Estymacja ruchu i lokalizacji w bolidzie Zawodów Formuły Student

Nazywam się Jakub Drzewiecki i jestem tegorocznym Liderem Działu Software w zespole Formuły Student PWR Racing Team działającym na Politechnice Wrocławskiej. Od 2009 roku konstruujemy bolidy, w czym wspiera nas firma Sii. Aktualnie zaczynamy pracę nad nowym, piętnastym już bolidem, który jednocześnie będzie naszym trzecim pojazdem elektrycznym z systemami jazdy autonomicznej.

Z niniejszego artykułu będziecie mogli dowiedzieć się więcej o działaniu naszego systemu autonomicznego, a dokładniej o estymacji ruchu i lokalizacji.

Estymacja ruchu

Jednym z niezbędnych elementów potrzebnych do niezawodnej pracy systemu jest precyzyjna ocena aktualnej dynamiki pojazdu. W tym celu opracowaliśmy podsystem oparty o Filtr Kalmana, skupiający się na przetwarzaniu danych odbieranych przez czujniki takie jak:

• Xsens MTi-670 GNSS/INS,
• Bosch MM5.10,
• nasz autorski czujnik IMU.

Pierwszym krokiem po otrzymaniu nowych danych jest dokonanie predykcji dynamiki pojazdu. Na podstawie opracowanego przez nas fizycznego modelu ruchu pojazdu obliczamy przewidywane wartości danych takie jak: prędkość, przyspieszenie czy orientacja pojazdu. Następnie, wykonywana jest korekta bieżących odczytów z wyżej wymienionych czujników. W tym celu obliczamy macierz wzmocnienia Kalmana, która decyduje o „zaufaniu” do źródeł danych. Finalnie, następuje fuzja obu informacji, aby następnie otrzymać aktualny stan pojazdu.

W ten sposób przetworzone informacje używane są przez kolejne systemy – między innymi do oceny aktualnej pozycji pojazdu w przestrzeni czy dobrania docelowej prędkości i kąta skrętu kół pojazdu. Już teraz rozwijamy nasz system, pracując nad bardziej zaawansowanym modelem pojazdu, gdyż od dokładności stanu pojazdu zależy wydajność całego systemu autonomicznego.

SLAM

SLAM, czyli symultaniczna lokalizacja i mapowanie (ang. Simultaneous Localization and Mapping), to kolejna część naszego systemu autonomicznego. Na podstawie wykrytych pachołków oraz aktualnego stanu pojazdu jest w stanie określić dokładne położenie bolidu w przestrzeni i śledzić jego trasę przez całą konkurencję.

W celu określenia lokalizacji bolidu korzystamy z algorytmu FastSLAM 2.0 wraz z wprowadzonymi przez nas drobnymi usprawnieniami, które umożliwiły zwiększenie jego dokładności, co na wąskich nitkach toru Formuły Student jest niezwykle istotne. Mimo istnienia wielu innych algorytmów, które mogłyby sprostać temu zadaniu, zdecydowaliśmy się na ten, gdyż jako jedyny działa w czasie rzeczywistym.

Algorytm tworzy wiele „cząsteczek”, które mają na celu niezależnie od siebie szacować aktualną pozycję pojazdu. W pierwszym kroku aktualizowane jest położenie każdej z nich na podstawie danych dostarczonych przez system zajmujący się estymacją ruchu. Następnie dokonywana jest predykcja aktualnego położenia, która uwzględnia zarówno ruch, jak i pachołki wykryte przez system percepcji. Kolejno dokonuje się aktualizacja zmapowanych pachołków, dzięki czemu utworzona dotychczas mapa zgadza się z rzeczywistością.

Finalnie, spośród wszystkich cząsteczek, wybierana jest ta, która z największym prawdopodobieństwem przedstawia pozycję naszego bolidu.

Na załączonej wizualizacji zobaczyć można działanie tego algorytmu w praktyce:

• linia fioletowa przedstawia trasę pojazdu tylko i wyłącznie na podstawie estymacji ruchu pojazdu,
• linia niebieska jest rzeczywistą trasą,
• linia czerwona to trasa uzyskana przez algorytm.

Widoczne są również wszystkie dotychczas zmapowane przez system percepcji pachołki.

Podsumowanie

Nasz system autonomiczny już dziś składa się z wielu zaawansowanych algorytmów i technologii, a wciąż go rozwijamy. Wierzymy, że systemy jazdy autonomicznej stanowią przyszłość i pole do ogromnego rozwoju w branży automotive, więc już teraz chcemy się w nich doskonalić. Bycie częścią Zespołu Formuły Student daje szansę pracy przy użyciu zaawansowanych narzędzi, a także współpracę ze specjalistami z branży – takimi jak eksperci z Sii.

Sii zdobyło ogromne doświadczenie inżynieryjne w zakresie wykorzystania estymatorów problemów liniowo-kwadratowych, sztucznej inteligencji czy algorytmów śledzenia-eksploracji pomieszczeń. Zespoły inżynierów wykorzystują swoją fachową wiedzę w projektach:

• z branży samochodowej, np. sterowanie przekształtnikami mocy w systemach ładowania samochodów elektrycznych;
• z branży automatyki-robotyki, np. projekt robota wspomagającego oprowadzanie osób niewidomych w zamkniętych pomieszczeniach.

Inżynierowie Sii mają także bogate zaplecze specjalistów z dziedziny elektroniki, mikroelektroniki, mechaniki czy mechatroniki, np. wewnętrzny projekt EVVA.

***

Jeśli fascynuje Cię temat automotive i bolidów, sprawdź koniecznie pierwszy artykuł napisany przez PWR Racing Team i Sii oraz to, co na temat pracy dla Porsche pisze nasz inżynier: Jak wyglądała praca robotyka Sii przy linii produkcyjnej Porsche