Egy 2022-ben indult, magyar-vietnámi közös kutatási projektben hibrid tanulási módszerrel biztonságos vészhelyzeti manőverezésre tanítottak önvezető járműveket a HUN-REN SZTAKI-nál.
A Gáspár Péter professzor által vezetett kutatócsoport programjában kezdetektől fogva közreműködtek a vietnámi Közlekedési és Kommunikációs Egyetem (UTC) kutatói is. A Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal (NKFIH) által támogatott – A Vészhelyzeti pályatervezés kooperálni képes autonóm járművek számára című – projekt kitűzött feladatai között szerepelt egy olyan irányítási rendszer kidolgozása, mellyel az egymással és a környezeti elemekkel is kommunikáló autonóm jármű vészhelyzet esetén biztonságos elkerülő manőverezést tud végrehajtani. A projekt soárn mindezt nem csak a szimulációs térben, hanem valós környezetben is kipróbálhatták a kutatók, a zalaegerszegi ZalaZONE tesztpályán egy fejlesztési célokra átépített Lexus RX 450h típusú önvezető járművön.
Vészhelyzeti manőverezés gépi tanulással
A gépjárművek menetstabilitásának megőrzése régóta kutatott téma az irányításelméletben. A jelenleg forgalomban lévő rendszerek a járművezetőt támogatva avatkoznak be, amennyiben a jármű mozgásállapota megköveteli. Ezek a rendszerek a jármű belső állapotváltozóit felhasználva, klasszikus irányítási módszerekkel, elsősorban a kerékfékeket aktuálva stabilizálják a járművet egy esetleges megcsúszás során.
Az egyre magasabb automatizáltsági szintű funkciók megkövetelik, hogy a jármű irányítórendszere képes legyen a környezet statikus és dinamikus objektumait is figyelembe véve megtervezni jármű trajektóriáját. Az ehhez szükséges környezetérzékelés alapját különböző elven működő rendszerek adják, mint például az ultrahang, a radar, illetve a lidar, esetleg a gépi látáson alapuló kamerás rendszerek. Ezen rendszerek információinak egységes kiértékelését egy magas szintű környezetérzékelő rendszer végzi, amelyre alapozva az optimális járműpálya meghatározható az autonóm jármű számára.
Vészhelyzetben a vezetés biztonsága a főfókusz | Fotó: HUN-REN SZTAKI
A napjainkban egyre inkább kutatási fókuszba kerülő autonóm járművek fejlesztésének egyik sarokköve, hogy a jármű irányítórendszere képes legyen a környezet statikus – mint amilyen egy jelzőlámpa – és dinamikus, – mint például egy járókelő – objektumait is figyelembe véve megtervezni jármű pályáját. A jármű mozgási pályájának tervezése tulajdonképpen egy optimalizálási probléma megoldása, melynek során mindig figyelembe kell venni a trajektória dinamikai megvalósíthatóságát, azaz a menetstabilitását garantálását.
„A kutatás célja olyan módszerek kifejlesztése volt, amelyek segítségével az autonóm járművek vészhelyzeti manővereket tudnak végrehajtani gépi tanulás alkalmazásával. Ezt egy valós vészhelyzeti szituációban teszteltük, hogy lássuk, hogyan működik a gyakorlatban.” – mondta Gáspár Péter, a kutatás vezetője. "A kutatás eredményeként olyan irányítórendszert dolgoztunk ki, ami a gépi tanulás és a hagyományos irányítástechnikai megoldások kombinációjára épül.
Ez a rendszer képes figyelembe venni a környezeti információkat, és biztosítani a jármű biztonságos pályájának megtervezését és végrehajtását. A rendszer felső szintje egy olyan döntéshozatali és pályatervezési folyamat, amely megerősítéses tanulásra épít, míg az alsó szint a tervezett pálya gyors értékelésére szolgál. Itt a legfontosabb tényező a dinamikai megvalósíthatóság, amely figyelembe veszi például a beavatkozókra vonatkozó korlátozásokat és a jármű menetstabilitását.” – fejtette ki részletesen a kutató professzor.
A kutatás során a gépi tanulásra épülő irányítást úgy hangolták, hogy figyelembe vegye a hagyományos irányítástechnikai módszerek robusztusságát is. „Ennek a munkának köszönhetően az autonóm jármű képes megőrizni a stabilitását akkor is, ha váratlan változások lépnek fel a környezetben vagy a jármű dinamikájában.” – egészítette ki Mihály András, a projekten dolgozó kutató, majd hozzátette:
„A kutatásban kifejlesztett vészhelyzeti pályatervezési és járműirányítási megoldásokat az automatizált, felszerelt Lexus RX 450h tesztjárművön teszteltéük a ZalaZone tesztpályán, különböző vészhelyzeti manőverek végrehajtásával. A projekt során egy kísérleti fejlesztés zajlott, amelyben a járműdinamikát, a szenzoradatok egyesítését és a gépi tanulással támogatott járműirányítást kombinálják, mindeközben figyelembe veszik a járműipari fejlesztési folyamatokat is” – összegezte Gáspár Péter, a kutatás vezetője.
Szerző: HUN-REN SZTAKI
2025.01.30.
Mégsem eszi meg reggelire az AI az informatikusokat Az IT-szektorban véget ért a kivárás időszaka, és a lapokat ismét a munkavállalók osztják. A No Fluff Jobs legfrissebb Salary Guide riportja megerősíti: nemcsak a fizetések törtek újra csúcsra, de érkezik a bértranszparencia is, ami örökre véget vet a „mennyit is kérhetek?” típusú sötétben való tapogatózásnak.
A zöld átmenet vakfoltja: miért nő tovább a kibocsátás a megújulók sikere mellett? A megújuló energiaforrások globális térnyerése látványos, mégsem hozza el automatikusan a fosszilis korszak végét. Egy friss tanulmány szerint a probléma gyökere nem elsősorban technológiai, hanem szerkezeti.
Szoftverrel bővíti hálózati kapacitását az osztrák áramcég Az áramszolgáltatók számára egyre nagyobb kihívást jelent a napelemek, szélerőművek és az úgynevezett „prosumerek” megjelenése, akik nemcsak fogyasztják, hanem termelik is a villamos energiát. Mindez sokkal összetettebbé teszi a hálózat működését, miközben nincs idő és lehetőség hosszadalmas fejlesztésekre.
A kvantummérnökök lehetnek a következő évtizedek legkeresettebb szakemberei A kvantumtechnológia már ma is aktívan formálja az adatfeldolgozási folyamatokat, a precíziós szenzorokat és az anyagtudományi innovációkat, a következő évtizedekben pedig a globális ipar egyik legfontosabb növekedési motorjává válhat.
A fizikai mesterséges intelligencia új korszakot nyit a robotikában A Deloitte Tech Trends 2026 kutatás legfrissebb elemzése szerint a fizikai mesterséges intelligencia (physical AI) új korszakot nyit a robotikában. Az előre programozott, merev működésű gépeket egyre inkább olyan alkalmazkodó, tanuló rendszerek váltják fel, amelyek képesek komplex, változó és kiszámíthatatlan környezetben is biztonságosan működni.
