Autonome Fahrzeuge. Eine Pro-Seminar Arbeit von. Patrick Bertsch. 1 Abstract

Transkript

1 Eine Pro-Seminar Arbeit von Abstract Die folgende Arbeit soll einen kurzen Einblick in das Gebiet der Künstlichen Intelligenz, im Bezug auf autonome Fahrzeuge, geben. Im folgenden sollen der Aufbau und die Funktionsweise eines solchen autonomen Fahrzeuges beschrieben werden. Um ein solches Fahrzeug zu konstruieren werden mehrere verschieden Komponenten benötigt, welche sich in Hard- und Software unterteilen. Genau um diese Komponenten und Module soll es auf den folgenden Seiten gehen. Was wird benötigt, wie ist der Aufbau und ganz wichtig ist natürlich, wie diese Komponenten untereinander zusammenarbeiten. In den folgenden Abschnitten soll ein einstieg dafür gegeben werde, um die Grundstruktur eines solchen Projektes zu verstehen Seite 1 von 12

2 Inhaltsverzeichnis 1 Abstract Motivation Was macht diese Systeme Intelligent Hardware Software Positionsbestimmung / Wegfindung Hindernisserkennung Was bringt uns die Zukunft Fazit Literaturverzeichnis...12 Seite 2 von 12

3 2 Motivation Die Motivation für ein solches Unterfangen war ein Rennen, welches in den USA ins Leben gerufen wurde. Die Organisatoren dieses Rennens sind der Meinung, dass nur so die Erforschung und Entwicklung dieser Technologien auf diesem Gebiet der Künstlichen Intelligenz vorangetrieben werden kann. Natürlich ist ein solches Rennen an bestimmte Bedingungen und Regeln geknüpft. Die wichtigste Regel lautete, dass das Fahrzeug völlig autonom einen vorgegeben Kurs von 132 Meilen durchfahren können muss. 3 Was macht diese Systeme Intelligent Dies ist die Gretchenfrage in diesem Vorhaben. Hier gibt es unterschiedliche Lösungsansätze, jedoch ähneln Sie sich in Ihrem Grundgedanken. Ein reibungsloses Zusammenspiel zwischen Hardware und Software ist zwingend erforderlich. Wie dies im einzelnen geschieht, soll an den wichtigsten und erfolgreichsten Systemen sowie an Ihrer Funktionsweise erläutert werden. 4 Hardware GPS Das Global Positioning System (kurz: GPS ) ist für die Navigation sehr entscheidend. Drive-By-Wire 1. Abb. Drive-by-Wire Seite 3 von 12

4 Ein weiteres wichtiges und essentielles System ist das so genannte Drive-by-Wire System. Dieses System ermöglicht einem Computer die grundlegenden Funktionen eines Fahrzeuges wie das Schalten, das Bremsen, das Beschleunigen und natürlich das Lenken zu übernehmen. Das Drive-by-Wire System ermöglicht auch das leichtere Umschalten zwischen manuellem und Computergestütztem fahren. Radar Das Radar wird hauptsächlich für das Erkunden von entfernten Objekten benutzt. Laser Mit den Lasersensoren versucht man mit einer hohen Abtastrate Objekte auf kurze Entfernung auszumachen. Kameras Visuelle Aufnahme der Umgebung 5 Software Dies ist wohl der wichtigste Part in einem solchen Unterfangen. Jeder der schon einmal Software entwickelt hat weiß, wie komplex es sein kann verschiedene Ereignisse, welche die selbe Priorität aufweisen, zusammenzufassen und zu analysieren. In den vorhergehenden Punkten wurden die einzelnen Komponenten eines solchen Systems kurz beschrieben. Jedoch sind diese Komponenten nichts Wert, wenn Sie nicht zusammenarbeiten. Hier kommt die Software mit Ihrer Möglichkeit künstliche Intelligenz zu schaffen, ins Spiel. Die folgende Abbildung zeigt einen Aufbau, welcher das Zusammenspiel von Hardware und Software widerspiegelt. Seite 4 von 12

5 2. Abb. Flussdiagramm Abbildung 2 soll ein Beispiel sein für einen Modularen Aufbau einer solchen Software, zum steuern von autonomen Fahrzeugen. Man kann recht leicht erkennen, das diverse Module sehr stark miteinander Verknüpft sind und so die Stabilität erhöht und die Fehlerrate erniedrigt wird. Dabei stellen sich zwei grundlegende Fragen: Wo bin ich? und Wo möchte ich hin? / Was ist mein nächstes Ziel? Da mit Hilfe von GPS Daten gearbeitet wird, ist zu erwarten, dass dies eine sehr einfach zu realisierende Aufgabe sei. Jedoch ist das GPS sehr ungenau und bedarf daher einem permanenten Abgleich durch die Daten der Sensoren. 5.1 Positionsbestimmung / Wegfindung Anhand der gesammelten Sensordaten schafft sich das System nun einen Überblick über die reale Welt. Schließlich muss jede Handlung eines Fahrers simuliert werden, um einen reibungslosen Ablauf zu gewährleisten. Sei es nun die aktuelle Lenkerposition oder die aktuelle Geschwindigkeit. Anhand der Sensordaten kann somit z.b. eine 2D Karte erstellt werden. Eine solche Drivability-Map kann nun dazu benutzt werden um die weiteren Wegpunkte festzulegen, welche darauf hin vom Fahrzeug abgefahren werden sollen. Durch die Kombination der drei genannten Sensoren -Radar, Laser, Kamera- ist somit eine Seite 5 von 12

6 Analyse der unmittelbaren Umgebung möglich. Um eine solche Karte möglichst genau zu erstellen, unterteilt man sie in ein Raster. Jeder Zelle in diesem Raster wird ein Wert zugewiesen. In der folgenden Abbildung sind es drei Werte, welche die Umgebung als unknown; drivable; not drivable beschreiben. 3. Abb. Drivability Map mit den Zuständen unknown(grau);drivable(weiß);not drivable(rot) Anhand dieser Daten ist es nun möglich das Fahrzeug kontrolliert über die zunächst definierte Strecke zu manövrieren. Es können so Geschwindigkeit und Lenkung angepasst werden. Für das Erstellen dieser Parameter sind viele Algorithmen notwendig. Ein Beispiel für einen solchen Algorithmus möchte ich kurz in vereinfachter Form erläutern. Seite 6 von 12

7 1. Laserdaten werden benutzt um ein bestimmtes Gebiet vor dem Fahrzeug auf seine Beschaffenheit zu überprüfen. 2. Ein Algorithmus sucht den korrespondierenden Teil in einem Bild, welches von der Kamera übermittelt wurde. 3. Darauf hin werden alle anderen Bereiche, welche das gleiche Muster aufweisen ebenfalls markiert. 4. Als letztes überprüft ein Algorithmus ob ein ausreichend befahrbarer Bereich gefunden wurde. Sollte dies der Fall sein, wird dem Drive-By-Wire System mitgeteilt, das es mit den gewonnenen Daten die nötigen Einstellungen treffen kann um das Fahrzeug zu steuern. Die Wegfindung bedient sich verschiedener mathematischen Verfahren, wie z.b. dem Kalman-Filter oder der Markov-Kette etc. Kalman-Filter: Der Kalman-Filter ist ein stochastischer Zustandsschätzer für dynamische Systeme, d.h. er ist dafür konzipiert Zustände sowie Parameter anhand von teilweise redundanten Messungen zu schätzen. Messungen welche durch Rauschen überlagert werden,werden somit wieder lesbar! Markov-Kette: Die besondere Eigenschaft einer Markov-Kette ist die, dass wenn genügend Informationen über einen Zustand p(t) vorhanden sind, sich auch der Folgezustand p(t+1) mit einer sehr hohen Wahrscheinlichkeit vorhersagen lässt. Nimmt man beispielsweise Wegpunkte zur Hand, welche man abfahren möchte. Die Punkte A,B,C,D beschreiben jeweils Punkte auf einer Karte. Befindet man sich nun am Punkt C und möchte zum Punkt D fahren, so sind alle vorhergehenden Punkte (A,B) irrelevant für die Berechnung sondern nur der aktuelle Punkt, an dem man sich zur Zeit befindet. Alle Informationen die man von dem Wegpunkt C erhält reichen aus, über die Markov-Kette den Wegpunkt D (Zustand) mit recht hoher Wahrscheinlichkeit zu berechnen. Seite 7 von 12

8 4. Abb. Sensor Framework Die Abbildung 4 zeigt, wie aus den Sensordaten schließlich die Parameter für die Steuerung des Fahrzeuges gewonnen werden. Wie man erkennen kann besteht die Software aus einzelnen Modulen. Dieser modulare Aufbau erleichtert eine Trennung von zeitkritischen von weniger zeitkritischen Systemen. Modularer Aufbau heißt, das die verschiedenen Überwachungs- und Steuerungssysteme, so gekapselt wurden, das ein erweitern oder entfernen einzelner Module ohne großen Aufwand vorgenommen werden kann. Es ist somit ohne weiteres möglich Erweiterung in die Software einfließen zu lassen um so die Effektivität und die Stabilität zu erhöhen. 5.2 Hindernisserkennung Um Hindernisse als solche zu erkennen benötigt man eine Objekterkennung. Es gibt verschiedene Arten der Objekterkennung. Die reicht von den bereits angesprochenen Lasern bis hin zur Bildanalyse per Kamera. Seite 8 von 12

9 5. Abb. No-Forward-Progress In Abbildung 5 ist zu erkennen wie eine solche Hinderniserkennung aussehen könnte. Das Fahrzeug besitzt 5 Zustände, welche über das weitere Vorgehen entscheiden. 1. Fahrzeug befindet sich im Normalzustand. Hinderniserkennung erfolgt und die Geschwindigkeit wird gedrosselt um so mit Hilfe weiterer Sensordaten das Hindernis zu verifizieren. 2. Hindernisbestätigung durch Berührung. 3. Versuch weiter Vorwärts zu kommen. Wenn dies nicht gelingt, wird das voraus liegende Terrain als Hindernis markiert. 4. So lange Rückwärts fahren, bis eine Möglichkeit der Umfahrung gefunden wurde. 5. Alternative Strecke gefunden und zurück in den Normalzustand wechseln. Jeder Zustand löst ein bedingtes Verhalten aus, welches der Situation angepasst ist. Natürlich gibt es noch weitere Methoden der Objekterkennung jedoch sind diese nicht weniger Kompliziert. Beispielsweise die Benutzung einer Stereo-Kamera um so eine 3D Abbild der Umgebung zu bekommen um dieses dann zu Analysieren. Solche System wurden zwar auch schon eingesetzt, jedoch erweist sich hier das einfachere System, welches im vorhergehenden Abschnitt beschrieben wurde, als die bessere Lösung. Seite 9 von 12

10 Die vorgestellten Vorgehensweisen für ein autonomes Fahrzeug gehen auf zwei Teilnehmende Teams der DARPA Grand Challenge 2005 zurück. Das Team der Stanfort University mit Ihrem Fahrzeug Stanley ging dabei als Sieger hervor. Dabei sollte nicht außer Acht gelassen werden, dass eine solche Datenflut auch die entsprechende Rechenleistung benötigt (siehe Abb. 6 ). 6. Abb. Rechnersystem eines VW Touareg (Stanley) mit diversen Netzwerkkomponenten Seite 10 von 12

11 6 Was bringt uns die Zukunft Um die künstliche Intelligenz der Perfektion einen Schritt näher zu bringen stellen wir uns immer neuen Herausforderungen. So wird im Jahre 2007 eine weitere Challenge unter dem Namen DARPA Urban Challenge stattfinden. In dieser Challenge gehen die Organisatoren noch einen Schritt weiter. Das Reglement sieht vor, dass die autonomen Fahrzeuge sich im Straßenverkehr behaupten müssen. We believe the robotics community is ready to tackle vehicle operation inside city limits. - Dr. Tony Tether, DARPA Director - 7 Fazit Abschließend kann man nur sagen, dass dies der Beginn einer Reihe von Veränderungen ist. Der Einsatz von künstlicher Intelligenz wir mehr und mehr Einzug in das zivile Leben halten. Auch wenn die meisten Projekte im Bereich der künstlichen Intelligenz ihren Ursprung im militärischen Sektor haben, so weiß man aus Erfahrung, dass es nicht lange dauert, bis diese Systeme im zivilen Bereich eingesetzt werden. Alles in allem ist dies nur die Spitze des Eisberges. Das Streben nach Wissen und Perfektion wird den Bereich der künstlichen Intelligenz in den nächsten Jahren weit voran treiben. Seite 11 von 12

12 8 Literaturverzeichnis Stanford Racing Team's Entry in the 2005 DARPA Grand Challenge, Alice: An Information-Rich Autonomous Vehicle for High-Speed Desert Navigation (Team Caltech), Journal of Field Robotics, 12 December 2005 Scientific American [Magazin] Januar L. Dümbgen, Stochastik für Informatiker, Springer Verlag Seite 12 von 12