SMART technológie v automobilizme
Tak ako všetky oblasti života a priemyslu, aj automobilový priemysel súčasnosti do veľkej miery ovplyvňujú a usmerňujú SMART technológie. Ak sa retrospektívne pozrieme na predchádzajúce články tejto série, väčšina spomínaných technológií počínajúc senzorikou a končiac zmiešanou realitou či medicínou majú svoje miesto v koncepcii SMART automobilu (Connected Car). Automobil je vzhľadom na SMART technológie veľmi špecifický, pretože mení svoju polohu, odzrkadľuje určitý model alebo profil správania majiteľa (resp. vodiča), podlieha amortizácii a samo o sebe je zložitým systémom. Navyše je neustále v interakcii s potenciálne neznámym okolím (vozovkou, prekážkami, počasím, dopravným značením) a inými systémami (autami, čerpacími stanicami, riadenými križovatkami ap.).
„Pripojené autá“ alebo connected cars
Koncepcia connected cars okrem spomenutých interakcií, ktoré sú štandardne fyzického charakteru, umožňuje autám komunikovať na softvérovej úrovni, t. j. realizovať dialóg medzi kompatibilnými zariadeniami (autami, prostredím, križovatkami atď.), čo posúva možnosti automobilov do úrovne autonómnych robotických systémov. Lídrom na trhu s autonómnym riadením a rozpoznávaním obrazu je čip MobileEye [1] vyvinutý rovnomennou izraelskou spoločnosťou a aktuálne vo vlastníctve spoločnosti Intel [2], ktorý sa využíva plošne vo veľkej väčšine „samojazdiacich“ automobilov. Konektivita pripojených automobilov je zabezpečovaná štandardnými technológiami, pričom obsah poskytovaný používateľom zabezpečuje multimediálny systém (konkrétne z angl. in-vehicle infotainment system, ďalej IVI). Štandardizáciu a protokoly využívané v týchto systémoch zastrešuje pre väčšinu automobiliek (BMW Group, Honda, Hyundai Group, JLR Group, Daimler, Nissan, PSA, Renault, Volvo, SAIC) organizácia GENIVI. Tá sa zároveň snaží o vytvorenie jednotnej a otvorenej platformy pre IVI, ktorej kódy zverejňuje aj na stránke Github [3].
Pripojené autá vyžadujú na autonómnu jazdu okrem iného aj množstvo metadát o prostredí a vlastnom aktuálnom stave, ktoré auto získava z radarov, kamier, riadiacich jednotiek auta a rôznych senzorov.
Cestný profil a kvalita vozovky
Zvyčajne sa cestný profil ani kvalita vozovky neberie do úvahy pri plánovaní trás, teda nie je súčasťou navigačných systémov. Súčasné navigácie rozlišujú najmä platené cesty, diaľnice a rýchlostné cesty či spevnené a nespevnené cesty. Informácie o kvalite vozovky môžu vo významnej miere prispieť k zvýšeniu ekonomickosti, resp. rýchlosti vybranej trasy, alebo spomaliť opotrebenie podvozkových súčiastok. Napriek snahám je monitoring v teréne náročný, hlavne z toho dôvodu, že ho zväčša realizujú firmy zaoberajúce sa správou a údržbou ciest. Pripojené autá pomocou svojich senzorov môžu jednoducho a rýchlo prispievať k tvorbe máp cestných profilov. S tým cieľom vzniklo aj viacero štúdií [4 – 6]. Spoločnosť Ford dokonca vytvorila asistenčný systém na včasné varovanie pred výtlkmi [7], čo vyvolalo medzi odbornou automobilovou verejnosťou diskusie o bezpečnosti. Štandardnejším riešením je využitie prednej kamery auta s infračerveným prisvecovaním na nočné použitie alebo Dopplerovho radaru (mikrovlnného alebo ultrazvukového) na detekciu povrchových nerovností. Na určovanie internej štruktúry vozovky sa používa radarový systém GPR (z angl. ground penetrating radar) [8]. Dlhšie obdobie sa výskum orientuje aj na využitie senzorov pohybu (akcelerometer, gyroskop, magnetometer) na detekciu výtlkov [9]. Tento prístup má však viacero nedostatkov, napr. zašumenie dát vibráciami motora, manévrovaním autom, nesprávne natavenou geometriou kolies a pod.
Výhodou je naopak práve fakt, že dáta z viacerých takýchto senzorov môžu byť použité nielen na samotnú analýzu cestného profilu, ale najmä na samodiagnostiku podvozku a kolies, resp. množstvo iných scenárov (zmeny v motore, prevodovke auta, pohone kolies a pod., odhalenie rezonujúcich súčiastok), čím integrálne zapadajú do koncepcie samojazdiacich áut [9]. Tieto dáta spolu s dátami z riadiacej jednotky motora možno použiť na analýzu modelu vodiča, resp. v konečnom dôsledku vytvoriť systém na podporu rozhodovania alebo odporúčací systém pri správe vozového parku (z angl. fleet management system) [10], [11]. V súčasných a starších modeloch automobilov sa využívajú predovšetkým externé senzory prítomné napr. v jednotkách na správu vozového parku (z angl. fleet management unit), samostatných uzavretých senzorických moduloch (napr. spomínaný CC2650STK v šiestom pokračovaní tejto série), resp. smartfónoch alebo nositeľných zariadeniach.
Využitie nositeľných zariadení a smartfónov
Tradičné využitie ako hands-free telefonovanie snáď nemusíme ani spomínať. Nositeľné zariadenia však prinášajú do automobilizmu samostatnú novú oblasť na analýzy. Perspektívne sú prípady použitia cielené na zvýšenie bezpečnosti pri manuálnom riadení samojazdiaceho auta vodičom. Nositeľné zariadenia umožňujú sledovať pozornosť a reakčné schopnosti vodiča pri zmenách na ceste a zároveň môžu monitorovať viacero aspektov zdravotného stavu vodiča (srdcový tep, okysličenie krvi, dýchanie, hydratáciu, potenie). Iný prípad použitia v princípe s rovnakými zariadeniami a senzormi je analýza jazdcov pri automobilových pretekoch. V tejto oblasti je prioritná optimalizácia výkonu jazdcov, avšak zaujímavou sa z pohľadu využiteľnosti v biznise javí aj prezentácia rôznych údajov divákom [12].
Smartfóny môžu na druhej strane poskytovať nevyhnutné senzorické údaje od zvuku, obrazu a polohy po intenzitu svetla či orientáciu. Problémom ich využitia je fakt, že niektoré údaje sú skreslené v dôsledku možnosti rôzneho umiestnenia smartfónu v aute. K tomuto problému prispieva aj potreba použitia rôznych držiakov, ktoré prenášajú vibrácie a šumy v závislosti od prichytenia, resp. nemusia byť presne orientované v osiach auta a podobne.
Kombináciou nositeľných zariadení a smartfónu možno vytvoriť riešenie aj pre príležitostných jazdcov, resp. pre automobilových nadšencov alebo crash testy vozidiel.
Záver
V tomto článku sme poukázali na možnosti využitia SMART zariadení v automobilizme, avšak prípadov, kde sa môžu tieto technológie ujať, je omnoho viac. Už v súčasnosti možno badať väčšie sústredenie automobiliek na používateľské prostredie v autách nielen z pohľadu interiéru a štandardných ovládacích prvkov, ale aj z pohľadu možnosti zákazníkov upraviť si do istej miery svoje prostredie. Futuristické koncepcie dokonca poukazujú na fakt, že používateľ si bude môcť nastavovať rozloženie prístrojov, farbu celého palubného systému, resp. pridať si vlastné tapety, dokonca meniť farbu a tapetu karosérie vozidla. Čo však z týchto konceptov bude reálne v automobiloch implementované, ukáže až budúcnosť.
Zdroje
[1] MobileEye vision technologies LTD. [online]. Dostupné na: https://www.israelbizreg.com/mobileye-vision-technologies-ltd.
[2] Intel buys driverless car technology firm Mobileye. [online]. In: BBC News, 13. 3. 2017. Dostupné na: https://www.bbc.co.uk/news/business-39253422.
[3] GENIVI Alliance – Open source In-Vehicle Infotainment Alliance. Github repozitár. [online]. Dostupné na: https://github.com/GENIVI.
[4] Astarita, V. et al.: A mobile application for road surface quality control: UNIquALroad. In: Procedia – Social and Behavioral Sciences, 2015, vol. 54, pp. 1135 – 1144. ISSN 1877-0428.
[5] Silva, N. et al.: Anomaly Detection in Roads with a Data Mining Approach. In: Procedia Computer Science, 2017, vol. 121, pp. 415 – 422. ISSN 1877-0509.
[6] Chugh, G. et al.: Road Condition Detection using Smartphone Sensors: A Survey. In: International Journal of Electronic and Electrical Engineering, 2014, vol. 7, no. 6, pp. 595 – 602. International Research publication house. ISSN 0974-2174.
[7] Baraniuk, C.: Ford developing pothole alert system for drivers. [online]. In: BBC News 17. 2. 2017. Dostupné na: https://www.bbc.com/news/technology-39004805.
[8] Dhar, A.: Traffic and Road Condition Monitoring System. [online]. Dostupné na: https://pdfs.semanticscholar.org/3ee3/66b33a69212dd7a0292d21b3e9be00a0172d.pdf.
[9] Gašpar, V. et al.: Fundaments of a data stream mining platform for road quality evaluation using smartphone sensors. In: CINTI, 2015, pp. 249 – 253. ISBN 978-1-4673-8519-0.
[10] Muchová, M. et al.: Using predictive data mining model for data analysis in a logistics company. In: ISAT, 2017, pp. 161 – 170. ISBN 978-3-319-67220-5.
[11] Muchová, M. et al.: Analýza dát z logistickej firmy s využitím nástrojov Business Intelligence. In: EEAI, 8, pp. 291 – 295. ISBN 978-80-553-3192-8.
[12] Kapadia, M.: F1 and IoT: connected drivers, connected fans. [online]. Publikované 7. 3. 2018. Dostupné na: https://www.tatacommunications.com/blog/2018/03/f1-iot-connected-drivers-connected-fans/.
Poďakovanie
Táto séria článkov vznikla vďaka realizácií projektov podporených Kultúrno-edukačnou grantovou agentúrou Ministerstva školstva, vedy, výskumu a športu a Slovenskej akadémie vied pod číslom 05TUKE-4/2017 a Agentúrou na podporu výskumu a vývoja na základe zmluvy č. APVV-16-0213.
Ing. Pavol Šatala
pavol.satala@tuke.sk
Ing. Vladimír Gašpar, PhD.
vladimir.gaspar@tuke.sk
doc. Ing. Peter Butka, PhD.
peter.butka@tuke.sk
Technická Univerzita v Košiciach
Fakulta elektrotechniky a informatiky
Katedra kybernetiky a umelej inteligencie
– Oddelenie hospodárskej informatiky
Laboratórium chytrých technológií
Vysokoškolská 4, 042 00 Košice
http://kkui.fei.tuke.sk/chi/smart
