Navigerer mot en autonom kjøretøyfremtid

Førerløse biler går rundene i nyhetene. Etter hvert som teknologien utvikler seg, er det sjanser for at vi kan se noen få på veiene snart. Selv om førerløse biler har oppnådd eksemplariske resultater i simuleringstester og -forsøk, er det fortsatt utfordrende å gjenskape suksessen i virkelige scenarier der de må samhandle med uforutsigbare situasjoner som oppstår fra andre kjøretøy, fotgjengere og forskjellige andre variabler i omgivelsene. Og det er fortsatt et problem å navigere gjennom disse sømløst og trygt. Slike scenarier er veldig mulig når du møter flere kjørefelt og kryss, det blir enda vanskeligere å navigere trygt.
Derfor er aggressiv FoU observert mange steder i verden for å løse slike problemer. 

En av de siste utviklingene ved Stanford University ser ganske lovende ut 

LUCIDGames av Stanford University har nylig laget en algoritme som kan forutsi og planlegge adaptive baner for autonome kjøretøy. Denne teknikken bruker en algoritme basert på spillteori og en estimeringsmetode. LUCIDGames kan raskt identifisere målene til både biler og fotgjengere i deres nærhet. Dette lar dem forutsi hva disse forskjellige elementene vil gjøre i fremtiden og til og med i komplekse situasjoner.

Nå når det kommer til autonome kjøretøy, er det visse nivåer som definerer omfanget av automatisering, med nivå 0 som de tradisjonelle bilene vi alle er vant til til nå. Denne taksonomien er gitt av SAE international og her er hva den betyr: 

Nivåer av autonom kjøretøyteknologi

Level 1
Cruise eller adaptiv kontroll er et eksempel på nivå 1 hvor bilen og sjåføren deler kontroll. Føreren tar seg av styringen mens det autonome systemet styrer gassen og bremsingen i en forhåndsbestemt hastighet. Parkeringsassistent og kjørefeltassistent er eksempler på nivå 1.

Level 2 
Det automatiserte systemet kan fullt ut administrere styring, akselerasjon og bremsing, selv om sjåføren må være i beredskap i tilfelle systemet svikter. Det er sensorer for å overvåke oppmerksomheten til sjåføren ved å spore øyebevegelser.

Level 3
I nivå 3 automatisering kan bilen kjøre seg selv i de fleste scenarier og sjåføren trenger ikke å ta hensyn til kjøringen. Det er visse betingelser for kameravisning, vær, GPS osv. som må overholdes for at bilen skal fungere i helautomatisert modus. Sjåføren må fortsatt gripe inn i tilfelle noen av disse betingelsene ikke er oppfylt. 

Level 4
Nivå 4-automatisering omfatter intelligente systemer som kanskje ikke engang har ratt, der føreren kanskje ikke er pålagt å være våken eller i stand til å ta kontrollen på nytt. Dette nivået vil stort sett gjelde for robotiserte taxi- eller leveringssystemer i spesifikke områder der forhåndsbestemte optimale forhold er oppfylt.

Level 5
Med nivå 5 automatisering ville en bil ikke kreve menneskelig tilsyn. Den vil være i stand til å navigere gjennom alle overflater, vær og situasjoner. Mens nivå 4 allerede utforskes, er nivå 5-automatisering fortsatt for komplisert å implementere.

Så hva er status når det gjelder komplekse nivåer som er nivå 3 og deretter?
Vel, det viser seg at det faktisk skjer ganske mange utviklinger i dette rommet. 

Baidu Apollo integrerte AI-system lar kjøretøy operere uten sjåfør inne i kjøretøyet. Den bruker 5G-aktivert teleoperasjon i kjøretøyene sine for å sikre at det ikke er noen uheldige hendelser.
Cruise, det selvkjørende bilselskapet tilknyttet GM og Honda, tester helt førerløse biler uten en menneskelig sikkerhetssjåfør bak rattet, i San Francisco. Dette er et av få tilfeller av førerløse biler som blir testet i det komplekse miljøet i en travel by.

Cruise har nylig vist frem sine nivå 4-funksjoner mens Google (Waymo) annonserte at de ville gjøre sin nivå 4-taxitjeneste tilgjengelig for kunder. Cruise hadde opprinnelig planlagt en lanseringsdato i 2019 for sine kommersielle førerløse drosjer, men den klarte ikke å levere.

Men til tross for en slik avansert utvikling, er sikkerhet fortsatt den viktigste bekymringen for forbrukernes aksept av førerløse biler. 
Kjøretøyer blir utstyrt med kompleks teknologi for å unngå ulykker. Flere LIDARer er fordelt over overflaten av kjøretøy sammen med flere kameraer og radarer for å ha overlappende sensorfelt. Dette tjener ikke bare til å øke synligheten av hindringer i kjøretøybanen, men også for å unngå blindsoner.

Med så mye som skjer i domenet til førerløse biler, er det åpenbart at IP-trender også kan være vitne til mye aktivitet. Og det forventes at mange startups også vil utnytte denne plassen. Videre er domenet vitne til mange tverrindustrielle aktiviteter og samarbeid.

I 2020 var Ford den mest aktive patentsøkeren for kjøretøynavigasjons- og kontrollsystemer, fulgt av Toyota Motor Corp. og LG Electronics Inc. Intel planlegger å legge til radar og LIDAR, et laserbasert system for en 3D-visning av veien for å øke sin selvkjørende teknologi innen 2025.

Oxbotica – en av pionerene innen autonom teknologi har nå samlet inn 47 millioner dollar i serie B-finansiering fra BP, BGF, Halma, Tencent, Venture Science og andre. Oxbotica er ute etter å gripe muligheter i industribedrifter for sektorer som gruvedrift, havnelogistikk i off-road-applikasjoner. Autonom kjøretøyprogramvare kan kobles til industrikjøretøyer for flåtestyring, navigasjon og persepsjon.

Qualcomms Snapdragon Automotive 5G-plattform og 3. generasjons Snapdragon Automotive Cockpit-plattform vil bli integrert i NIOs flaggskip sedan. NIO som lanserte EP9 – en av de raskeste elbilene i verden, utnytter nå Qualcomms ekspertise innen databehandling og tilkobling for å forbedre sin smarte mobilitetsteknologi.

Velodyne Lidar har signert en flerårig kontrakt med Motional – joint venture-selskapet mellom Hyundai og Aptiv Autonomous Driving for Alpha Prime-sensorer for å gi en lang rekkevidde for Autonome nivå 4-kjøretøyer. Velodynes patenterte 360-graders persepsjonsteknologi muliggjør autonom kjøring i regn, snø, sludd og komplekse bymiljøer. 

Future of Autonome Vehicles Navigation

Sikkerhet er fortsatt den største bekymringen for bilprodusenter og forbrukere. Fokuset er på å løse mindre vanlige veiscenarier forskjellig fra normale veiforhold. Den eksisterende pakken med sensorer på AV er fortsatt utilstrekkelig til å håndtere alle muligheter. Teknologier som termisk bildebehandling, langbølgede IR-kameraer blir utforsket av forskere bortsett fra avanserte LIDAR-, ultralyd- eller radarsensorer. Flere FIR-sensorer vil vise seg nyttige når vi jobber mot fullt autonome biler i fremtiden.