(English below)

Xe ô tô tự lái hay còn gọi là ô tô tự lái đã được phủ sóng rất nhiều trên các phương tiện truyền thông. Mặc dù đôi khi chúng ta thấy những vụ tai nạn hoặc sự cố cho thấy một số nguy hiểm đang hiện hữu, nhưng xu hướng đi muộn cho thấy những phương tiện này sẽ thường xuyên xuất hiện trên đường của chúng ta trong những năm tới.

Những chiếc xe tự lái thông thường yêu cầu dữ liệu bản đồ 3D dày đặc thông báo cho những phương tiện này đi đâu và phản ứng như thế nào khi có chướng ngại vật xuất hiện. Tránh va vào ai đó hoặc thứ gì đó là một điều nhưng ô tô cũng cần phải quyết định cách tiến hành khi chúng tránh một chướng ngại vật mới xuất hiện. Thách thức này đã được giải quyết tương đối thành công bởi các công ty lớn như Google. 

Sử dụng GPS và LiDAR để điều hướng trong các khu vực thiếu bản đồ
Ở các vùng nông thôn, các tín hiệu trực quan bị hạn chế hơn và ít có khả năng dự đoán hơn, vì dữ liệu thường không rõ ràng, chẳng hạn như vạch kẻ làn đường và ô tô thường thậm chí không có kiến ​​thức nâng cao về một số con đường chẳng hạn như các khu vực không trải nhựa. Các công nghệ mới hơn áp dụng tia laser và các cảm biến khác để có thể thu thập thông tin về môi trường xung quanh khi xe đang lái. Các công cụ như MIT’s MapLite tích hợp dữ liệu GPS để điều hướng chung, với dữ liệu cảm biến để các chướng ngại vật và điều kiện đường được xác định trong thời gian thực chứ không phải được thiết lập trước khi xe khởi hành. Trong nghiên cứu này, công nghệ LiDAR cung cấp sự kết hợp hữu ích tiềm năng với GPS để điều hướng phương tiện tự hành ở những khu vực có bản đồ địa hình thưa thớt. 

Các giải pháp cho điều hướng tự chủ ở các khu vực nông thôn

Trong việc điều hướng các tuyến đường nông thôn, có nhiều vấn đề tiềm ẩn. Đầu tiên, vạch kẻ làn đường cần phải dễ nhận biết, những nơi có vạch mờ hoặc đường không rõ ràng có thể nguy hiểm. Thứ hai, điều kiện thời tiết có thể ảnh hưởng đến quá trình quét laser, bao gồm cả điều kiện mưa và tuyết. Có thể cần phải gắn các loại cảm biến thị giác khác nhau ngoài cảm biến laze để tăng khả năng nhận biết thị giác. Một cách để giải quyết vấn đề này là sử dụng các thuật toán tổng hợp cảm biến có thể tích hợp nhiều loại cảm biến với nhau để xử lý dữ liệu phức tạp và thời tiết bất lợi tốt hơn so với việc có thể làm phức tạp chức năng hoặc dự đoán. Các phương pháp khác cũng đã được đề xuất, đặc biệt đối với điều kiện tuyết, bao gồm sử dụng công nghệ LiDAR, một dạng laser xung, để phát hiện tốt hơn các cạnh mà sau đó có thể phân biệt chúng là gì khi các phương tiện di chuyển (ví dụ: phân biệt các cạnh làn so với lề đường). Điều này cũng sử dụng phân tích thành phần chính (PCA) của hình ảnh thu được để phân biệt và phát hiện các tính năng. 

Giải pháp chia sẻ dữ liệu trên mạng ô tô

Các giải pháp tiềm năng khác cho việc lái xe ở nông thôn bao gồm xe tự hành kết nối với cơ sở dữ liệu trung tâm hoặc một mạng lưới rộng hơn có thể truy cập thông tin liên lạc và thông tin theo yêu cầu. Về bản chất, một loại nguồn cung cấp dữ liệu cộng đồng có thể được sử dụng để những chiếc xe chạy qua các khu vực nông thôn hoặc ít được sử dụng cung cấp dữ liệu cho một mạng mà sau đó những chiếc xe khác có thể truy cập được. Việc chia sẻ dữ liệu như vậy có thể hỗ trợ tối đa hóa các khu vực có ít dữ liệu hơn, giúp ô tô dễ dàng lái xe ở các vùng nông thôn hơn theo thời gian khi ô tô bắt đầu học hỏi từ các ô tô khác. Điều này có thể được mô phỏng theo các mạng như mạng xe cộ không đồng nhất (HetVNET) được đề xuất.

Theo nhiều cách, việc sử dụng mạng có thể là một hình thức triển khai tiềm năng lớn hơn các phương pháp tiếp cận nhận thức đối với các phương tiện tự hành, nơi giao tiếp giữa các phương tiện cũng như quan sát trên đường và các thuật toán dự đoán được áp dụng cùng nhau. Nói cách khác, tương tự như con người, ô tô có thể cần kết hợp nhiều giác quan và giao tiếp với những người khác để đưa ra lựa chọn sáng suốt. Xe ô tô tự lái có thể được yêu cầu đơn giản sử dụng nhiều hơn dữ liệu trực quan và kết hợp dữ liệu âm thanh, hình ảnh và kỹ thuật số để kết hợp thông tin giác quan tốt nhất có thể được tích hợp theo cách tiếp cận giống như nhận thức có thể giúp phương tiện dự đoán và quyết định lựa chọn tốt nhất của họ để thực hiện.

Càng ngày, chúng ta càng thấy nhiều hãng truyền thông dự đoán rằng tương lai trên các con đường sẽ là việc sử dụng ô tô tự lái. Vẫn còn nhiều thách thức, đặc biệt là lái xe trên đường nông thôn, loại đường phổ biến nhất gặp phải. Cho đến khi một thách thức như vậy có thể được giải quyết thỏa đáng, hầu hết các khu vực sẽ không thể tiếp cận được ô tô tự hành. Trong khi nhiều giải pháp tiềm năng đã được đề xuất, không có giải pháp nào trong số chúng chứng minh được lợi ích chung, rõ ràng trong nhiều trường hợp thử nghiệm khác nhau. Trước thách thức này, chúng ta sẽ thấy nhiều ý tưởng mới trong những năm tới để tìm ra cách xe ô tô có thể lái tốt nhất ở những khu vực có dữ liệu đường bộ bị hạn chế.

-------

Spatial Challenges of Navigating Rural Roads for Self-Driving Cars

Self-driving, or autonomous, cars have been heavily covered the media. Although sometimes we do see accidents or incidents that show some dangers are present, the trend of late indicates these vehicles will be commonly present in our roads in the years to come.

Conventional self-driving cars require dense 3D map data that inform these vehicles where to go and how to react when obstacles emerge. It is one thing to avoid hitting someone or something but cars also need to decide how to proceed as they evade an emerging obstacle. This challenge has been relatively successfully addressed by major companies such as Google.

Using GPS and LiDAR to Navigate in Areas Lacking Maps
In rural regions, visual cues are more limited and potentially less predictable, as data are generally not as clear, such as lane markings, and cars often do not even have advanced knowledge of some roads such as unpaved areas. Newer technologies apply lasers and other sensors so that information about surroundings can be acquired as the car is driving. Tools such as MIT’s MapLite integrates GPS data, for general navigation, with sensor data so that obstacles and road conditions are determined in real-time rather than being set before the car sets off. In this study, LiDAR technology offers a potentially useful combination with GPS for autonomous vehicle navigation in areas with sparse topological maps.

Solutions for Autonomous Navigation in Rural Areas
In navigating rural roads, there are potential problems. First, lane marking need to be easily identifiable, where faded marks or unclear roads could be hazardous. Second, weather conditions can affect laser scans, including rain and snow conditions. Different types of visual sensors might need to be mounted in addition to laser sensors to increase visual awareness. One way this has been addressed is using sensor fusion algorithms that can integrate a variety of sensors together to better handle complex data and adverse weather than can complicate functionality or prediction. Other methods have been proposed as well, particularly for snow conditions, including using LiDAR technology, that is a form of pulsed laser, to better detect edges that then can be differentiated as to what they are as vehicles move (e.g., differentiating lane edges vs. curbs). This also uses principal component analysis (PCA) of the resulting imaging to differentiate and detect features.

Data sharing solution in a car network

Other potential solutions for rural driving include autonomous vehicles communicating with a central database or a wider network that can access communication and information as required. In essence, a type of data crowdsourcing could be used so that cars that do drive through rural or less used areas provide data to a network that can then be accessed by other cars. Such data sharing could assist in maximizing areas where less data exist, making it easier for cars to drive in rural areas over time as cars begin to learn from other cars. This could be modeled off networks such as heterogeneous vehicular networks (HetVNET) proposed.
In many ways, the use of networks could be a form of potentially greater implementation of cognitive approaches to autonomous vehicles, where communication between vehicles as well as on-road observations and predictive algorithms are applied all together. In other words, similar to humans, cars may need to combine multiple senses and communications with others to make informed choices. Autonomous cars might be required to simply use more than visual data and incorporate sound, visual and digital data so that a combination of sensory information could best be integrated in a cognitive-like approach that can help the vehicles anticipate and decide their best choices to make.

Increasingly we are seeing more media outlets predict that the future on the roads will be the use of autonomous cars. Many challenges remain, in particular driving on rural roads, which are the most common type of road encountered. Until such a challenge can be adequately addressed, most regions will be inaccessible for autonomous cars. While many potential solutions have been proposed, none of them has demonstrated a clear, universal benefit in a variety of test cases. Given this challenge, we should see many new ideas in the years to come on how cars can best drive in areas with limited road data coverage.

Geolink tổng hợp từ Gislounge