Беспилотные робогрузовики становятся все ближе к массовому внедрению, однако создание надежной системы для работы в реальных условиях остается сложной инженерной задачей. В этом материале с российским разработчиком и производителем автономного транспорта «ЭвоКарго» разбираемся, как компания строила свою архитектуру автопилота и какие решения позволяют роботам двигаться безопасно и эффективно.
Собрать прототип беспилотного грузовика сегодня относительно просто: камеры, лидары с AliExpress, открытый софт с GitHub — и машина уже будет способна самостоятельно передвигаться. Но разработать систему, которая обеспечивает безопасную транспортировку десятков тонн груза при температурах от –35°C до +50°C, работает круглосуточно и при этом приносит бизнесу прибыль, — совсем другой уровень. Именно здесь скрываются настоящие инженерные вызовы.
Сенсоры: мир разделился в подходах
В мировой практике разработки беспилотного наземного транспорта существуют разные подходы к сенсорике. Например, подход, основанный на использовании только камер, как это изначально было реализовано в концепции Tesla: система анализирует видеопоток, распознает разметку и объекты, выстраивает траекторию движения. Этот вариант показывает хорошие результаты в контролируемых условиях, но его надежность резко падает при снеге, грязи, тумане и других ситуациях плохой видимости.
Существует также подход, основанный на комбинированном использовании лидаров, камер и других сенсоров. При этом те же лидары в одиночку тоже не всегда надежны, так как дождь, туман или яркое солнце могут приводить к ложным сигналам или потере реальных объектов.
Понимая риски опоры на один сенсорный канал, команда российского разработчика автономного транспорта «ЭвоКарго» построила мультисенсорную архитектуру, объединяющую данные с камер, лидаров и других датчиков. Итоговое восприятие робогрузовика построено как модульная сеть: каждый сенсор дополняет данные других, создавая более полное и точное представление об окружающей среде. Такой подход позволяет автопилоту уверенно работать в сложных и меняющихся условиях.
Локализация и карты: теория и практика
Изначально использовались стандартные HD-карты и GPS, как в легковом транспорте, но затем для повышения точности была применена комбинация лидарных карт, инерциальных датчиков и одометрии. Такой подход позволяет определять положение машины даже в условиях нестабильного спутникового сигнала и при изменяющейся инфраструктуре.
Планирование: теория и «броуновское движение»
В классических схемах планирование движения строится на основе карт и прогнозах траекторий движения других объектов, но в реальных условиях разметка и правила движения могут отсутствовать по разным причинам. Кроме того, поведение людей и техники может быть непредсказуемым.
Для решения этой задачи используется локальное планирование, в котором траектория постоянно пересчитывается с учетом динамических препятствий в зоне видимости. Это позволяет робогрузовикам эффективно двигаться в реальной жизни, а не по теоретическим условиям.
Управление без классических органов и кабины для водителя
Большинство игроков создают беспилотники на базе обычных грузовиков, добавляя сенсорику и автопилот. В компании пошли другим путем — платформу спроектировали с нуля, так что у робогрузовика отсутствует кабина и классические органы управления. Система изначально строилась по принципу цифровой архитектуры, что уменьшает количество точек отказа и увеличивает полезную нагрузку. При этом пришлось разрабатывать собственные решения для управления: от рулевого привода до алгоритмов стабилизации на скользком покрытии.
Масштабирование: новые данные = новые вызовы
Каждое новое место эксплуатации — это новая реальность: в Сибири — снег и пар, на Ближнем Востоке — жара, пустыни и пыль, к тому же периодически встречаются зоны с недостаточным освещением или отсутствующими GPS или связью.
Для адаптации собираются терабайты данных, а нейросети обучаются под конкретные сценарии. Любое изменение в серийной модели требует десятков доработок в производстве, конструкторской документации и множестве тестов, поскольку цена ошибки слишком высока.
Каждый шаг в развитии автопилота связан с отказом от простых решений и поиском новых архитектурных подходов. Выявив ненадежность камер при тумане, дожде или ослепляющем свете, в компании разработали мультисенсорную систему, объединяющую данные нескольких сенсоров. Следующий вызов – связь GPS, дающая сбои, из-за чего машины могли «потеряться». В ответ на это была создана гибридная локализация, которая совмещает разные методы позиционирования и позволяет роботу двигаться уверенно в любых условиях. Когда стандартные алгоритмы планирования оказались неработоспособными в хаотичной, живой среде, инженерами был построен гибкий и реагирующий в реальном времени собственный стек локального планирования.
Основополагающим выводом из этого опыта является то, что разработка и запуск надежной автопилотируемой машины не доказываются демонстрацией, а требуют постепенного комплексного улучшения архитектуры ПО автономного вождения и проверки его функционирования в реальных условиях. Такой подход обеспечивает стабильную работу автопилота в разнообразных сценариях, где простые решения оказываются недостаточными. Именно благодаря этой стратегии уже сотни робогрузовиков Evocargo N1 успешно эксплуатируются в коммерческих условиях, доказывая надежность и эффективность разработанной системы.
