Hvordan delphi, mobileye er hurtigsporede førerløse bilteknikker | doug newcomb

Alle vil vide, hvornår fuldt selvkørende biler er klar til vejen. Virksomhederne, der udvikler teknologien, giver normalt en tidslinje på flere år til årtier væk.

Producenten af ​​bildele Delphi og Mobileye er ikke anderledes, og under en medieomkringstabel denne uge i San Francisco, forudså Delphis serviceadministrator, Glen DeVos, en langvarig tidsramme for den udbredte anvendelse af teknologien. Han forventer, at fuldt autonom kørsel først vil blive anvendt på erhvervskøretøjer, da virksomhederne vil være i stand til at spare på bekostning af chauffører og den stilstand, de kræver.

På samme tid samarbejder Delphi imidlertid med Mobileye, den dominerende leverandør af motorkameraer, til hurtigsporing af selvkørende teknologiproduktion - ideelt inden 2019 - via et system, som partnerne kalder Centralized Sensing Localization and Planning (CSLP).

CSLP bruger en række sensorer for at lade et køretøj kende sin placering inden for 10 centimeter, selv uden GPS-forbindelse. Dette hjælper en bil med at navigere i komplekse kryds, selv når der ikke er nogen markering af banen. Den identificerer også køretøjer efter deres grundlæggende form, fornemmer, om en anden bil er stationær eller parkeret, og har, hvad Delphi kalder "semantisk forståelse" for at forudsige stien for andre køretøjer, så en selvkørende bil kan "opføre sig mere menneskelig i sin køreadfærd og bestemme den bedste vej frem."

Map Lite vs. Map Heavy

Et afgørende aspekt af CSLP-systemet er at omgå, hvad Delphi og Mobileye kalder den "korttunge" tilgang, der bruges af virksomheder som Google og mange bilproducenter. Det gør det muligt for et selvkørende køretøj ikke kun at kende dets placering, men også dets omgivelser for at opnå fuld autonomi. I stedet vil Delphi og Mobileyes CSLP-system anvende en "map-lite" tilgang ved at udnytte en teknologi, Mobileye introduceret på CES 2016 kaldet Road Experience Management (REM).

Autonome køretøjer, der i høj grad er afhængige af detaljerede kort, kræver en robust dataforbindelse for konstant at tilføje nøjagtige kortdata til bilen. Men REM-systemet uploader data i små bursts, der let kan håndteres med den 4G LTE-forbindelse, der allerede findes i mange køretøjer.

En anden fordel ved REM-teknologi er, at den kan "problemfrit integreres med eksisterende køretøjsplatforme", nævnt DeVos under medierundtabellen. Men måske er den primære fordel ved REM-teknologien, at den i det væsentlige vil tage realtidsbilleder af veje.

Kortlægningssoftware kan være forældet på grund af ændringer i gaderne, der blev foretaget efter kortets oprettelse eller midlertidige forhold, såsom vejbygning. CSLP-systemet vil ikke kun fange og tage hensyn til permanent infrastruktur, der spænder fra kryds til vejskilte, men vil også registrere konstruktion og andre kortsigtede ændringer af kørebanen. Og disse data kan samles blandt millioner af biler udstyret med systemet.

Jeg havde en chance for at se CSLP-systemet i aktion på gaderne i Mountain View, Californien, nær Delphis Silicon Valley Labs, hvor det testes ud over Pittsburgh og Singapore. Og jeg kunne ikke hjælpe med at sammenligne drevet med et, jeg tog for lidt over et år siden, på det samme sted i en af ​​Googles autonome Lexus RX 350s.

Men i modsætning til Google-køretøjer, hvoraf den ene jeg opdagede på gaden under vores drev, er der ingen mærkbare sensorer på Delphi Audi, medmindre du ser meget nøje. Sammenlignet med en selvkørende Google Lexus, håndterede Delphi Audi situationer såsom lukning af baner og stoppede køretøjer i tilstødende baner uden tøven, skønt Delphi-testchaufføren skulle overtage kontrollerne to gange: Når vi var nødt til at fremskynde for at lave en til højre drej forud for en bybus, og efter at vi tog svinget og sad fast bag en affaldsbil.

Uanset hvad var jeg meget imponeret over systemet og blev overrasket over at finde ud af, at det fungerede uden fordel af Mobileye's REM-teknologi. Dette betyder, at det kun bliver bedre, og at selvkørende biler kunne være tilgængelige for offentligheden meget hurtigere end vi tror.