Работы автора

Рассматриваются популярные симуляторы беспилотных транспортных средств с поддержкой пересеченной местности: Gazebo, CARLA, AirSim, NVIDIA Isaac Sim и Webots. Описаны их основные возможности, связанные с моделированием рельефа, физикой движения, поддержкой датчиков и погодных условий. Особое внимание уделено созданию реалистичных сцен пересеченной местности, сложности импорта реальных карт и взаимодействию с другими программными платформами, такими как Robot Operating System (ROS) и системы ИИ. Проанализированы основные минусы каждого симулятора: трудоемкость создания детализированных моделей рельефа и транспортных средств, высокая сложность интеграции реальных карт и зависимость от характеристик компьютерного оборудования. Также отмечается сложность взаимодействия с различным программным обеспечением и требования к знаниям в области 3D-моделирования. Симуляторы Gazebo и Webots выделяются хорошей интеграцией с ROS, но требуют больше усилий для работы с пересеченной местностью. CARLA и AirSim обеспечивают высококачественную визуализацию, но имеют более высокие требования к оборудованию и навыкам пользователя для создания ландшафтов. NVIDIA Isaac Sim выделяется поддержкой симуляций с использованием ИИ, но требует значительных ресурсов. Представлен опыт авторов в части отображения траекторий и ориентации транспортного средства в некоторых симуляторах.

Представлен алгоритм локального планирования пути в системе координат дорожного полотна. Он основан на варьировании точек исходной траектории с применением метода потенциального поля и обеспечения гладкости получаемого пути относительно новой системы координат. Реализация алгоритма основывается на решении задачи минимизации целевого функционала. Рассматривается решение задачи применительно к планированию пути беспилотной транспортной платформы, для чего требуется изменять участки заранее подготовленной гладкой траектории движения транспортного средства в режиме реального времени с учетом возникающих препятствий и с сохранением гладкости. Использование новой системы координат дает преимущество во времени выполнения алгоритма по сравнению с его работой в декартовой системе координат. Алгоритм реализован на языке Python. Выделение горизонта планирования позволяет сочетать предложенный подход с различными алгоритмами следования по пути, которые сами по себе не реализуют методы обхода препятствий. Численное моделирование выполнено для характерных примеров, по которым можно оценить эффективность предложенного алгоритма.

Представлен метод сглаживания траектории, полученной с использованием высокочастотных данных о движении мототехники по пересечённой местности, с целью повысить точность и плавность траекторий в условиях присутствия шума. Основное внимание уделено особенностям применению квинтических В-сплайнов, которые обеспечивают высокую степень гладкости при описании траектории и предварительной фильтрации данных. В статье последовательно описаны технические и математические сложности, возникающие при реализации алгоритма на реальных данных, а также предложены методы их преодоления. Один из таких методов — фильтрация выбросов для устранения резких отклонений исходной траектории с использованием цифрового фильтра Баттерворта. Рассмотрены и протестированы различные подходы для работы с большим количеством точек траектории, включая разбиение данных на отдельные перекрывающиеся окна с их последовательной сшивкой, что значительно улучшает производительность алгоритма. Для оптимизации вычислений также предложено использовать разреженные матрицы, эффективно работающие с большим объемом данных и занимающих существенно меньший объем памяти компьютера по сравнению с традиционными. Эффективность предложенного подхода подтверждена на примерах, где визуализированы сглаженные траектории, полученные из зашумленных данных.