kombinasyonlarını ortaya koyarlar ve ardından araçları kural tabanlı yaklaşımlarda buna göre programlarlar. Gereken önemli zaman ve çabanın yanı sıra her olası vakayı içerememe olasılığı, bu yaklaşımı mümkün kılamaz hale getirir.

Hibrit yaklaşım. Birçok uzman, hem sinir ağlarını hem de kural tabanlı programlamayı kullanan hibrit bir yaklaşımı en iyi çözüm olarak görmektedir. Geliştiriciler, merkezi bir sinir ağı tarafından bağlanan bireysel işlemler için artıklık (belirli sinir ağları) sunarak sinir ağlarının doğal karmaşıklığını çözebilir. If-then kuralları daha sonra bu yaklaşımı tamamlar.

Hibrit yaklaşım, özellikle istatistiksel çıkarım modelleri ile birleştiğinde, günümüzde en popüler olanıdır.

Akıllı Araba! Test ve doğrulama

Otomotiv endüstrisi test ve doğrulama teknikleri konusunda önemli bir deneyime sahiptir. İŞTE geliştirmek için kullanılan tipik yaklaşımlardan bazıları.

Kaba kuvvet.

Mühendisler, sistemlerin güvenli olduğunu ve beklendiği gibi çalıştığını istatistiksel olarak belirlemek için araçları milyonlarca sürüş miliyle karşı karşıya bırakıyor. Zorluk, birikmesi önemli miktarda zaman alabilen gerekli mil sayısıdır.

100 otonom araç 24 saat, yılın 365 günü, saatte ortalama 25 mil hızla sürseydi. 275 milyon mile ulaşmak on yıldan fazla sürerdi.

Robotik taşıtlar
Robotik taşıtlar

Döngüdeki yazılım veya döngüdeki model simülasyonları. Daha uygulanabilir bir yaklaşım, gerçek dünyadaki testleri simülasyonlarla birleştirir. Bu da gerekli test millerinin sayısını büyük ölçüde azaltabilir ve otomotiv endüstrisinde zaten buna tanıdıktır. Simülasyonlar, bir sistemin çeşitli koşullarda doğru kararlar alabileceğini göstermek için araçları çeşitli durumlar için algoritmalar aracılığıyla çalıştırır.

Akıllı Araba! Döngüdeki donanım (HIL) simülasyonları.

Gerçek donanımın çalışmasını doğrulamak için HIL simülasyonları bunu test eder. Aynı zamanda önceden kaydedilmiş sensör verilerini sisteme besler. Bu yaklaşım, test ve doğrulama maliyetini düşürür ve sonuçlarına olan güveni artırır.

Sonuçta, şirketler muhtemelen gerekli güven seviyelerini en az sürede elde etmek için tüm bu yöntemleri içeren hibrit bir yaklaşım uygulayacaklardır.

Süreci hızlandırmak

Mevcut değerlendirmeler, tam otonom araçların tanıtımına muhtemelen on yıldan fazla bir süre olduğunu gösterse de, sektör bu zaman dilimini birkaç şekilde sıkıştırabilir.

İlk olarak, AV oyuncuları, tek bir şirketin otonom araçlar için gerekli olan tüm yazılım ve donanım yığınını geliştirmesinin son derece zor olacağını kabul etmelidir. İşbirliği yapma ve sektör ortaklıkları kurma konusunda daha usta olmaları gerekiyor. Özellikle, teknoloji start-up’ları ve OEM’ler gibi geleneksel olmayan sektör katılımcılarıyla bağlantı kurabilirler. Ayrıntılı düzeyde bu, stratejik öneme sahip segmentlerden şirketlerle (lidar ve haritalama tedarikçileri gibi) işbirliği anlamına gelir.

Daha sonra, özel çözümler geliştirmek ve doğrulamak son derecede pahalı olabilir. Çünkü birkaç AV oyuncusunun tüm sorumluluğu almasını ve riski paylaşmasını gerektirir. Açık fikirli ve üzerinde anlaşmaya varılan standartlar sadece zaman çizelgesini hızlandırmakla kalmayacak, aynı zamanda geliştirilmekte olan sistemi daha sağlam hale getirecektir. Sonuç olarak, birlikte çalışabilir bileşenler modüler, tak ve çalıştır sistem geliştirme çerçevesini teşvik edecektir.

Akıllı araba
Akıllı araba

Entegre sistem

Süreci hızlandırmanın bir başka yolu da entegre sistem geliştirmeye geçiş yapmak olacaktır. Sektörün, belirli kullanımlara sahip bileşenlere odaklanmak yerine, özellikle CV’leri çevreleyen büyük güvenlik sorunları göz önüne alındığında, gerçek (sistem sistemi) sistemler geliştirmeye daha fazla dikkat etmesi gerekir.

Aslında, bir aracın tüm yaşam döngüsü boyunca güvenilirlik ve dayanıklılık seviyelerine ulaşmak, şimdi uçaklarda görülen her ihtimalde endüstrinin yeni görevi haline gelecektir ve sistem geliştirmeye vurgu yapmak muhtemelen bu hedefe ulaşmanın en iyi yoludur.

Tam otonom araç

Tam otonom otomobillerin gelişi gelecekte birkaç yılda olabilir. Ancak şirketler nihai AV arketipinin nasıl görüneceği konusunda şimdiden büyük bahisler yapıyor. Otonom otomobiller nasıl karar verecek, çevrelerini nasıl algılayacak ve taşıdıkları insanları nasıl koruyacak? Bu endüstrinin stratejik unsurlarını şekillendirmek ve belki de kontrol etmek isteyen görevleridir. Bu sektör son derece rekabetçi oyunculardan oluşan bir lejyonla karşı karşıyadır.

AV endüstrisinin çılgın hızı göz önüne alındığında, bu pastadan bir parça arayan şirketlerin şimdi yakalamak için kendilerini stratejik olarak konumlandırmaları, yarışı engellemeden halkın güvenliğini sağlayarak ipi göğüslemeleri gerekiyor.

Çizgi takip eden araba,

Tam akıllı arabaya geçmeden önce çizgi takip eden basit bir araba yapalım. Boş vakitlerde yapılabilecek basit çizgi takip eden araba. Program biraz hantal olduğu için yalpalama yapa biliyor yolda giderken. Ama bu Çizgi takip eden araba, buna çocuklar hayran kalacak!

Kullandığımız materyaller:

– Arduino Duemilanove Mikroişlemci kartı
– Ardumoto Motor sürücü
– 5 adet (3 tane de yeterli aslında) Cny70 kızıl ötesi sensör
– 2 tane motor
– Sarhoş teker

Program arduino IDE’siyle derlenmiştir.

İlgili Makaleler

Bir cevap yazın

E-posta hesabınız yayımlanmayacak.

Reklam Engelleyici Algılandı

Merhaba. Sitemiz yoğun bir emeğin ürünüdür! Sitede dolaşmak için lütfen Reklam Engelleyicinizi Kapatın. Please Close The Ads Protector.