Аналогови „очи“ за автономните автомобили: новият сензор EyeDAR с размер на портокал елиминира “слепите зони“

Изследователи от Rice University (Хюстън, Тексас, САЩ) са разработили EyeDAR —- компактен радарен сензор с размерите на портокал, предназначен за безопасността на автономните превозни средства. EyeDAR осигурява втори „чифт очи“, който работи надеждно в ситуациите, в които камерите и LiDAR често се провалят.

В гъста мъгла, където автономните автомобили обикновено имат лошо зрение, малък сензор с размерите на портокал, наречен EyeDAR, действа като допълнителни очи. Монтиран на улични лампи, той използва радар, за да проследява трафика през мъглата и да предава тази жизненоважна информация директно на автомобилите. Този нискоенергиен милиметров радарен сензор дава на автономните автомобили по-ясна и по-точна картина на пътната ситуация, като им предоставя данни от околната инфраструктура. Вместо да пълни колите със скъпи компютри, екип, ръководен от постдокторанта Кун У Чо, решава да постави „мозък“ на пътя.

„EyeDAR е пример за това, което аз наричам „аналогови изчисления“. През последните две десетилетия хората се фокусираха върху дигиталната и софтуерната страна на изчисленията, докато аналоговата, хардуерна страна изоставаше. Искам да изследвам това недооценено пространство на аналоговия дизайн“ —- каза изследователят.

Безопасността на автономните превозни средства до голяма степен разчита на бордовите технологии, но истинската надеждност може да изисква модернизиране на самите пътища. Стандартните сензори – камери и LiDAR – често са неефективни по време на силен дъжд, гъста мъгла или слаба светлина, създавайки опасни слепи зони. За да се справят с това, изследователите се обърнаха към инфраструктурния радар, който поддържа висока точност при всякакви метеорологични условия и може да открива опасностите, скрити зад физически препятствия. Тайната на мощността на EyeDAR се крие в неговата 3D-отпечатана леща Lunenburg. Моделирана по подобие на човешкото око, лещата е съставена от над 8000 малки, уникално оформени елемента. Когато радарен сигнал я достигне, физическата структура на смолата естествено огъва вълните към фокусна точка. Това е „аналогово изчисление“ – използване на формата на обекта за извършване на математически операции, на които цифровият процесор обикновено е по-малко способен.

Интересното тук е, че сензорите EyeDAR могат да бъдат инсталирани на улични лампи и светофари. Това би позволило на градовете да създадат мрежа за безопасност, която улавя загубените радарни сигнали, които обикновено са разпръснати. Тези евтини, стратегически разположени устройства биха могли да идентифицират скритите опасности – например пешеходец, засенчен от камион или автомобил, приближаващ се към кръстовище – и да предават тези данни на автономните автомобили в реално време. Това разширява обхвата на „зрение“ на превозното средство и осигурява надеждно откриване, дори когато бордовите сензори са ограничени от разстоянието или лошата видимост.

Стандартният радар често работи еднопосочно. Колата изпраща сигнал и ако удари, да речем, велосипедист, само малка част се отразява обратно. По-голямата част от данните се разпръскват. EyeDAR улавя тези загубени отражения и комуникира. Той последователно поглъща и отразява радиовълните, изпращайки данни до колата като поредица от единици и нули. Чо го описва като „мигащ морзов код“. Интересното тук е, че това е първият „говорещ сензор“, който комбинира сензорни и комуникационни функции в един, нискоенергиен дизайн.

„EyeDAR е „говорещ“ сензор, първият пример за интегриране на радарно наблюдение и комуникация в един дизайн“ —- отбеляза Чо.

По време на тестовете, EyeDAR е определил посоката на целите 200 пъти по-бързо от съществуващите цифрови радарни системи. Тази нова, евтина и компактна технология би могла да подобри безопасността в градовете. Теоретично, градовете биха могли да разположат такива сензори на всеки знак „Стоп“ и светофар. Освен автомобилите, тази технология би могла да помогне на дронове, роботи и носими устройства да „виждат“ благодарение на споделените мрежи за данни.