Get best of the week

Saat kami menulis autopilot paling keren di dunia untuk lokomotif shunting

gambar
Salah satu prototipe paling awal yang digunakan untuk tes.

Saya harus mengatakan segera: dia adalah yang paling keren karena dia adalah satu-satunya autopilot dari tingkat ketiga yang dibawa ke operasi persidangan. Dan dia adalah satu-satunya yang dibawa ke operasi persidangan karena tanpa pengalaman autopiloting trem dan yang lainnya, tidak masuk akal untuk masuk ke pasar ini. Ada banyak lokomotif diesel, tugasnya menarik dan penting untuk produksi, tetapi tidak membuahkan hasil yang terpisah. Kami tahu tentang perkembangan topik ini dari NIIAS dan Siemens, tetapi kami tidak tahu bahwa trem mereka bepergian ke suatu tempat di lingkungan perkotaan, dan lokomotif mengangkut barang nyata.

Karena kami sudah memiliki banyak perkembangan dan solusi berbeda dengan trem tanpa awak di Rusia dan Cina, kami memutuskan untuk bereksperimen dengan satu perusahaan besar dengan armada besar lokomotif diesel shunting yang digunakan untuk mengirimkan bahan baku ke bengkel.

Di sana, masalahnya adalah bahwa pergerakan lokomotif diatur oleh banyak sinyal, posisi orang dan infrastruktur, serta tim dari operator. Pengemudi harus tetap sangat perhatian sepanjang shift (sekitar 12 jam), termasuk di malam hari. Akibatnya, cepat atau lambat, ia kehilangan sesuatu dan mengalami kecelakaan, atau menjatuhkan seseorang. Ini adalah nyawa, kecelakaan transportasi terjadi, tetapi khususnya dalam situasi ini, Anda dapat menempatkan radar pada lokomotif diesel, karena tidak hanya satu lokomotif diesel yang naik, tetapi sebuah perusahaan besar. Untuk waktu yang lama. Penghindaran tabrakan dan autopilot dapat sangat mengurangi beban pada seseorang di kokpit, dan kemudian produksi tidak akan naik.

Modul dalam gambar adalah salah satu prototipe paling awal dari unit kamera yang kami mulai. Sejak saat itu ia mengalami perubahan yang signifikan, tetapi selalu menarik untuk melihat bagaimana semuanya dimulai. Sekarang saya akan memberi tahu Anda bagaimana robot umumnya dapat bernavigasi di stasiun, karena tugasnya sebenarnya tidak sepele.

Autopilot kami memastikan operasi yang aman di cuaca yang sulit dan kondisi iklim dan dalam kondisi cahaya apa pun.

Inilah yang diletakkan di lokomotif:

gambar
Versi saat ini di perangkat keras unit kamera sangat berbeda dari prototipe pertama.

gambar

Dibutuhkan tiga kamera karena desain ini dapat bergerak cukup cepat, jarak berhenti, tidak seperti trem, besar (trem hampir berada di tempat dalam keadaan darurat), dan bebannya sangat berat. Oleh karena itu, perlu untuk memprediksi situasi sebelumnya. Sangat sering perlu membaca indikasi lampu lalu lintas dalam cerita-cerita seperti:

gambar

Oleh karena itu, ada tiga kamera:

gambar

Inilah yang mereka lihat:

gambar

Plus radar.

Pengaturan yang dibutuhkan cukup mahal, sekitar 15 ribu rupiah. Ini tidak akan diletakkan pada mobil, karena kompleks seharusnya tidak lebih mahal dari mobil. Tetapi masuk akal untuk menyebarkan kompleks perangkat keras-perangkat lunak seperti itu di lokomotif diesel, dan hasilnya terbayar. Dan tugasnya berbeda. Pada konferensi terakhir, Google menunjukkan set lengkap sensornya, yang, menurut pendapatnya, harus dipasang pada setiap kendaraan tak berawak, di mana harganya jauh lebih dari 100 ribu dolar. Baik mereka dan kami memiliki duplikasi konvergen: jika salah satu subsistem gagal, maka akan mungkin untuk sampai ke depot (layanan) untuk sisanya.

Mengapa dimulai di Rusia


Karena kami berada di TOP-3 di mesin pertanian, di TOP-5 di kereta api, dan kami memiliki salah satu jaringan trem paling berkembang di dunia (tapi di luar sepuluh, bandingkan setidaknya dengan Cina). Pasar dunia untuk traktor, gabungan, trem dan lokomotif diesel adalah sepertiga dari mobil. Ketiga. Dan kami memiliki negara yang ideal untuk pengembangan semua ini, juga karena pada tahun 90-an mereka semua ambruk dan tidak membeli, dan banyak peralatan sekarang hampir segar, yaitu, hampir tidak ada generasi sebelumnya.

Di dunia - 300 ribu lokomotif. Di negara kita - 50 ribu lokomotif dari Kereta Api Rusia. Dari jumlah tersebut, 15 ribu pirau. Selain itu, ada 10 ribu lokomotif pemilik pribadi. Ini adalah tanaman yang paling besar - tanaman metalurgi. 250 lokomotif - di Novolipetsk, misalnya, tempat kami melakukan tes. Mereka memecahkan masalah khusus: kelangsungan proses pengiriman bahan baku untuk produksi atau pengiriman produk jadi ke jalur kereta utama. Ada perusahaan kimia, metalurgi dan pertambangan dengan tugas seperti itu.

Kurang dari 1.000 lokomotif diesel diproduksi per tahun. Ini adalah aftermarket - Anda harus berurusan dengan armada saat ini. Perlu untuk melengkapinya.

Dan kita bisa melakukan ini dengan sangat baik.

Jumlah kecelakaan di area tertutup lebih besar daripada yang terlihat dari luar. Mereka hampir selalu tanpa korban, tetapi dengan kerusakan material (panah, kereta pergi dari rel), dan ritme produksi selalu rusak saat perbaikan sedang berlangsung.

Tugasnya adalah membuat L3 - lokomotif tanpa awak.

Keputusan


Waktu pengoperasian trem memungkinkan Anda menjaga jalur dengan baik:

gambar

Dan bagus untuk melihat rintangan:

gambar

Tetapi hanya dengan memasukkan dan menggulirkan kode ke lokomotif tidak akan berfungsi. Faktanya adalah bahwa jika rute trem cukup sederhana (dua jalur dengan minimum cabang), maka lokomotif memiliki kompleksitas stasiun yang jauh lebih tinggi, dan dalam kelompok trek yang padat Anda harus menavigasi dengan sangat baik.

Ditambah lokomotif diesel shunting - mereka tidak bepergian ke seluruh negeri, tetapi bergerak di sepanjang rute tertutup mereka. Hal pertama yang kami lakukan adalah mulai membuat peta trek sebagai sumber data tambahan berdasarkan rencana dan gambar satelit (kita harus mengakui bahwa itu ternyata jauh lebih cepat dan lebih dapat diandalkan dengan gambar satelit). Artinya, mereka melatih jaringan saraf untuk menyoroti jalur, tetapi sejauh ini kami menyesuaikan hasilnya dengan tangan. Skema berikut diperoleh:

gambar

Di papan ada GPS presisi tinggi + GLONASS (juga mahal, tapi di sini Anda bisa), skema orientasi visual dan radar. Ini berarti bahwa Anda dapat melampirkan koordinat kira-kira ke bagian rute, dan karena pengenalan objek di sekitarnya, "cari tahu" tempat yang tepat.

Akan lebih mudah bila ada peta satelit.

gambar

Karena itu, hal berikutnya yang kami lakukan adalah mulai mengajar lokomotif diesel ke stasiun. Faktanya, pada setiap bagian di sepanjang rute, lokomotif mengingat benda-benda di sekitarnya dan mengenalinya untuk membaginya menjadi permanen dan sementara (aneh untuk bernavigasi dengan tabung atau orang, tetapi dengan totalitas tiang, lampu lalu lintas dan panah itu sangat mungkin). Lalu dia memproyeksikan ke peta. Ini adalah salah satu sumber data, dan memungkinkan untuk meningkatkan akurasi pengambilan keputusan secara autopilot. Algoritma penyimpanan kira-kira sama dengan FaceID: data sukses baru ditambahkan ke set pelatihan.

Secara alami, kami perlu menandai dataset secara manual di awal. Bukan pekerjaan yang paling menyenangkan dan cepat, tetapi sangat diperlukan. Dimungkinkan untuk mengumpulkan dataset hanya di fasilitas, karena banyak di dalamnya tidak seperti bank komersial.

gambar

Salah satu fitur stasiun adalah cahaya terang dan kondisi buruk untuk pengakuan. Di sini tentu saja perlu radar untuk mencari pejalan kaki, analisis video dengan sendirinya tidak menarik:

gambar

Inilah cara Anda dapat menarik adegan buruk (hambatan sewenang-wenang di trek, estimasi jarak ke objek) dengan mengorbankan penglihatan stereo, yang bahkan menghasilkan lebih banyak data dengan definisi gambar lingkungan tingkat rendah:

gambar

Sejak radar - dari desain kami sendiri, kami dapat menerima data tingkat rendah dari semua sensor dan menarik lebih banyak korelasi dari jaringan saraf langsung dari mereka daripada biasanya. Termasuk dari pemindaian radar asli. Ini juga ternyata sangat penting untuk proyek tersebut.

Tentu saja, kami juga menggunakan prakiraan pergerakan orang (lebih detail ada di pos terakhir tentang trem). Tapi di sini semuanya sederhana, orang hampir tidak pergi dan tidak mencoba melompat di bawah lokomotif diesel dalam upaya untuk masuk ke dalamnya. Inilah penghindaran rintangan:



Ini adalah bagaimana posisi panah terdeteksi: kita menunggu panah dalam navigasi, mencari panah, beralih ke kamera jauh untuk melihat lebih dekat, pilih segmen dengan panah di bingkai menyeretnya ke neuron, kita mendapatkan hasil dari keadaan panah.

gambar

Apa perbedaan antara tugas lokomotif diesel shunting dari yang biasanya?


Shunting - ini adalah alat-alat seperti itu:

gambar

Ini dia lebih indah:

gambar

Lokomotif semacam itu hampir selalu terisi oleh kenyataan bahwa ia mendekati dan berlabuh dengan kereta.

Ciri-ciri gerakan ini adalah ia menarik dan mendorong. Bergerak dalam dua arah, yaitu setengah hari bertentangan dengan tampilan utama dari kabin.

Ada banyak pembatasan pada manuver, ada lampu lalu lintas sendiri, selain yang biasa.

Jika ada beberapa panah pada garis biasa, maka shunting di dalam stasiun biasanya memiliki seluruh jaringan switch. Koreksi GPS + RTK tidak cukup di stasiun, karena ada banyak besi yang berbeda di sekitar. Pemfilteran kalman tidak menjamin pengawetan jalur. Kami terus-menerus memiliki satu setengah meter - cara berikutnya, dan kami dapat memposisikan diri di sana, ini menyebabkan kesalahan algoritma. Kami menggunakan filter partikel untuk data tingkat rendah - memungkinkan 10 kali meningkatkan akurasi pemosisian. Pemfilteran partikel sulit dalam komputasi (ini dapat dielakkan), dan kami mungkin tidak secara eksplisit menentukan model gerakan. Tapi Anda bisa memberinya data dari semua sensor: ini odometry, tiang di stasiun, lampu lalu lintas dan panah, kami ikat ke peta virtual. Bekerja di bawah jembatan. Pembagian di depan pilarpenembak dan lampu lalu lintas di stasiun memungkinkan Anda untuk memberikan penilaian yang jauh lebih akurat tentang posisi mereka daripada GPS. Di masa mendatang, kami berencana untuk meninggalkan koreksi RTK sama sekali, GPS hanya akan diperlukan untuk penilaian awal situasi. Berikutnya adalah korelasi pilar di peta dan di kamera / radar.

Lampu lalu lintas lebih kompleks daripada di trem. Penting untuk membedakan antara sinyal lalu lintas. Pada saluran ada ALSN, dan untuk tugas shunting, sinyal di sepanjang rel tidak diduplikasi di dalam stasiun. Butuh mode malam, ini adalah saat lampu lalu lintas menerangi kamera. Dalam mode siang hari, terkadang juga pucat. Untuk ini, mereka datang dengan sistem filter. Perlu dikenali sejauh 300 meter agar punya waktu untuk menghentikan komposisi.

Dengan peta satelit yang disiapkan dan ditandai, ternyata berjalan dengan baik, tetapi autopilot dapat belajar setelah lima atau enam perjalanan ke stasiun baru itu sendiri, oleh karena itu, jika kantor tidak menyiapkan peta, akan perlu untuk melakukan perjalanan kosong di stasiun baru. Di sisi lain, jika kartu kedaluwarsa, maka robot kami tidak akan hilang. Penting bahwa ini menghabiskan banyak sumber daya, karena Anda tidak hanya perlu melihat objek, tetapi menganalisis jenis masing-masing. Orang yang bertugas dapat menjadi objek permanen, karena ia selalu berada di satu tempat, tetapi jika ia ditugaskan ke kelas seseorang, maka robot memahami bahwa tidak masuk akal untuk meletakkannya di peta.

Pengemudi memerlukan asisten untuk mensurvei 180 derajat ke arah perjalanan, karena lokomotif memiliki struktur dengan kompartemen mesin di depan, dan itu menutup pandangan ke pengemudi pada segala hal di sebelah kiri. Dan baik pengemudi harus naik dengan asisten (biasanya satu tidak diperbolehkan), atau sistem tinjauan dan autopilot diperlukan.

Setelah pengujian dan sertifikasi, sistem kami dapat dikeluarkan tanpa asisten di situs. Sistem tidak akan tertidur.

Berikut adalah salah satu ilustrasi terbaik yang terjadi. BelAZ bertabrakan dengan lokomotif diesel. Lokomotif hilang, dan suspensi BelAZ terbang dan sinar itu pecah. Sekarang Anda tahu, paus menang atau gajah.

Cukup sulit dengan pengereman. Dalam kasus trem, kami secara fleksibel mengontrol proses dan dapat melakukan pengereman parsial. Dalam hal kereta api - hanya berhenti total, jika tidak istirahat kereta api dapat terjadi. Trem bisa melambat dan mengontrol waktu sebelum tabrakan. Ini karena sistem pengereman dan bobot tetap. Setiap kali kereta berbeda, ada hingga 100 mobil, dan rem udara dihapus selama beberapa detik. Masalah besar adalah bahwa jika kita mengendalikan rem kereta, maka kita perlu mengontrol tekanan di seluruh kereta, yang sedikit di luar kendali untuk autopilot.

Apa sebenarnya yang dilakukan sistem?


Sekarang ia memulai pengereman otomatis pada lampu lalu lintas yang melarang posisi panah berbulu, saat mendekati kereta api, itu lebih cepat daripada toleransi atau ketika ada hambatan di rel (termasuk seseorang). Kami menghitung perkiraan tabrakan, lintasan benda, kecepatan kereta. Jika seseorang, sesuai dengan niatnya, melintasi jalan pada saat yang sama ketika kereta pergi ke sana, maka pertama-tama peringatan, jika waktu singkat, kami memulai penghambatan.

Prinsip umum:



Basis tes berada di Vologda, karena di sana mereka menangani keamanan dengan sangat serius. Beberapa tahun yang lalu, pengemudi lokomotif tertidur dan melaju ke dalam tank melalui sinyal larangan. Akibatnya, mobil terbalik, sekelompok tank keluar dari rel, ada baiknya mereka kosong. Ada foto-foto, mereka sangat mengesankan.

Jika tank-tank itu tidak kosong, maka tidak akan ada foto, semuanya akan terangkat ke udara. Pengemudi yang lelah akan mendapatkan larangan cahaya lebih sering daripada yang terlihat dari luar. Kasus yang sangat mungkin tidak dicungkil, tetapi kesalahpahaman tentang perintah operator pada walkie-talkie (Anda dapat naik di bawah biru jika izin operator melakukannya). Tetapi jika Anda tidak melihat panah, itu akan diretas. Tidak ada yang akan terjadi pada skuad saat ini, tetapi yang berikutnya mengikutinya di arah yang berlawanan mungkin keluar dari rel.

Beginilah tampilannya dari kabin pengemudi:



Seperti yang Anda lihat, kami bergerak menuju fakta bahwa ChMEZiki lama (di beberapa daerah mereka juga disebut Chmukh) akan menjadi kendaraan tak berawak yang sangat sempurna. Ya, atau setidaknya dengan asisten co-pilot. Sudah dan bekerja.

Kata penutup


Pada bulan Desember 2019, kami menyelesaikan proyek dengan Russian Railways untuk membuat kompleks perangkat keras-perangkat lunak untuk membantu pengemudi, memberikan lokomotif shunting prototipe dengan kemungkinan kontrol otonom. Hasil pertama dari pekerjaan itu ditunjukkan kepada manajemen Kereta Api Rusia pada bulan Juli tahun lalu dan sangat dihargai. Saat ini, berdasarkan perjanjian tersebut, sistem cerdas Cognitive Rail Way Pilot diinstal pada sepuluh lokomotif shunting dari merek ChMEZ.

gambar
Kepala Kereta Api Rusia Oleg Belozerov dengan manajer jalan dan Gubernur wilayah Tula Alexei Dyumin mengambil pekerjaan dengan spesialis Pilot Kognitif sebagai bagian dari Majelis Kepala Kereta Api XV di stasiun Schekino di Tula Railway.

gambar
Tim Percontohan Kognitif setelah berhasil menunjukkan hasil proyek bersama ke manajemen Kereta Api Rusia dan wilayah Tula di stasiun Schekino di jalur kereta Tula.

More articles:


All Articles