Az ötös szintű, azaz teljesen önvezető járművek fejlesztésének egyik nagy kihívását az autóvezetés számtalan dimenzióját figyelembe vevő irányítási rendszer kidolgozása jelenti. Az autóvezetés ugyanis nem egy lineáris rendszer, amelyben adott sebességgel adott utat lehet megtenni – a valós közlekedésben az autó sebessége, iránya és környezete állandóan változik, ezért egy olyan irányítási rendszerre van szükség, amely mindezekhez egyidejűleg képes igazodni.
Az ilyen típusú irányítási rendszer fejlesztésekor a szakemberek gyakran a vezetéssegítő rendszerek működéséből indulnak ki. Ez egyfelől logikus megközelítés, hiszen ezek már régóta a piacon vannak, másfelől azonban egy önvezető rendszer megbízhatósága csak akkor lehet 100 százalékos, ha senkinek, semmikor, még vészhelyzet esetén sem kell beavatkoznia a folyamatba. A SZTAKI kutatóinak több millió kísérlet lefuttatásából szerzett adatok alapján sikerült egy olyan modellt létrehozniuk, amely segíthet az autonóm rendszerek fejlesztésében.
A modell elkészítéséhez big data alapú analízis módszereket használtak a kutatók. A lefutott kísérletekből gyűjtött adatok elemzését követően úgy döntöttek, hogy nem neurálisháló-alapú modellt építenek, mert az a tanítás során túl komplexszé válhat a garantált minőségű, biztonságkritikus irányítási rendszer tervezéséhez. Helyette változó paraméterű modellstruktúrákkal, és az azokra épülő irányításmodellekkel dolgoztak. Az így létrehozott irányítási modell egyidejűleg tud alkalmazkodni a jármű haladása során folyamatosan változó környezeti hatásokhoz, ugyanakkor folyamatosan garantált minőségi jellemzőket nyújt.
Az elkészült algoritmust a CarSim autószimulációs szoftverrel tesztelték a kutatók, ezen belül a Michigan Waterford Hills versenypálya virtuális modelljén futtatták a programot. Az eddig elérhető nominális eljárásokkal összevetve az új modellezési eljárás alapján készült változat egy, az eddiginél jobban manőverező önvezető járműmodellt eredményezett. A különbségek elsősorban extrém manőverek, illetve hirtelen kanyarok esetén voltak látványosak.
Ehhez az eljáráshoz nagyon sok adatra van szükség, és a kutatóknak még ezek birtokában is sokat kellett dolgozniuk ahhoz, hogy az adott feladatnak megfeleljen az algoritmus. Az eredmények ugyanakkor azt mutatják, hogy az új módszerrel a nominális eljárásoknál hatékonyabb és nagyobb teljesítményű önvezetési modell jöhet létre.
Az angol nyelvű publikáció szabadon elérhető ezen a linken.
