Các nhà nghiên cứu tại Trường Đại học Ulm (Đức) gần đây đã phát triển một khuôn khổ mới có thể giúp xe tự lái an toàn hơn trong môi trường đô thị và nhịp độ cao. Khuôn khổ này được thiết kế để xác định các mối đe dọa tiềm ẩn xung quanh phương tiện trong thời gian thực, đã được trình bày trong một bài báo được xuất bản trước trên arXiv.

Bài báo của nhóm nghiên cứu được xây dựng dựa trên một trong những nghiên cứu trước đây của họ, được giới thiệu trong IEEE Transactions về xe thông minh vào đầu năm nay. Công việc trước đây của họ nhằm mục đích cung cấp cho các phương tiện tự hành khả năng nhận biết tình huống về môi trường, giúp cho chúng phản ứng và xử lý nhanh trong các tình huống trong môi trường phức tạp và có nhịp độ cao không xác định.

Matti Henning, thành viên nhóm thực hiện nghiên cứu, trao đổi với TechXplore: “Ý tưởng cốt lõi đằng sau công việc của chúng tôi là phân bổ tài nguyên nhận thức chỉ cho các khu vực xung quanh xe tự động, phù hợp với tình hình hiện tại của nó (nhiệm vụ lái xe hiện tại của nó) thay vì cả trường nhận thức 360 độ C. Bằng cách này, có thể tiết kiệm các nguồn tính toán để tăng hiệu quả cho các phương tiện tự động”.

Khi các trường nhận thức của các phương tiện tự động bị hạn chế, mức độ an toàn của chúng có thể bị giảm đáng kể. Ví dụ: nếu xe chỉ xem xét ở khu vực đặc biệt trong môi trường xung quanh "có liên quan", thì nó có thể sẽ không phát hiện được các vật thể có khả năng đe dọa nằm ở các khu vực khác. Điều này có thể xảy ra khi các thuật toán củng cố chức năng của xe được lập trình chỉ để xem xét và xử lý một khu vực cụ thể trên đường.

Henning giải thích: Đây là lúc phương pháp xác định khu vực đang bị đe dọa có thể gây nguy hiểm của chúng tôi phát huy tác dụng: các khu vực có thể ứng với các mối đe dọa tiềm ẩn được đánh dấu là có liên quan trong giai đoạn đầu của nhận thức để các đối tượng trong các khu vực này có thể được nhận thức và đánh giá một cách đáng tin cậy với nguy cơ va chạm/đe dọa thực tế của chúng. Do đó, mục đích nghiên cứu của chúng tôi là thiết kế một phương pháp chỉ dựa trên thông tin trực tuyến, tức là không có thông tin ưu tiên, (ví dụ: dưới dạng bản đồ) để xác định các khu vực có khả năng ứng với các mối đe dọa.

Để được áp dụng trên quy mô lớn, khuôn khổ này của các nhà nghiên cứu phải có trọng lượng nhẹ nhất có thể. Nói cách khác, nó không cần thiết phải có nhiều nguồn tính toán để liên tục quét các môi trường để tìm ra các mối đe dọa.

Phương pháp do Henning và các đồng nghiệp của ông đề xuất rất đơn giản, vì nó chỉ cần thực hiện một số phép tính giới hạn. Ngoài ra, nó có khả năng thích ứng cao, do đó nó có thể được điều chỉnh cho các phương tiện hoặc trường hợp sử dụng cụ thể.

Về cơ bản, khung này bắt giữ các biểu hiện phi mô hình của môi trường, bao gồm các ước tính vận tốc của tất cả các đối tượng chuyển động trong môi trường xung quanh xe. Điều này có nghĩa là, trái ngược với các cách tiếp cận khác, nó không dựa trên một bản đồ giới hạn đã được phân định trước đó về các khu vực có liên quan. “Cụ thể, chúng tôi sử dụng bản đồ Cartesian Dynamic Occupancy Grid Map (DOGMa). Bản đồ này sẽ cung cấp ước tính vận tốc của mỗi ô môi trường được phân loại. Từ đó, chúng tôi sử dụng thuật toán phân cụm tiêu chuẩn để xác định các cụm ô đủ lớn, có vận tốc tương tự (cách tiếp cận này được điều chỉnh từ nghiên cứu của Gies và cộng sự) và sau đó đánh giá nếu hoặc giả sử vận tốc của các cụm đã xác định không đổi, các cụm này sẽ giao nhau với sự di chuyển của phương tiện tự hành bên trong phạm vi dự đoán đã định”, Henning nói.

Nếu các cụm chuyển động của các ô được thuật toán phân cụm này xác định có sự giao nhau với chuyển động của phương tiện thì có thể xảy ra va chạm với vật thể tương ứng. Để tránh xảy ra va chạm này, mô hình này của nhóm nghiên cứu đánh dấu vị trí của các phân cụm như một khu vực có liên quan cần được xử lý, do đó phương tiện có thể nhận biết các vật thể trong cụm đó và điều chỉnh vận tốc hoặc hướng của nó để tránh gây tai nạn.

Sự khác biệt then chốt giữa khuôn khổ do Henning và các đồng nghiệp của ông tạo ra với các phương pháp tiếp cận nhận dạng mối đe dọa khác đã được giới thiệu trong quá khứ là nó cố gắng xác định các mối đe dọa càng sớm càng tốt. Cách tiếp cận của họ trước tiên sẽ là xác định các vùng chứa các đối tượng chuyển động và sau đó phân bổ tài nguyên tính toán cho các vùng này với kỹ thuật đã được giới thiệu trong công trình trước đây của họ

Điều này cho phép phương tiện phát hiện nơi nào có các vật thể chuyển động và các mối đe dọa tiềm ẩn trước khi chúng đến gần nó. Khi những điều này được xác định, mô-đun đánh giá mối đe dọa sẽ thực hiện nhiệm vụ đánh giá nguy cơ va chạm với các đối tượng này và bộ lập kế hoạch sẽ phác thảo các hành động để tránh những va chạm này.

Henning và các đồng nghiệp của ông đã đánh giá khuôn khổ của họ trong một loạt các mô phỏng và nhận thấy rằng nó có thể cải thiện hoạt động của các phương tiện tự lái trong các tình huống quan trọng khác nhau. Chúng bao gồm các tình huống trong đó một người tham gia giao thông khác tiếp cận làn đường của các phương tiện theo những cách khác nhau.

Khuôn khổ mới cuối cùng có thể được triển khai và thử nghiệm trong các môi trường thực tế, nhằm nâng cao tính an toàn của các phương tiện tự lái trong môi trường có nhịp độ giao thông cao. Trong thời gian chờ đợi, Henning và các đồng nghiệp của ông có kế hoạch tiếp tục nghiên cứu cách tiếp cận của họ, đồng thời đưa ra các mô hình mới để tăng cường khả năng lái xe tự động và bán tự động.

P.T.T (NASATI), theo https://techxplore.com/news/2022-07-safety-autonomous-vehicles-critical-scenarios.html, 22/6/2022