Avanzamenti nella teleoperazione dei veicoli con il metodo SRPT
Un nuovo approccio migliora il controllo remoto dei veicoli nonostante i ritardi nella comunicazione e i problemi ai sensori.
― 6 leggere min
Indice
- L'approccio SRPT
- Testare l'approccio SRPT
- Applicazioni della teleoperazione dei veicoli
- Sfide affrontate dai sistemi di teleoperazione
- Lavori precedenti
- Importanza della stima di stato
- Risultati chiave della ricerca
- Simulazione e metodologia
- Risultati e osservazioni
- Conclusione
- Fonte originale
- Link di riferimento
La Teleoperazione dei veicoli permette alle persone di controllare i veicoli da lontano. Questo può essere utile in molte situazioni, come aiutare le auto a guida autonoma quando hanno bisogno di un supporto, consegnare oggetti a distanza o far funzionare veicoli in posti rischiosi. Tuttavia, controllare i veicoli da lontano presenta delle sfide. Problemi come ambienti cittadini complessi, consapevolezza limitata di ciò che sta accadendo e ritardi nella comunicazione possono rendere più difficile il lavoro per gli operatori.
L'approccio SRPT
Per affrontare queste sfide, è stato introdotto un metodo chiamato tracciamento della posa di riferimento successivo (SRPT). Invece di inviare comandi di sterzata al veicolo, gli operatori inviano una serie di posizioni verso cui il veicolo dovrebbe puntare. L'operatore utilizza un joystick per creare queste posizioni, e un display speciale può aiutarli a tenere traccia di tutto. Questo metodo può aiutare a ridurre gli effetti negativi dei ritardi nella comunicazione.
Nonostante i vantaggi dell'approccio SRPT, c'è una questione su quali Sensori siano necessari affinché funzioni in modo efficace. Questo studio esamina quanto bene il metodo SRPT si comporta di fronte a sfide come stime di stato imprecise, disturbi nell'ambiente e rumore nelle misurazioni.
Testare l'approccio SRPT
Lo studio utilizza simulazioni al computer per testare il metodo SRPT. La Simulazione include un modello di veicolo con 14 gradi di libertà e si comporta come le condizioni di guida nella vita reale. Mette il veicolo alla prova con varie manovre difficili, comprese curve brusche e cambi di corsia rapidi. L'esperimento simula anche sfide ambientali, come superfici scivolose e vento forte.
I risultati mostrano che il metodo SRPT funziona bene, sia utilizzando informazioni stimate sulla posizione del veicolo sia dati reali. Infatti, può funzionare sufficientemente anche senza sensori di posizione specifici. La ricerca identifica un set minimo di sensori necessari, che include un'unità di misura inerziale, un encoder di velocità delle ruote e un encoder di sterzata.
Applicazioni della teleoperazione dei veicoli
La teleoperazione ha molte applicazioni nel mondo di oggi. Ecco alcuni esempi:
- Servizi di taxi autonomi: Veicoli che gli utenti possono chiamare tramite un'app mobile e farsi guidare fino alla loro posizione senza un conducente.
- Servizi di consegna remota: Veicoli incaricati di consegnare merci ai clienti senza un autista a bordo.
- Operazione di attrezzature industriali: I lavoratori possono controllare macchinari pesanti in aree pericolose senza essere fisicamente presenti.
- Risposta a disastri: Gli operatori possono utilizzare sistemi di teleoperazione per valutare i danni e distribuire rifornimenti in situazioni di emergenza.
- Usi militari: La teleoperazione può supportare operazioni come ricognizione, bonifica di ordigni esplosivi ed evacuazioni mediche.
Sfide affrontate dai sistemi di teleoperazione
Nonostante il potenziale dei sistemi di teleoperazione, ci sono ostacoli significativi. Un problema importante è rappresentato dai ritardi di rete. Se c'è un lungo ritardo, gli operatori potrebbero reagire troppo tardi, causando errori. Ad esempio, potrebbero sterzare troppo, facendo oscillare il veicolo e rendendo più difficile il controllo.
Negli anni, i ricercatori hanno studiato vari metodi di teleoperazione. Un approccio è combinare il controllo diretto con la guida tramite waypoint, che consente agli operatori di generare i propri waypoint in tempo reale.
Lavori precedenti
Le ricerche precedenti si sono concentrate sul metodo SRPT e ne hanno testato l'efficacia nelle simulazioni. Il metodo combina i vantaggi del controllo diretto con la guida tramite waypoint. Gli operatori generano waypoint utilizzando controlli a joystick per dirigere il veicolo, ma le condizioni del mondo reale possono avere molte incognite, rendendo il compito ancora più difficile.
Importanza della stima di stato
La stima di stato è cruciale nella teleoperazione poiché fornisce informazioni necessarie sulla posizione e sul comportamento del veicolo. Sono stati creati vari metodi per migliorare la stima di stato, incluso il filtro di Kalman non lineare (UKF) e il filtro di Kalman esteso (EKF). Questi approcci aiutano a stimare le posizioni dei veicoli basandosi su misurazioni dei sensori.
Risultati chiave della ricerca
Lo studio mira a valutare le prestazioni del metodo di teleoperazione dei veicoli SRPT nonostante i potenziali problemi legati alla stima di stato. I ricercatori hanno identificato il set minimo di sensori richiesti per un funzionamento efficace, anche in condizioni difficili come manovre di guida impegnative, condizioni meteorologiche avverse e misurazioni rumorose.
I risultati evidenziano che questo approccio non richiede un sensore GPS, il che è un vantaggio significativo, poiché i segnali GPS possono essere inaffidabili in alcune situazioni.
Simulazione e metodologia
È stato creato un ambiente di simulazione veloce ed efficiente utilizzando software per imitare la teleoperazione dei veicoli nella vita reale. Il setup testa il metodo SRPT in condizioni che riflettono ritardi di rete e sfide ambientali variabili.
La simulazione consente ai ricercatori di esaminare quanto bene il metodo SRPT si comporti rispetto ai metodi di teleoperazione tradizionali che si basano su comandi di sterzata diretti. Utilizzando una combinazione di Simulink per la simulazione e Unity per la rappresentazione visiva, hanno efficacemente imitato un'esperienza di teleoperazione nel mondo reale.
Risultati e osservazioni
I risultati delle simulazioni forniscono preziose informazioni sull'efficacia del metodo SRPT. Ecco alcune delle principali osservazioni:
Effetti del rumore: Diverse condizioni di rumore hanno avuto poco effetto sulle prestazioni del metodo SRPT. Ha costantemente funzionato bene, indipendentemente dal fatto che si utilizzassero stati reali o stati stimati.
Prestazioni nel tracciamento del percorso: Il metodo ha mostrato un miglioramento notevole nel seguire il percorso previsto dal veicolo, in particolare in manovre difficili dove sono necessarie rapide regolazioni.
Confronto con la guida anticipata: Rispetto alla guida anticipata, che si basa sulla percezione umana e sulla sterzata, il metodo SRPT ha generalmente prodotto prestazioni migliori, soprattutto in situazioni di guida aggressive come cambi di corsia rapidi o slalom.
Conclusione
Questa ricerca esamina un metodo di teleoperazione che può funzionare in modo affidabile anche di fronte a sfide come ritardi nella comunicazione e imprecisioni nei sensori. L'approccio SRPT si distingue poiché consente agli operatori di inviare punti di riferimento invece di comandi diretti, il che aiuta a navigare il veicolo in modo più efficace.
Lo studio suggerisce che l'uso di un set minimo di sensori può fornire dati sufficienti per una teleoperazione sicura ed efficiente. Mostrando che le prestazioni rimangono stabili anche quando i dati dei sensori non sono perfetti, la ricerca apre la strada a ulteriori avanzamenti nella tecnologia della teleoperazione dei veicoli.
In sintesi, il metodo SRPT non solo migliora la robustezza dell'operazione remota dei veicoli, ma aiuta anche a ridurre la dipendenza dal GPS, rendendolo adatto a varie applicazioni nel mondo reale nonostante le potenziali sfide ambientali. I risultati puntano verso un futuro promettente per la teleoperazione dei veicoli, sia in aree urbane che in terreni difficili, e la sua capacità di adattarsi alle condizioni del mondo reale.
Titolo: Vehicle Teleoperation: Performance Assessment of SRPT Approach Under State Estimation Errors
Estratto: Vehicle teleoperation has numerous potential applications, including serving as a backup solution for autonomous vehicles, facilitating remote delivery services, and enabling hazardous remote operations. However, complex urban scenarios, limited situational awareness, and network delay increase the cognitive workload of human operators and degrade teleoperation performance. To address this, the successive reference pose tracking (SRPT) approach was introduced in earlier work, which transmits successive reference poses to the remote vehicle instead of steering commands. The operator generates reference poses online with the help of a joystick steering and an augmented display, potentially mitigating the detrimental effects of delays. However, it is not clear which minimal set of sensors is essential for the SRPT vehicle teleoperation control loop. This paper tests the robustness of the SRPT approach in the presence of state estimation inaccuracies, environmental disturbances, and measurement noises. The simulation environment, implemented in Simulink, features a 14-dof vehicle model and incorporates difficult maneuvers such as tight corners, double-lane changes, and slalom. Environmental disturbances include low adhesion track regions and strong cross-wind gusts. The results demonstrate that the SRPT approach, using either estimated or actual states, performs similarly under various worst-case scenarios, even without a position sensor requirement. Additionally, the designed state estimator ensures sufficient performance with just an inertial measurement unit, wheel speed encoder, and steer encoder, constituting a minimal set of essential sensors for the SRPT vehicle teleoperation control loop.
Autori: Jai Prakash, Michele Vignati, Edoardo Sabbioni
Ultimo aggiornamento: 2023-05-19 00:00:00
Lingua: English
URL di origine: https://arxiv.org/abs/2305.11674
Fonte PDF: https://arxiv.org/pdf/2305.11674
Licenza: https://creativecommons.org/licenses/by/4.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.