ASI Mining affine le fonctionnement des véhicules autonomes avec un algorithme amélioré

Autonomous Solutions Inc (ASI) affirme avoir amélioré un algorithme pour les véhicules autonomes afin de détecter les chutes et autres grands obstacles négatifs souvent trouvés dans les environnements dans lesquels les véhicules tout-terrain automatisés fonctionnent.

Taylor Bybee, responsable technique de la perception chez ASI, a déclaré que la société avait développé une méthode de cartographie des occlusions de nuages ​​de points en temps réel, qui fournissait «une précision et une sécurité supplémentaires lorsqu’elles étaient intégrées dans un système autonome de détection et d’évitement d’obstacles de véhicules».

Pour une navigation sûre dans un environnement, les véhicules terrestres autonomes s’appuient sur des données de capteurs représentant l’espace 3D entourant le véhicule, selon ASI. Souvent, ces données sont obscurcies par les objets ou le terrain, ce qui crée des lacunes dans le champ de vision du capteur. Ces lacunes, ou occlusions, peuvent indiquer la présence d’obstacles, d’obstacles négatifs ou d’un terrain accidenté.

Les occlusions peuvent être définies comme un blocage empêchant un capteur de collecter des données à un emplacement – par exemple, les occlusions peuvent être considérées comme des ombres dans les données LiDAR.

ASI a déclaré: «Étant donné que les capteurs ne reçoivent aucune donnée dans ces occlusions, les données des capteurs ne fournissent aucune information explicite sur ce qui pourrait être trouvé dans les zones occluses.

« Les informations sur les occlusions doivent être déduites de l’utilisation d’un algorithme de cartographie d’occlusion pour fournir au système de navigation un modèle plus complet de l’environnement. »

Jeff Ferrin, directeur technique chez ASI, a déclaré que si les données des capteurs elles-mêmes ne disent pas au système ce qui se trouve dans les zones occluses, les occlusions peuvent représenter des obstacles négatifs tels que des chutes ou des zones derrière de grands obstacles. «Il est important d’identifier ces zones pour que la détection et l’évitement d’obstacles fonctionnent correctement», a-t-il déclaré.

L’application de cette nouvelle technologie peut être utile dans des environnements avec des bords de décharge sur les sites miniers, des bords de route escarpés, des canaux, des fossés, des collines ou des escaliers pour des environnements intérieurs ou urbains, a déclaré ASI.

L’algorithme de cartographie d’occlusion comporte trois composants principaux.

Le premier est un modèle de champ de vision du capteur (FOV) qui décrit les obstacles que les capteurs sont censés détecter. Ce composant est conçu pour les capteurs de nuages ​​de points tels que le LiDAR 3D, le LiDAR Flash, la lumière structurée et les caméras stéréo, a déclaré ASI.

Deuxièmement, une carte d’occlusion est maintenue et mise à jour à l’aide du modèle de champ de vision du capteur et des données du capteur de courant pour fournir une «estimation probabiliste» sur les zones qui n’ont pas été détectées dans le champ de vision du capteur.

Le troisième composant est l’intégration de la carte d’occlusion dans un système de navigation de véhicule autonome. Il est conçu pour fonctionner avec et compléter les systèmes de détection et d’évitement d’obstacles existants.