Pengesanan menyeluruh: Bagaimanakah kita boleh menjadikan pembetulan kawalan lorong bagi kenderaan besar lebih tepat?

01
Gambaran Keseluruhan Sistem dan Latar Belakang Teknikal

Dalam persekitaran pelabuhan, laman simpanan kargo dan logistik tapak industri, kenderaan besar lazimnya bergerak sejauh jarak yang panjang mengikut lorong tetap. Sekiranya kenderaan tersebut menyimpang secara melintang, ia boleh menyebabkan keausan tayar yang tidak normal, trajektori yang merentasi lorong, risiko kemalangan serta kecekapan operasi yang menurun. Pembetulan manual tradisional bergantung kepada pengalaman pemandu, sekali gus menyebabkan tindakan kawalan yang lewat dan tidak konsisten. Apabila kenderaan membawa beban berat, beroperasi pada kelajuan rendah, sering memulakan dan menghentikan pergerakan, atau bekerja pada waktu malam, penyimpangan lateral akan semakin ketara. Oleh itu, sistem perlu sentiasa mengesan kedudukan kenderaan berbanding jalan raya atau lorong kerja dengan ketepatan sehingga satu sentimeter, serta menghantar maklumat penyimpangan ini secara stabil kepada sistem kawalan.

Oleh itu, teras bagi sistem kawalan pembetulan penyimpangan bukan sekadar “mengetahui kedudukan kenderaan”, tetapi lebih daripada itu, dalam keadaan operasi yang rumit, adalah untuk memperkirakan dengan boleh dipercayai penyimpangan melintang kenderaan, ralat haluan serta perubahan trend berbanding trajektori sasaran, dan seterusnya menterjemahkan maklumat ini kepada arahan pembetulan yang boleh dilaksanakan, lancar serta mengurangkan kehausan.

Evolusi Peta Jalan Teknologi:

1.1 Daripada “Bantuan Keras” kepada “AI Visual + Penyatuan Lembut GNSS”

Skim pembetulan awal lebih bergantung kepada pembetulan berasaskan GNSS. GNSS menawarkan kelebihan seperti pelaksanaan yang agak mudah serta keputusan koordinat yang intuitif, menjadikannya sesuai untuk penentuan kedudukan global dan perancangan laluan di kawasan terbuka. Namun, dalam kejuruteraan praktikal, kren gantri sering beroperasi berhampiran kren jambatan, bangunan kilang, stowage, kontena, dan struktur logam, di mana isyarat satelit mudah terjejas akibat halangan, pantulan pelbagai jalur, dan gangguan sementara. Bagi senario yang melibatkan pergerakan kenderaan besar, sekadar bergantung kepada GNSS menyebabkan sukar untuk mengekalkan kestabilan jangka panjang.

Bagi meningkatkan ketepatan tempatan, industri juga telah menggunakan penyelesaian bantuan keras seperti garis sentuhan gelongsor, penanda magnetik dan kabel bawah tanah. Pendekatan-pendekatan ini mampu menyediakan rujukan yang stabil dalam kawasan tertentu, namun memerlukan kos pemasangan yang tinggi, jangka masa pembinaan yang panjang serta penyelenggaraan berterusan yang mudah terjejas akibat kehausan tanah, penurunan tanah dan perubahan laluan akibat kerja pengubahsuaian. Bagi kawasan simpanan timbunan dan pelabuhan yang memerlukan pelaksanaan pantas, penukaran minimum serta boleh diulangi, penyelesaian-penyelesaian ini kurang menunjukkan fleksibiliti kejuruteraan yang mencukupi.

Nilai penukaran visual terletak pada penggunaan persekitaran terus kenderaan sebagai rujukan langsung bagi kawalan. Kamera boleh mengesan ciri-ciri tempatan seperti garisan lorong, sempadan tanah, dan papan tanda kawasan kerja. , yang boleh mengatasi kelemahan GNSS dalam persekitaran yang mengalami halangan isyarat dan gangguan.

1.2  HIRI Teras dan Kelebihan Sistem Kawalan Pembetulan Stereng Kenderaan Berat

Ini ialah sistem pembetulan penyimpangan automatik berketepatan tinggi untuk kenderaan besar, yang direka bentuk untuk keadaan pengangkutan pelabuhan, laman simpanan dan industri. Berpaksikan persepsi AI visual, sistem ini menggabungkan data kedudukan GNSS, maklumat keadaan gerakan kenderaan serta algoritma kawalan pintar bagi mengesan secara dinamik hubungan ruang antara kenderaan dengan laluan sasarannya. Mengeluarkan secara berterusan parameter kawalan utama seperti deviasi lateral dan deviasi haluan. dan mencapai penjejakan semula kenderaan secara automatik mengikut trajektori yang telah ditetapkan melalui kawalan gelung tertutup.

Tidak seperti penyelesaian tradisional yang bergantung pada infrastruktur tetap atau kaedah penentuan kedudukan tunggal, HIRI FUTURE mengamalkan “Penglihatan visual + bantuan GNSS + kawalan pintar” Seni bina kolaboratif tersebut mengintegrasikan secara mendalam keupayaan persepsi alam sekitar dengan keupayaan kawalan kenderaan, Membolehkan kenderaan bukan sahaja mengesan kedudukan mereka sendiri, tetapi turut memahami hubungan ruang antara sempadan jalan, lorong perjalanan, dan laluan yang dirancang. , dengan itu mencapai kawalan pembetulan penyimpangan automatik yang lebih tepat dan stabil.

Kelebihan praktikal HIRI dalam sistem kawalan pembetulan deviasi:

Retrofit Berkos harga rendah: Ia menghapuskan keperluan kepada wayar sentuhan gelongsor dan penanda magnetik, dengan bergantung terutamanya kepada kamera, GNSS serta unit pengkomputeran dalam kapal untuk pelaksanaannya. Ini menyebabkan tempoh pembinaan yang singkat dan gangguan minimum terhadap kemudahan sedia ada.

Kepresisian tinggi: Model visual menghasilkan maklumat garis lorong yang lebih stabil, dengan deviasi dalam lingkungan 3 cm sama ada dalam keadaan kelajuan tinggi mahupun rendah bagi kenderaan besar.

Kebolehpercayaan yang tinggi: Kedua-dua kekangan antara penglihatan dan GNSS memastikan bahawa apabila salah satu sensor mengalami gangguan sementara, sensor yang satu lagi mampu memberikan sokongan yang boleh dipercayai, sekali gus membolehkan penggabungan data untuk mencapai prestasi kawalan yang lebih unggul.

Kawalan Kekelusan: Penyesuaian tork kecil dilakukan setiap 200 ms untuk memperhalus arah, sekali gus menghasilkan voltan dan arus yang lebih lancar.

Senario komprehensif: Ia mampu menyokong pelbagai senario operasi di dalam kawasan lori simpan, seperti pemanduan autonomi dan pelayaran saluran tetap, serta menyediakan asas persepsi bagi pengembangan fungsi pemanduan autonomi pada masa hadapan.

02 Pendekatan Teknikal Utama: Cara Mencapai Pembetulan Visual

2.1 Cabaran Industri: Mengapakah Amat Sukar bagi Penyelesaian Tradisional untuk Mencapai Ketepatan 3 cm?

Dalam proses mengikuti laluan bagi peralatan pengangkutan automatik, cabaran utama untuk mencapai ketepatan pembetulan pada tahap sentimeter terletak pada cara memperoleh secara berterusan dan stabil hubungan kedudukan relatif antara kenderaan dengan laluan sasaran. Walaupun pembetulan berasaskan GNSS tradisional digabungkan dengan penambahan RTK, ia masih mudah terjejas dalam persekitaran industri yang kompleks oleh faktor-faktor seperti halangan isyarat, pantulan pelbagai jalur, kesilapan pemasangan antena, serta perubahan kedudukan kenderaan, sekali gus menyebabkan fluktuasi dalam keputusan penentuan kedudukan dan sukar untuk mengekalkan output yang stabil serta berketepatan tinggi dalam jangka masa panjang.

Pembetulan visual secara langsung memanfaatkan tanda lorong, garis sempadan, serta ciri struktur di aras tanah dalam persekitaran jalan di hadapan kenderaan untuk tujuan pengesanan, sekali gus mewujudkan hubungan ruang relatif antara kenderaan dan jalan bagi mencapai keupayaan mengikut laluan yang lebih stabil.

Dengan kemajuan teknologi pembelajaran mendalam, Model visual HIRI telah pun menunjukkan keupayaan pengekstrakan ciri yang kukuh serta pemahaman persekitaran yang canggih, sekali gus membolehkannya mengesan garisan lorong dan maklumat sempadan jalan dengan tepat dalam pelbagai keadaan pencahayaan, cuaca, dan latar belakang yang rumit. Walaupun berdepan dengan keadaan seperti garisan lorong yang separa haus, penghalang bayang-bayang, kesan kotoran di atas tanah, atau gangguan pantulan, model tersebut masih mampu bergantung kepada ciri-ciri semantik global yang telah dipelajarinya dan, melalui pemodelan bersama struktur jalan, ciri-ciri sempadan, serta arah perjalanan kenderaan, Kira dengan tepat penyimpangan melintang dan penyimpangan kedudukan kenderaan berbanding trajektori sasaran. dan menghantar maklumat ini kembali kepada sistem kawalan secara masa nyata.

Keberkesanan pengesanan model dalam pelbagai keadaan persekitaran dan tahap pencahayaan.

2.2  Daripada pengeganan YOLO hingga pengesanan model end-to-end AI

Bagi mencapai [sesuatu] secara berterusan dalam persekitaran industri yang rumit, Dengan ketepatan pembetulan pada tahap 3 cm, sistem tersebut bukan sahaja perlu mengesan kedudukan garis lorong dengan tepat, malah turut perlu mengeluarkan secara berterusan anggaran penyimpangan yang lancar dan stabil serta tertakluk kepada kekangan geometri. HIRI telah mengguna pakai teknologi “pengesanan model hujung-ke-hujung AI” dalam saluran persepsi visualnya. 。

Pada peringkat awal perancangan visual, model segmentasi YOLO sesuai digunakan untuk memverifikasi kebolehlaksanaan dengan pantas. Ia mampu menjalankan segmentasi pada tahap piksel bagi tanda lorong, sempadan laluan, tanda di atas tanah serta kawasan yang boleh dilalui, dengan kelajuan inferens yang tinggi dan ekosistem kejuruteraan yang matang, sekali gus memudahkan pelaksanaannya pada unit pengkomputeran dalam kenderaan. Berbanding kaedah ambang tradisional dan pengesanan tepi, segmentasi YOLO dapat mengekstrak struktur jalan dengan lebih terus; namun begitu, ia mempunyai keperluan yang tinggi terhadap keterlihatan tanda lorong dan sempadan tanah: apabila tanda lorong tidak jelas, haus atau patah, tertutup oleh lumpur atau air, atau ketika berdepan hujan, kabus, silau malam, pantulan kuat, mahupun halangan bayang-bayang, topeng segmentasi mudah mengalami loncatan sempadan, kehilangan segmen setempat, serta kesilapan segmentasi. Langkah pemprosesan susulan seperti transformasi perspektif, penyesuaian garis tengah, penukaran jarak lateral, dan penapisan temporal masih diperlukan bagi menukar hasil segmentasi kepada nilai penyimpangan yang boleh digunakan oleh pengawal.

▲ Keausan garisan lorong—keputusan pengesanan YOLO (dengan oklusi sebahagian)                  

Pengesanan model hujung-ke-hujung AI oleh HIRI telah menangani kelemahan-kelemahan ini.

Model ini tidak lagi menghasilkan topeng pemisahan peringkat pertengahan; sebaliknya, ia secara langsung meramalkan lokasi dan kategori (contohnya, garisan lorong, garisan sempadan, tanda jalan pejalan kaki) bagi tanda-tanda lorong daripada imej masukan, bersama-sama dengan skor keyakinan yang berkaitan. Reka bentuk ini menawarkan kelebihan yang ketara:

Ketahanan alam sekitar yang lebih kukuh:

Semasa fasa latihan, model tersebut telah mempelajari sepenuhnya daripada sampel dunia sebenar mengenai keausan garisan lorong, oklusi separa, hujan dan kabus, silauan serta air tergenang di permukaan jalan. Walaupun apabila garisan lorong setempat tidak jelas, ia masih mampu menghasilkan keputusan garis lorong yang berterusan dan munasabah berdasarkan ciri-ciri struktur jalan secara keseluruhannya.

Saluran pemprosesan yang lebih tersusun:

Dengan menghapuskan langkah pemprosesan semula geometri yang tradisional dan rumit, model tersebut terus menghasilkan maklumat garis lorong dengan maksud geometri yang jelas, sekali gus mengurangkan akumulasi ralat dan kelengahan sistem.

Input bias yang lebih stabil:

Output keseluruhan menunjukkan getaran temporal yang minimum dalam penentuan kedudukan garis lorong serta ketepatan tinggi dalam pengklasifikasian kategori, sekali gus menyediakan asas persepsi yang boleh dipercayai untuk modul pengiraan geometri dan kawalan seterusnya.

▲ Kausan tanda jalan Prestasi Pengesanan AI Dari Hujung Ke Hujung (Lengkap)

2.3 Analisis Teknikal: Daripada “Melihat Bias” kepada “Mengawal Kestabilan”

Langkah pertama ialah pemerolehan visual. Sistem ini memanfaatkan kamera anti-tumbukan yang telah dipasang pada kaki pintu gerabak utama, sekali gus mengurangkan kos pengeluaran sambil merakam imej jalan raya di tapak dan laluan akses kerja.
Langkah kedua ialah pengesahan model menyeluruh. Model tersebut bukan sahaja menentukan sama ada terdapat garis atau tanda pada imej, malah turut mengeluarkan kedudukan garis lorong yang lebih stabil, kategori garis lorong serta skor keyakinan, sekali gus menjadi asas bagi pengiraan penyimpangan susulan. Semasa latihan, model ini memasukkan sampel dengan pelbagai keadaan pencahayaan, hujan, kabus, kesan kotoran, kepakaran, bayang-bayang, oklusi dan faktor-faktor lain bagi meningkatkan keupayaannya dalam mengeneralisasikan data di bawah keadaan operasi dunia sebenar. Langkah ketiga ialah penggabungan lembut antara visi dan GNSS. . GNSS menyediakan penentuan kedudukan global dan pengenalpastian segmen jalan, manakala penglihatan membolehkan pengesanan deviasi berketepatan tinggi dalam jarak pendek. Kedua-dua modulasi ini tidak sekadar digabungkan; sebaliknya, ia digabungkan berdasarkan tahap kepercayaan serta keadaan semasa pemandangan. Apabila persepsi visual sementara terhalang atau menurun akibat keadaan persekitaran yang buruk, sistem tersebut memanfaatkan GNSS dan data trajektori lama untuk mengekalkan kawalan berterusan. Langkah keempat ialah kawalan gelung tertutup. Pengawal mengira input stereng pembetulan berdasarkan penyimpangan lateral, ralat haluan, kelajuan kenderaan, keadaan beban serta data trend sejarah, sambil menggunakan had penguatan, penapisan dan pelarasan mikro-tork bagi mencegah ayunan lateral. Objektif kawalan bukanlah untuk secara tiba-tiba memandu kenderaan kembali ke tengah dalam satu manuver; sebaliknya, ia bertujuan membimbing kenderaan kembali dengan lancar ke trajektori yang diinginkan, sambil memastikan keselamatan dan mengekalkan ketahanan mekanikal.

03
Rancangan Projek: Bagaimanakah sistem ini akan dilaksanakan?

3.1 Laluan Pelaksanaan AI Visual

Bagi merealisasikan hubungan persepsi yang disebutkan tadi, sistem pembetulan visual HIRI mengamalkan reka bentuk tiga lapisan berikut dalam kejuruteraannya:

(1) Kamera RGB industri dwi-saluran + kalibrasi penanda lorong

Sistem ini memasang peralatan industri di atas trolley, masing-masing di sisi kiri dan kanan. Kamera RGB memilih sama ada kamera yang menghadap ke hadapan atau ke belakang untuk tujuan pengiraan, bergantung pada hala perjalanan kenderaan. Medan pandangan kamera difokuskan pada garisan lorong, sempadan jalan raya, papan tanda di atas jalan serta kedudukan relatif kenderaan dalam lorong tersebut. Konfigurasi dua kamera ini bukan sahaja menyediakan petunjuk pembetulan utama ke hadapan, malah turut mengekalkan rujukan pandangan belakang, sekali gus membolehkan pengesanan sebarang penyimpangan sudut dalam orientasi keseluruhan kenderaan. Selepas pemasangan, kalibrasi garisan lorong digunakan untuk menentukan parameter penting—seperti titik rujukan, lebar lorong dan skala antara piksel dengan dunia sebenar—bagi menukar koordinat ruang garisan lorong dalam imej kepada penyimpangan sebenar dalam sistem koordinat setempat kenderaan.

(2) ROI Utama + Pengesanan Lorong Dari Hujung ke Hujung

Tingkat model menetapkan wilayah visual utama di sekitar garis lorong, sempadan saluran dan kawasan yang boleh dilalui. Model segmentasi YOLO terutamanya menghasilkan topeng garis lorong, yang kemudiannya diproses lanjut untuk mengekstrak garis tengah; namun pendekatan ini sangat bergantung pada kejelasan garis lorong, keadaan pencahayaan, dan cuaca. Sebaliknya, model hujung-ke-hujung berasaskan AI daripada HIRI secara langsung mempelajari kedua-dua struktur dan maklumat kategori garis lorong, sekali gus mampu menghasilkan keputusan garis lorong yang lebih berterusan walaupun dalam keadaan seperti tanda jalan yang haus, penghalang sebahagian, hujan atau kabus, silauan, serta air tergenang. Ini memudahkan aliran kerja visual tradisional bagi penapisan dan penggabungan garis lorong, membolehkan model mengeluarkan data garis lorong dengan pantas. Selain itu, ia juga mampu mengklasifikasikan jenis garis lorong bagi membantu mengenal pasti kawasan khusus seperti zon permulaan/penamat dan bahagian sambungan, sekali gus mengelakkan senario-senario penting ini daripada tersalah dianggap sebagai penyimpangan biasa.

(3) Kestabilan urutan jangka pendek + kawalan deterministik

Kawalan pembetulan bias tidak bergantung pada keputusan pengenalan satu bingkai; sebaliknya, ia memasukkan penyimpangan visual, arah gerakan kenderaan, status kelajuan serta ambang keselamatan ke dalam gelung kawalan deterministik. Sistem ini mencetuskan perlambatan atau perlindungan pemberhentian berdasarkan magnitud penyimpangan yang dihitung dan mengesahkan bingkai abnormal berturut-turut, sekali gus mengelakkan satu kesilapan pengenalan bingkai tunggal daripada secara langsung menyebabkan pemberhentian yang tidak dikehendaki. Dalam keadaan hilang garis pandangan atau keyakinan rendah, sistem ini boleh digabungkan dengan… Pemindahan GPS menghasilkan kelebihan bagi tujuan perlindungan. Nilai pembetulan akhir ditulis ke dalam PLC, membolehkan kenderaan kembali ke lorong sasaran secara berperingkat dan kecil, sekali gus memastikan kenderaan besar berada dalam toleransi penyimpangan sejauh 3 cm.

3.2 Strategi Kawalan

Model end-to-end meningkatkan kestabilan output garis lorong dan kategori, sementara modul pengiraan geometri menukar keputusan garis lorong kepada penyimpangan lateral. Modul kawalan kemudian menghasilkan arahan pembetulan berdasarkan penyimpangan, kelajuan, hala pemanduan, serta perbezaan antara kamera hadapan dan belakang. Sepanjang proses ini, sempadan peraturan yang jelas dikekalkan: situasi mana yang membenarkan pembetulan normal, mana yang memerlukan perlambatan, dan mana yang mewajibkan pemberhentian semuanya ditentukan melalui logik deterministik.

Dari segi prestasi kawalan, sistem ini menekankan pendekatan “langkah kecil dengan pelarasan pantas” serta pembatasan keuntungan berterusan. Pengawal memperbaharui arahan pembetulan pada jangka masa kira-kira 200 ms, menggunakan penapisan dan pembatasan keuntungan dinamik bagi mengurangkan ayunan serta mengelakkan pelarasan mendadak yang berskala besar, yang boleh menyebabkan kenderaan bergoyang atau mengalami hentakan mekanikal. Bagi senario seperti muatan berat, operasi permulaan‑henti pada kelajuan rendah, ketika mendekati kedudukan sasaran, atau apabila deviasi antara kamera hadapan dan belakang berbeza, sistem ini mampu memperhalus lagi pembetulan kedudukan dengan mengintegrasikan maklumat daripada kedua-dua kamera serta keadaan kenderaan, sekali gus menghasilkan manuver pembetulan yang lebih lancar dan mudah dikawal.