Prompt phone (AM 8- PM 20): +36 30 9 82 13 68 | E-mail: tivadar.neuwald@beconz.com | Web last modification: 08 May, 2022.

 

Beltéri Pozícionálás, Helymeghatározás és Navigáció

Ez a cikk áttekinti a beltéri Pozícionálás, Helymeghatározás és Navigáció (a továbbiakban “PHN”) napjaink szerinti technológiai állapotát és annak jövőbeli trendjeit. Lefedi a műszaki követelményeket, a főbb piaci szereplőket, a használt érzékelőket és a beltéri PHN megoldási technikáit. Ismertetjük azokat a megoldásokat, ami miatt egy önvezető autó vagy egy drón képes saját magát elhelyezni a környezetében, illetve képes felmérni a környezetét és reagálni annak változásaira. Rálathatunk azokra a technológiákra ami a beltéri és kültéri helymeghatározó és navigációs szolgáltatások alapelemei.

Mielőtt fejest ugrunk a témába tisztázzuk azt, hogy a Pozícionálás (Positioning) és a Helyzetmeghatározás (Localization) egymással felcserélhető fogalmak-e? A válasz az, hogy nem.

A Pozícionálás csak a vevő koordinátáiról ad információt, mondjuk éppen egy egy robot koordinátáiról. Nyers adatokat ad, amelyeket később felhasználhatunk. A környezetről nincs információ. A Pozícionálás esetében egy robot a “hol vagy” kérdésünkre szimpla számhalmazzal felel egy rögzített referenciarendszerben. A Pozícionálás a Helymeghatározás egyik “altémája”.

A Helymeghatározás információt ad a vevő koordinátáiról és arról a környezetről, ahol az elhelyezkedik. Például ez az a folyamat, amikor a robot (vagy más szereplő) megtalálja saját magát (vagy a robotot) a térképen. A Helymeghatározás esetében egy robot a “hol vagy” kérdésünkre a saját helyzetének koordinátái mellett még azt is elmondja, hogy egy városban van, egy teremben van, vagy egy hegy tetején.

És hogy mi a Navigáció? Beltéren vagy kültéren útvonalakat keres egy adott hálózat más helyeire, mondjuk A pontról B pontra. A Navigálás előfeltétele a Pozícionálás, és a Helymeghatározás.

A legmodernebb Navigációs technológiák manapság nemcsak a pontosság folyamatos javítására összpontosítanak, hanem a rendelkezésre állás növelésére is, hogy lehetővé tegyék az okostelefonok és más eszközök felhasználói számára a beltéri és kültéri navigációt, valamint adhassák azt a megbízhatóságot, amely megvédi a navigációs termékek felhasználóit azok rendszerszintű hibáitól.

A navigációs érzékelők, például az Inerciális Navigációs Rendszer (INS) és a Globális Navigációs Műholdrendszer (GNSS) kivételével a környezetérzékelő szenzorok, például a Nagy Felbontású térkép (HD térkép), a Fényérzékelés és Távolságmérő (LiDAR), a kamera, az ötödik mobilhálózati kommunikációs technológia (5G) generációja és az Internet-of-Things (IoT) jelek a PHN nélkülözhetetlen érzékelőivé válnak.

A PHN rendszerek várhatóan intelligensebbek és robusztusabbak lesznek a fejlettebb érzékelőknek, a többplatformos / több eszköz / több szenzoros információfúziónak, az öntanuló rendszereknek, valamint a mesterséges intelligenciának, 5G-nek, IoT-nek és mikro adatközponti hálózatoknak (Edge Computing) és olyan hálózati kapcsolatoknak köszönhetően, amelyek összekötik a hálózatok szélén lévő eszközöket a Felhővel (Fog Computing), ahol rendkívüli mértékben gyorsul a feldolgozás sebessége, és javul a rendszer reakcióérzékenysége, elkerülve azt, hogy az adat a keletkezése helyéről akár több ezer kilométert utazva – egy nagy központosított tárolóban – legyen feldolgozva. Ehelyett az adathalmaz egy elosztott hálózat részeként, helyben működő adatközpontba kerül, ahol sokkal kisebb késleltetéssel lehet vele műveleteket végezni.

A PHN technológiát évek óta széles körben tanulmányozzák, ezzel együtt számos alkalmazási területen sikeresen kereskedelmi forgalomba hozták, például a mobiltelefonokban és pilóta nélküli földi és légi rendszerekben (önvezető autók, drónok).

Különösen a beltéri PHN technológia válik egyre fontosabbá az új chip-szintű Mikro-Elektromechanikai Rendszer (MEMS) érzékelők, a Big Data és a Mesterséges Intelligencia technológia megjelenésével, valamint a közérdeklődés és a társadalmi és üzleti potenciál növekedésével.

A beltéri navigáció piaci értéke: társadalmi előnyök és gazdasági érték

A globális beltéri PHN piac 2024-re várhatóan eléri a 28,2 milliárd dollárt, amely 38,2 %-os összetett éves növekedési rátával (CAGR) fog növekedni (Goldstein 2019). A beltéri PHN nemcsak az olyan piaci gigaszereplők, mint az Apple és a Google, hanem az önvezető piac óriásait, például a Tesla és az Nvidia figyelmét is felkeltette. Ennek az az oka, hogy a feltörekvő járműalkalmazásoknak (pl. autonóm vezetés és (össze)csatlakoztatott járművek) beltéri PHN képességre (is) szükségük van.

A hagyományos járművekkel összehasonlítva a pilóta nélküli földi és légi járművek (gépjárművek, drónok) három fontos problémával szembesülnek: PHN, környezetérzékelés és döntéshozatal. A járműnek bele kell helyeznie magát a környezetébe (PHN), mielőtt döntéseket hozna. Ezért csak a beltéri PHN feladatok megoldásával érhetők el teljesen autonóm vezetési és helymeghatározási szolgáltatások.

A társadalmi előnyök

A pontos PHN biztonsági és egészségügyi alkalmazásokat szolgálhat, és olyan speciális csoportok számára is előnyös lehet, mint az idősek, a gyermekek és a fogyatékkal élők. Eközben a PHN technológia számos helymeghatározási szolgáltatást hozhat el, például a Mobilitást Szolgáltatásként (MaaS), amely növeli az utazás kényelmét és biztonságát, valamint csökkenti a szén-dioxid kibocsátást (azáltal, hogy a MaaS felhasználók a tulajdonban lévő járműveket megosztott járművekre cserélik). Egy megbízható PHN technológia emellett csökkentheti a közúti balesetek számát, amelyek 94 %-át emberi hibák okozzák.

A gazdasági értékek

A beltéri PHN folyamatos fejlesztése okán az autonóm vezetési technológia várhatóan 2030-ra 1:1-re fogja csökkenteni a tulajdonban lévő és a megosztott járművek arányát.

2050-re az autonóm autók várhatóan évi 800 milliárd dollár megtakarítást eredményeznek a torlódások, a balesetek, az energia- és az időfelhasználás csökkentése révén. A figyelemre méltó társadalmi és gazdasági előnyök elősegítik a PHN technológia iránti keresletet az autonóm vezetés és a tömegfogyasztói piacokon.

A beltéri navigáció osztályozása a piac szemszögéből

A PHN technológia erősen kapcsolódik a piaci kereslethez. Az 1. táblázat több tipikus beltéri PLAN-alkalmazás pontossági követelményeit és költségeit mutatja be.

No alt text provided for this image

Általánosságban elmondható, hogy a nagyobb pontosságot igénylő alkalmazásoknál a létesítmények és berendezések költségei ennek megfelelően magasabbak. Sok forgatókönyvben (például a tömegpiacon) a minimális felszerelési költség és a felhasználni kívánt berendezések költsége megkerülhetetlen tényezők, amelyek korlátozhatják a PHN technológia skálázhatóságát.

Az ipar és az építőipar megköveteli a PHN centiméteres vagy akár milliméteres pontosságát. Például a gépi vezetés és az alakváltozáselemzés pontossági követelményei 1–5 cm, illetve 1–5 mm. A megfelelő költség a 10 000 dolláros szinten van.

Az iparhoz és az építőiparhoz képest az autonóm vezetés PHN pontossági követelményei alacsonyabbak. Az alkalmazási színtér azonban sokkal nagyobb és összetettebb kihívásokat tartalmaz; a költségek is korlátozóbbak. Ezek az adottságok erősítik a PHN megoldásokkal szemben támasztott kihívásokat az autonóm vezetésben.

Az Automotive Engineers Society az autonóm vezetést az alábbiak szerint osztályozza:

  1. L0-ra (nincs automatizálás),
  2. L1-re (vezetői asszisztens),
  3. L2-re (részleges automatizálás),
  4. L3-ra (feltételes automatizálás, amely megköveteli, hogy a járművezetők készen álljanak az átvételre, ha a járműtől vészriasztást kapnak),
  5. L4 (magas szintű automatizálás, amely nem igényel felhasználói beavatkozást, de csak meghatározott működési tervezési tartományokra korlátozódik, például speciális létesítményekkel és nagyfelbontású térképekkel (HD térképek) rendelkező területekre, valamint
  6. L5 (teljes automatizálás) (SAE-International 2016)

Az autonóm autók a legtöbb esetben L3-as és magasabb szinteket jelentenek. Azonban még mindig van egy jól érzékelhető és masszív távolság az L5-ös kategória kereskedelmi használatától, hiszen adott egy olyan szűk keresztmetszet, miszerint a jelenlegi PHN technológia egy összetett környezetben nehezen vagy nem az elvárt robosztusággal és rendelkezésre állással teljesíti a tőle elvárt követelményeket.

Az autonóm vezetés pontossági követelményének többféle levezetése és meghatározása létezik. A 2. táblázat felsorol néhány ilyen levezetést és meghatározást.

No alt text provided for this image

Egy kutatómunka (Basnayake et al. 2010) bemutatja a “jármű-minden egyéb” (V2X) alkalmazások pontossági követelményeit, hogy milyen úton (5 méteren belül), melyik sávon (1,5 méteren belül) és a sávon belül ( 1,0 m-en belül) hol kell teljesíten azokat.

A National Highway Safety Administration (NHTSA 2017) előzetesen 1,5 m-es (1 szigma, 68%-os valószínűséggel) követelményt közöl a biztonsági alkalmazások sávszintű információihoz.

A kutatómunka (Reid et al. 2019) az útgeometriai szabványok és a járműméretek alapján vezeti le a pontossági követelményeket. Személygépkocsi üzemelés esetén az oldalirányú és hosszirányú helyzethibák határai rendre 0,57 m (95% valószínűség 0,20 m-ben), illetve 1,40 m (95% valószínűség 0,48 m-ben) autópályás utakon, és mindkettő 0,29 m (95% valószínűség 0,10-ben) a helyi utcákon.

Ezzel szemben egy másik kutatómunka (Levinson és Thrun 2010) úgy véli, hogy a centiméteres pozicionálási pontosság (10 cm-en belüli RMS-hibával) elegendő a közutakon.

Eközben Stephenson 2016-ban beszámol arról, hogy az aktív járművezérlés ADAS-ban és az autonóm vezetési alkalmazásokban 0,1 m-nél jobb pontosságot igényel. A kutatáson túlmenően az autonóm vezetés célját számos autonóm vezetéssel foglalkozó cég centiméter szinten tűzi ki (pl. (Nvidia 2020).

Összefoglalva, az autonóm vezetés decimétertől centiméterig követeli meg a PHN pontosságát. Ennek a kritériumnak a teljesítése a jelenlegi költségszinten 1 000 és 10 000 dollár közötti nagyságrendű a 3D-s LiDAR eszközök használata esetén.

A belterek feltérképezéshez egy cikk azt írja, hogy a 10 cm-en belüli pontosság elegendő a kétdimenziós Szimultán Lokalizációhoz és Térképezéshez (SLAM). A beltéri térképezést általában olyan járművekkel végzik, amelyek kisebb területen és lassabban haladnak az autonóm vezetéshez képest. A beltéri térképezéshez használt rövid hatótávolságú 2D LiDAR ára 1 000 dollár nagyságrendű.

A tömegpiaci alkalmazásokhoz nehéz megtalálni a PHN pontossági követelmény szabványát. Az elfogadott pontossági besorolás szerint 1–5 m magas, 6–10 m közepes, 11 m felett pedig alacsony. A függőleges pontosság követelménye általában a padlószintre vonatkozik. Az ilyen alkalmazásoknál fontos a meglévő fogyasztói berendezések használata és a bázisállomások telepítési költségeinek csökkentése. Átlagosan a telepítés egy 100 m2-es szinten körülbelül 10 dollárba kerül. Az E-911 mobil vészhelyzeti rendszer cellás jeleket használ, és az 50 m-es hibájához 80 %-os pontossági követelménnyel rendelkezik (FCC 2015).

A beltéri PHN alkalmazások költsége a használt érzékelőktől függ. A fő szenzorokat és megoldásokat a következő részben mutatjuk be.

A beltéri navigációs piac főbb szereplői

Különböző kutatók és gyártók különböző nézőpontokból vizsgálják a beltéri PHN problémákat.

A 3. táblázat azokat a kiválasztott kutatási munkákat sorolja fel, amelyek tükrözhetik a különböző szenzorok tipikus navigációs pontosságát.

No alt text provided for this image
No alt text provided for this imageA lenti táblázat a főbb iparági szereplőket mutatja be.
No alt text provided for this image
No alt text provided for this image

A tényleges PHN teljesítménye olyan tényezőkhöz kapcsolódik, mint az infrastruktúra kiépítése (például az érzékelő típusa és a telepítési sűrűség), az érzékelő minősége, a környezeti tényezők (például a funkciók és a terület mérete) és a jármű dinamikája.

Általánosságban elmondható, hogy a különböző típusú szenzorok eltérő elvekkel, mérési típusokkal, PHN-algoritmusokkal, teljesítményekkel és költségekkel rendelkeznek. Fontos a megfelelő szenzorbázis és az optimális PHN megoldás kiválasztása az adott üzleti igény kielégíté során.

Az autonóm járművek érzékszervei

Az autonóm járművek pontos és robusztus PHN eléréséhez többféle érzékelőre és technikára van szükség:

  1. LiDAR (Light Detection and Ranging), lézer alapú távérzékelés, alapvetően egy, a kibocsátó eszköz és valamely visszaverő felület távolságának meghatározásra szolgáló módszer.
  2. GNSS (Global Navigation Satellite System, globális helymeghatározó műholdrendszer) a gyűjtőneve azoknak a SAT alapú navigációs rendszereknek, melyek autonóm földrajzi helymeghatározásra alkalmasak a Föld teljes felszínén. Ilyen az amerikai GPS, az orosz GLONASS és az európai GALILEO, illetve a kínai BEIDOU.
  3. Kamera
  4. HD térkép
  5. Kommunikációs rendszer
  6. Egyéb környezetérzékelő szenzorok
  7. RADAR (Radio Detection and Ranging), rádióhullámokat küld ki és azokat visszaverődés után felfogja. A visszavert hullámok alapján távolságot, magasságot mér; mozgó jármű, tárgy helyét határozza meg, vagy annak sebességét méri meg.
  8. Odométér (távolságmérő)
  9. Magnetométer (digitális iránytű)
  10. INS (Az inerciális navigációs rendszer, a navigációs rendszerek egyik fajtája (INS) egy olyan navigációs eszköz, amely számítógépet, mozgásérzékelőket (gyorsulásmérőket) és forgásérzékelőket (giroszkópokat) használ arra, hogy külső segítség nélkül képes legyen hordozóeszköze helyzetének, haladási irányának és sebességének megállapítására. A rendszer előnye, hogy külső eszközök (pl. GPS) igénybevétele nélkül is használható, és a mechanikus felépítésből következően kívülről nehezebben zavarható, cserébe a rendszer jellegéből adódóan a pontatlansága az elindítása után folyamatosan nő (a mérési, számítási hibák folyamatosan összeadódnak.

Érzékelők beltéri navigációhoz

Az érzékelők közé tartoznak a környezet monitorozó és jelenlét érzékelők (pl. HD térkép, LiDAR, Radio Detection and Ranging (RADAR), kamera, WiFi/BLE, 5G és alacsony fogyasztású széleskörű hálózat (LPWAN)), valamint a navigációs érzékelők ( pl. inerciális navigációs rendszerek (INS) és GNSS). Az egyes érzékelők előnyeit és kihívásait is bemutatjuk és összehasonlítjuk.

Környezetfigyelő és környezetérzékelők (segítő érzékelők a navigációs rendszerhez)

HD térképek

Az autóvezetésben használható térképeket a század eleje óta használjuk. Ezenkívül olyan cégek, mint a Google és a HERE, piacra dobták több nyilvános hely beltéri térképeit. Ezek a térképek utakat, épületeket és érdekes pontokat (POI) tartalmaznak, és általában métertől deciméterig pontosak. Ezeknek a térképeknek a fő célja, hogy segítsék az embereket a navigációban és a helymeghatározó alkalmazások működésében legyenek segítségre. E térképek létrehozásának fő módjai a műholdképek, a szárazföldi mobiltérképezés és a fedélzeti GNSS közösség alapú megosztása.

Az elmúlt évtizedben a HD-térképek nagy figyelmet kaptak. Ennek egyik fontos oka, hogy a hagyományos térképeket embereknek, és nem gépeknek tervezték. Ezért a hagyományos térkép pontossága nem felel meg az autonóm vezetés követelményeinek. Ezenkívül a hagyományos térkép nem tartalmaz elegendő valós idejű információt az autonóm vezetéshez, amely nemcsak a járműről, hanem a külső létesítményekről is információt igényel. Ezekkel a funkciókkal a HD térkép nem csak térkép, hanem a PHN és a környezet érzékelésének szenzorai is.

A hagyományos térképek (forrásuk a műholdképek, szárazföldi mobiltérképezés és fedélzeti GNSS közösség alapú megosztása) méterszinttől deciméterig pontosak, a 2010-től elérhető nagyfelbontású HD térképek (forrásuk professzionális autók csapata csúcskategóriás LiDAR-ral, kamerákkal, GNSS-sel és INS-sel) már centiméter szintű pontosak. A hagyományos térképek alapvetően nem igényelnek nagy számítási kapacitást, ellenben a HD térképek a pontosságuk, a felbontással és frissítési sebességgel kapcsolatos magas követelményeik miatt kifejezetten nagy adat és számítási terhelést adnak.

A HD térképek megléte és használata kulcsfontosságú az autonóm vezetéshez. Általánosan elfogadott, hogy a HD térképekhez centiméteres pontosság és ultramagas (centiméteres vagy magasabb) felbontás szükséges. Ennek megfelelően a HD térképek elkészítése kihívást jelent. A jelenlegi HD térképek létrehozása és frissítése csúcskategóriás LiDAR-ral, kamerákkal, RADAR-okkal, GNSS-sel és INS-sel felszerelt professzionális járművektől függ. A kínai Baidu cégcsoport például 5 napot töltött el egy pekingi park HD térképének elkészítésével, millió dolláros térképészeti járművek segítségével. Az eleve költséges előálítás mellett újabb nehézség egy HD térképet folyamatosan frissíteni.

A frissítéssel járó többletidő és költségek enyhítése érdekében az autóra szerelt kamerákon alapuló közösségben elosztott kutatást végeztek. Ezzel a módszerrel csökkenthető az extra adatgyűjtés igénye, ha több millió autó képét megfelelően használják fel. Ez a feladat azonban rendkívül nagy kihívást jelent. Először is, nehéz olyan PHN megoldásokat biztosítani, amelyek elég pontosak ahhoz, hogy a közösségben elosztott adatokkal frissítsük a HD térképeket.

Ezen túlmenően a HD térképek frissítése során, a közösségben elosztott adatok továbbításában, rendszerezésében és feldolgozásában erős kihívásokat tapasztalhatunk. Például egy óra autonóm vezetés egy terabájt adatot gyűjthet. 230 napig tart egy hét autonóm vezetés aggregált adatainak átvitele Wi-Fi-n keresztül. Ezért dedikált fedélzeti számítási chipekre, nagy hatékonyságú kommunikációra és EDGE számítástechnikára van szükség. A HD-térképek közösségi folyamatos beszerzéséhez együttműködésre van szükség az autógyártók, a térképgyártók, az 5G-gyártók részéről.

LiDAR

A LiDAR rendszerek lézerfényhullámokat használnak a távolságok mérésére és pontfelhők (azaz 3D pontok halmazának) létrehozására. A LIDAR alapját képező lézer által kibocsátott lézerfény vagy energiaimpulzus a terjedés irányában lévő tárgyakról, objektumokról visszaverődik. A rendszer rögzíti az egyes impulzusok kibocsátása és visszaverődése között eltelt időt. Az elektromágneses energia terjedési sebessége ismert, így a kibocsátás és a tárgy által visszavert jel visszaérkezése idejének különbségéből meghatározható a tárgyaknak a műszertől való távolsága.

A LiDAR egy fontos PHN érzékelő a pilóta nélküli járműveken és robotokon.

A fő előnye a nagy pontosság és az adatsűrűség. Például a Velodyne HDL-64E LiDAR mérési tartománya meghaladja a 120 métert, 1,5 cm-es (1 szigma) mérési pontossággal. A megfigyelés vízszintesen 360°-ot fedhet le, másodpercenként akár 2,2 millió ponttal. Az ilyen tulajdonságok a LiDAR-t erős játékossá teszik a nagyfelbontású környezeti információk szolgáltatásában.

A LiDAR használatának fő kihívásai a magas ár és a nagy méret. Ezenkívül a jelenlegi LiDAR rendszernek van egy forgó mechanizmusa a hordozó tetején, ami problémát jelenthet az eszköz élettartamában. Az Apple bemutatta az új iPad Pro-t (és a 12-es, 13-mas Max Pro telefonokat) LiDAR szkennerrel szerelve, amely akár új irányokat adhat a beltéri PHN-hez. A LiDAR méréseket a PHN 2D vagy 3D illesztéshez használják. A LiDAR mérési teljesítményét a fény nem befolyásolja, de az időjárási viszonyok befolyásolhatják.

Kamera

A kamerákat PHN funkciókra, észlelésre használják a képek gyűjtésével és elemzésével. A LiDAR-ral és RADAR-ral összehasonlítva a kamera költsége sokkal alacsonyabb. Ezenkívül a fényképezőgép olyan előnyökkel is rendelkezik, mint például a gazdag funkcióinformációk és a színinformációk. A kamera emellett egy passzív érzékelő technológia, amely nem továbbít jeleket, így a jelterjedési oldalon nincsenek hibák. Ráadásul a jelenlegi 2D-s számítógépes látási algoritmus fejlettebb, ami a kamerák alkalmazását is elősegítette.

A LiDAR-hoz hasonlóan a kamera a környezeti jellemzők jelentőségétől függ. Ezenkívül a kamera érzékenyebb az időjárási és megvilágítási viszonyokra. Teljesítménye romlik zordabb körülmények között, például sötétben, esőben, ködben és hóban. Ezért fontos öntisztuló, hosszabb dinamikatartománnyal, jobb gyenge fényérzékenységgel és magasabb közeli infravörös érzékenységgel rendelkező kameraérzékelők fejlesztése. Ezenkívül nagy a nyers kameraadatok mennyisége. Egy autonóm jármű több kamerája percenként vagy akár másodpercenként is képes gigabájt szintű nyersadatokat generálni.

Egyes PHN-megoldások a csúcskategóriás LiDAR helyett kamerákat használnak a hardverköltség csökkentése érdekében. Példa erre a Tesla robotpilóta rendszere. Ez a rendszer számos kamerát tartalmaz, köztük három elülső kamerát (széles, fő és keskeny), négy oldalsó kamerát (előre és hátra), valamint egy hátsó kamerát. A PHN teljesítményének biztosítása érdekében a kamerák számára kihívást jelentő környezetben RADAR-okat és ultrahangos érzékelőket használnak.

A két fő kamera-alapú PHN-megközelítés a vizuális odometria/SLAM és a képillesztés. Előbbi esetében egy kutatómunka támogatja a vizuális SLAM-et monokuláris, sztereó és vörös–zöld–kék mélységű (RGB-D) kamerákkal. A képegyeztetéshez útjelzők, táblák, oszlopok és mesterséges elemek (pl. Quick Response (QR) kódok) használhatók. Egy másik kutatómunka két kamera segítségével veszi fel a földi útjelzőt, és párosítja azt egy precíziós útjelző térképpel. Ezzel szemben vannak olyan megoldások is ahol monokuláris és sztereó kamerák képeit használják, hogy megfeleljenek a 3D LiDAR szkennerekkel felszerelt felmérő jármű által generált 3D pontfelhő térképnek.

RADAR

A RADAR az autonóm vezetési ágazatban is intenzív figyelmet kapott. A LiDAR-hoz hasonlóan a RADAR a távolságot a jel oda-vissza időkülönbségének mérésével határozza meg. A különbség az, hogy a RADAR rádióhullámokat bocsát ki lézerhullámok helyett. A LiDAR-hoz képest a RADAR általában távolabbi mérési tartománnyal rendelkezik. Például a Bosch LRR RADA akár 250 m-t is elérhet. Ezenkívül a RADAR-rendszerek ára 1000 és 100 dollár közötti nagyságrendre esett vissza. Ráadásul a RADAR-rendszerek könnyű súlyúak, ami lehetővé teszi az autókba való beépítésüket.

Másrészt a RADAR mérések sűrűsége jóval alacsonyabb, mint a LiDAR-eké és a kameráké. Ezért a RADAR-t gyakran akadályelkerülésre használják, nem pedig a PHN fő érzékelőjeként. A LiDAR-hoz hasonlóan a RADAR mérési teljesítményét nem befolyásolja a fény, de az időjárási viszonyok befolyásolhatják.

Wi-Fi/BLE

A Wi-Fi és a BLE (Bluetooth Low Energy) a fogyasztói elektronika legszélesebb körben használt beltéri vezeték nélküli PHN technológiái. Az általánosan használt megfigyelés az RSS, és a tipikus helymeghatározási pontosság méteres szintű. A kutatók emellett nagy pontosságú méréseket is elértek, például CSI-t, RTT-t és AoA-t. Az ilyen mérések deciméter szintű vagy akár centiméter szintű PHN megoldásokhoz is használhatók.

A Wi-Fi rendszerek nagy előnye, hogy képesek használni a meglévő kommunikációs lehetőségeket. Ezzel szemben a BLE rugalmas és kényelmesen telepíthető. A jövőbeli Internet-of-Things (IoT) és a pontos helymeghatározási követelmények teljesítése érdekében új funkciókkal bővült a legújabb Wi-Fi és BLE technológia.

A lenti táblázat felsorolja azokat az új Wi-Fi, BLE, 5G és LPWAN funkciókat, amelyek javíthatják a PHN forgatókönyv teljesítményét.

Megjelenik a Wi-Fi HaLow (WiFi-Alliance 2020) és a Bluetooth hosszú hatótávolságú (Bluetooth 5) (Bluetooth 2017) a jeltartomány javítása érdekében, míg a Wi-Fi RTT (IEEE 802.11 mc) (IEEE 2020) és a Bluetooth iránykereső (Bluetooth 5.1) (Bluetooth) 2019) precíziós pozicionálásra kerültek forgalomba.

5G/LPWAN

Az 5G nagy sebessége, nagy megbízhatósága és alacsony kommunikációs késleltetése miatt intenzív figyelmet keltett. A korábbi mobiltechnológiákhoz képest az 5G három alkalmazási kategóriát határozott meg, beleértve az Ultra-Reliable és Low-Latency Communication (URLLC) a nagy megbízhatóság érdekében (pl. 99,999%-os megbízhatóság 500 km/h-s nagysebességű mozgás alatt), és alacsony késleltetésű (pl. ezredmásodperces szintű) forgatókönyvek (pl. járműhálózatok, ipari vezérlés és távorvoslás), továbbfejlesztett mobil szélessáv (eMBB) a nagy adatátviteli sebességhez (pl. gigabit/másodperc szint, egy csúcs 10 gigabit/másodperc) és erős mobilitási forgatókönyvek (pl. videó, kiterjesztett valóság, virtuális valóság és távoli iroda), valamint masszív géptípusú kommunikáció (mMTC) az alkalmazási forgatókönyvekhez (pl. intelligens mezőgazdaság, logisztika, otthon) , város- és környezetfigyelés). A mMTC a gépek közötti kommunikáció olyan típusa, ahol az adatáramlás vezetékes vagy vezeték nélküli hálózatokon keresztül történik, ahol az adatgenerálás, az információcsere és a működtetés minimális emberi beavatkozással vagy anélkül valósul meg.

Az 5G erős potenciállal rendelkezik a celluláris alapú PHN megreformálására. Először is, az 5G bázisállomások lefedettsége kilométerekről több száz méterre, vagy akár 100 méteren belül is csökkenhet. A bázisállomások számának növekedése javítja a jel geometriáját, és mérsékli az NLoS (Non-Line-of-Sight) feltételeket.

Másodszor, az 5G új funkciókkal rendelkezik, beleértve az mmWave több bemenetet és több kimenetet (MIMO), a nagyméretű antennát és a sugárformálást. Ezek a funkciók lehetővé teszik többutas jelek használatát a PHN javítására.

Harmadszor, az 5G bevezetheti az eszközök közötti kommunikációt , ami lehetővé teszi a kooperatív PHN-t.

Eközben az újonnan megjelent IoT-jelek és az alacsony fogyasztású széleskörű hálózat (LPWAN, például nagy hatótávolságú (LoRa), Narrow Band-IoT (NB-IoT), Sigfox és Long Term Evolution for Machines (LTE-) M) rendelkeznek olyan előnyökkel, mint a nagy hatótávolság, alacsony költség, alacsony energiafogyasztás és megbízható kapcsolatok.

Az 5G és LPWAN rendszerek lehetőséget adnak a széleskörű helymeghatározásra bel- és városi területeken. Az 5G-hez hasonlóan az LPWAN-rendszerekhez sem kell többé olyan extra kommunikációs modul, amely a jelenlegi PHN rendszerekben 10 dollárba kerül. Az LPWAN jelek egyre több intelligens háztartási készülékkel kompatibilisek. Ezek a csomópontok növelik az IoT-hálózatok telepítési sűrűségét, és ezáltal javítják a PHN teljesítményét. Ezenkívül lehetőség van új mérési típusok (pl. TDoA és AoA hozzáadására az 5G és LPWAN bázisállomásokhoz.

Az 5G és LPWAN alapú, PHN-RE vonatkozó jelenlegi kutatások többsége elméleti elemzésen és szimulációs adatokon alapul, mivel korlátozottak a valós rendszerek. Az mmWave jel szabványa késik, ezért nehéz megtalálni a hardvert a kísérletezéshez. A pontosság 100 m-től centiméteres szintig terjed, a bázisállomás telepítési sűrűségétől és az alkalmazott mérés típusától függően. Egy felmérés szisztematikus áttekintést nyújt az 5G és LPWAN szabványosításokról, a PLAN technikákról, a hibaforrásokról és a mérséklésről. Konkrétan a PHN-hibákat a végkészülékkel kapcsolatos hibák, a környezettel kapcsolatos hibák, a bázisállomással kapcsolatos hibák és az adatokkal kapcsolatos hibák szerint foglalja össze. Fontos, hogy csökkentsük ezeket a hibaforrásokat, ha 5G- és LPWAN-jeleket használunk PHN-célokra.

Navigációs és helymeghatározó érzékelők

Inerciális navigációs rendszer

Az INS a mozgásállapotokat giroszkópból, illetve gyorsulásmérőből származó szögsebesség és lineáris fajlagos erő mérések segítségével származtatja. Az INS-t hagyományosan olyan professzionális alkalmazásokban használják, mint a katonai, repülőgép- és mobil területek. A 2000-es évek óta olcsó MEMS-alapú inerciális érzékelőket vezettek be a szárazföldi járművek PHN eszközeibe. Az iPhone 4 megjelenése óta a MEMS-alapú inerciális érzékelők az okostelefonok alapfelszereltségévé váltak, és olyan új alkalmazásokat hoztak, mint a giroszkópos játék és a gyalogos beltéri PHN alkalmazások.

Az alábbi táblázat összehasonlítja a tipikus inerciális érzékelő teljesítményét a mobil térképezésben és a mobiltelefonokban. A különböző minőségű inerciális érzékelők teljesítménye és költsége eltérő. Ezért fontos az inerciális érzékelők megfelelő típusának kiválasztása az alkalmazási követelményeknek megfelelően.

No alt text provided for this image

Az INS autonóm PHN megoldásokat tud nyújtani, ami azt jelenti, hogy nem igényel külső jelek vételét vagy külső környezetekkel való interakciót. Az ilyen önálló jellemzők erős jelöltté teszik a PHN folytonosságának és megbízhatóságának biztosítására, amikor más érzékelők teljesítményét környezeti tényezők rontják.

Az INS-alapú PHN egyik fontos hibaforrása az érzékelőhibák megléte, amelyek felhalmozódnak és sodródásokhoz vezetnek a PHN-megoldásokban. Vannak determinisztikus és sztochasztikus érzékelőhibák. A determinisztikus hibák (például torzítások, léptéktényező-hibák és determinisztikus hőeltolódások) hatása kalibrációval vagy on-line becsléssel mérsékelhető. Ezzel szemben a sztochasztikus szenzorhibákat általában sztochasztikus folyamatokként modellezik (például fehér zajok, véletlenszerű séta és Gauss–Markov-folyamatok). A sztochasztikus modellek statisztikai paraméterei olyan módszerekkel becsülhetők meg, mint a teljesítményspektrális sűrűségelemzés, az Allan-variancia és a wavelet variancia.

Globális navigációs műholdrendszer

A GNSS műholdas multilateráció segítségével lokalizálja a vevőt. Ez az egyik legszélesebb körben használt és leginkább a kereskedelmi forgalomban alkalmazott PHN technológia. Az önálló GNSS és GNSS/INS integráció a főbb PHN megoldások a kültéri alkalmazásokhoz. Az autonóm vezetés során a GNSS az elsődleges PHN-érzékelőről a másodlagos érzékelőkre vált át. Ennek fő oka az, hogy a GNSS jelek gyengülhetnek (és gyengülnek is) városi és beltéri területeken (belterekben gyakorlatilag megszűnik). Ennek ellenére a nagy pontosságú GNSS továbbra is fontos a kezdeti helymeghatározás biztosításához, és ahhoz hogy csökkentse a keresési teret és más érzékelők (pl. HD térkép és LiDAR) számítási terhelését.

A nagy pontosságú professzionális és tömegpiaci GNSS-felhasználások közötti korábbi határok elmosódnak. Ennek bizonyítéka a nagy pontosságú GNSS technikák és a tömegpiaci chipek közötti integráció. A legújabb okostelefonok emellett nagy pontosságú GNSS méréseket és PHN megoldásokat is tudnak nyújtani.

A PHN érzékelők elve, előnyei és hátrányai

No alt text provided for this image
No alt text provided for this image

Keresse nálunk a beltéri navigációs és IPAR 4.0 megoldásainkat!

Érdekli?

+36 30 982 13 68
Neuwald Tivadar

Ezek is érdekelhetik...

error: