کنترل حرکتي خودروهاي خودران در خيابان هاي باران زده
در خيابان هاي خيس و باران زده، رفتار سطح جاده به شدت تغيير مي کند و کوچک ترين لغزش مي تواند تعادل خودرو را به هم بزند. خودروهاي خودران براي عبور ايمن از اين شرايط، به جاي تکيه بر حسگرهاي سنتي، از تحليل پيشرفته تصوير براي بازسازي ميزان چسبندگي سطح جاده استفاده مي کنند. قطرات باران، انعکاس نور، تجمع آب، شکست نور چراغ ها و تغيير رنگ آسفالت همگي نشانه هايي هستند که الگوريتم از آنها براي تشخيص ميزان لغزندگي بهره مي برد. اين سامانه نه تنها شدت بارش را مي سنجد، بلکه عمق آب روي سطح، پخش آن و ميزان خطر را نيز محاسبه مي کند.
به گزارش خودران، کنترل حرکتي در خيابان هاي باران زده، يکي از پيچيده ترين چالش هاي خودروهاي خودران به شمار مي رود. زماني که سطح جاده خيس مي شود، اصطکاک کاهش مي يابد و رفتار چرخ ها به شدت وابسته به الگوهاي آب و کيفيت آسفالت خواهد بود. خودرو براي درک اين تغييرات بايد فراتر از حسگرهاي فشاري يا سرعت چرخ حرکت کند و به تصوير واقعي سطح جاده تکیه کند. تحليل تصوير به الگوريتم اجازه مي دهد تا وضعيت چسبندگي را بازسازي کند و پيش از هر حرکت، دقيق ترين پيش بيني را درباره ميزان لغزندگي ارائه دهد.
يکي از روش هاي اصلي در اين تحليل، شناسايي الگوي انعکاس نور است. در حالت خيابان خشک، نور چراغ ها به صورت يکنواخت بازتاب مي شود؛ اما وقتي سطح خيس باشد، بازتاب نور شکسته، پراکنده و چندلايه مي شود. الگوريتم با اندازه گيري اين تفاوت مي تواند ميزان وجود آب را تخمين بزند. اين روش، همراه با شناسايي نوارهاي روشن و تيره حاصل از پخش آب توسط خودروهاي ديگر، تصويري شفاف از وضعيت واقعي سطح ارائه مي دهد.
عامل دوم، حرکت قطرات باران روي دوربين خودرو است. الگوريتم، جهت، سرعت و حجم قطرات را مي سنجد و شدت بارش را محاسبه مي کند. اين داده، با الگوهاي تردد ترکيب مي شود تا ميزان لغزندگي براي سرعت هاي مختلف به دست آيد. همچنين اگر قطرات روي شيشه به سمت خاصي حرکت کنند، خودرو مي تواند از آن براي تشخيص جهت وزش باد و تاثير آن بر ثبات حرکت استفاده کند.
تحليل رنگ و بافت آسفالت نيز منبع مهمي از اطلاعات است. آسفالت خيس، رنگ متفاوتي نسبت به حالت خشک دارد. مقدار تيره شدن سطح، ميزان عمق آب را به صورت نسبي نشان مي دهد. اين تفاوت به خودرو اجازه مي دهد تا نقاط پرخطر را شناسايي کند؛ نقاطي مانند چاله هاي پنهان، گودال هاي کوچک يا مناطق لغزنده که چشم انسان ممکن است به راحتي از آنها عبور کند.
گام بعدي، ادغام تصوير با حرکات خودرو است. خودرو با تحليل داده هاي سرعت و ترمز، اثر لغزندگي را محاسبه کرده و رفتار چرخ ها را کنترل مي کند. اگر سطح بسيار خيس باشد، سامانه فرمان دهي را نرم تر مي کند، سرعت را محدود مي سازد و ترمز را به صورت مرحله اي اعمال مي کند تا از هرگونه سرخوردن جلوگيري شود. اين کنترل، مشابه واکنش يک راننده حرفه اي در شرايط باراني است، اما با دقتي بسيار بيشتر و بدون واکنش هاي ناگهاني.
يکي از دستاوردهاي بزرگ اين روش، توانايي پيش بيني خطر پيش از ورود به نقطه لغزنده است. خودروهاي خودران مي توانند براساس تصوير دوربرد، سطح خيابان را چند ده متر جلوتر تحليل کنند و پيش از رسيدن، سرعت را تنظيم کنند. اين پيش بيني، تفاوت بزرگي با واکنش لحظه اي دارد؛ زيرا مانع سرخوردن ناگهاني مي شود و مسير عبور را نرم و قابل کنترل مي کند.
البته چالش هايي نيز وجود دارد. باران شديد مي تواند کيفيت تصوير را کاهش دهد و تشخيص دقيق وضعيت سطح را دشوار کند. همچنين چراغ هاي روشن خودروهاي مقابل يا انعکاس هاي شديد مي توانند الگوريتم را دچار خطاهاي بصري کنند. اما با ترکيب داده هاي تصوير با اطلاعات چرخ، فشار، شتاب و الگوي حرکتي خودرو، اين خطاها کاهش مي يابد و سامانه به سطح بالايي از دقت مي رسد.
در جمع بندي، تحليل تصوير براي بازسازي چسبندگي سطح در خيابان هاي باران زده، به خودروي خودران قدرت مي دهد تا همانند يک راننده باتجربه، اما بسيار دقيق تر، شرايط جاده را شناسايي و مديريت کند. اين فناوري گامي اساسي در رسيدن به حرکت ايمن، نرم و بدون خطر در باران است و آينده حمل و نقل هوشمند را شکل مي دهد.