Näin Sensible 4:n ohjelmisto paikantaa joka säässä

Sensible 4:n rakentama ja Japanilaisen MUJI:n suunnittelema GACHA-pikkubussi lienee Sensible 4:n autonomisen ajamisen tunnetuin sovellus.

Teen työkseni jokasään autonomisen ajamisen Sensible 4:n viestintää ja markkinointia. Siksi onkin mukavaa välillä tuoda työasioita myös harrastusblogiin.

Autonominen ajaminen seisoo kahdella tukijalalla: Paikannuksella ja esteiden tunnistamisella.

Paikannus on ajamisen perusta. Jos auto ei tiedä sijaintiaan, se ei pysty sijoittamaan itseään kartalle. Silloin  ajoneuvo ei voi tietää missä on tie ja suunniteltu, turvallinen ajoreitti, jolloin ajaminen on mahdotonta.

Sijainnista ja reittitiedoista ei toisaalta ole paljoakaan iloa, jos auto ei osaa tunnistaa esteitä ajoreitillään. Esteitä on monenlaisia, esimerkiksi suojatietä ylittävä jalankulkija tai punainen liikennevalo risteyksen reunassa. Nämä yksityiskohdat täytyy olla keinoälyllä hallussa, jotta ajamista voidaan tehdä autonomisesti.

Paikannus vaatii tarkkuutta ja luotettavuutta

Paikannus on sitä vaikeampaa mitä tarkemmin ja varmemmin se halutaan tehdä. Esimerkiksi satelliittipaikannus paikantaa parhaimmillaan muutaman metrin tarkuudella. Paikalliset katvealueet, kuten tunnelit ja muut sisätilat ja korkeiden rakennusten väliset kuilut voivat kuitenkin tuoda paikannukseen suurta epätarkkuutta.

Tsekkaa lisää: sensible4.fi

Satelliittipaikannuksen tarkkuutta voidaan parantaa erityisellä korjaussignaalilla. Yleisimmin käytössä on niin sanottu RTK (Real Time Kinetic GPS), jolla paikannus toimii parhaimmillaan muutaman sentin tarkkuudella. 

Kaiken satellittipaikannuksen ongelma on kuitenkin sen riippuvuus infrastruktuurista. RTK-teknologiakaan ei pelasta paikannusta satelliittien katvealueilla. Siksi autonomista ajamista kehittävät yhtiöt pyrkivät ratkaisemaan paikannuksen jollain riippumattomalla teknologialla. Sensible 4:n keskeistä osaamista on juuri tämä: paikannus riippumatta säästä ja infrastruktuurista.

– Meidän paikannustekniikka perustuu ensisijaisesti laserskannerien eli LiDAR-teknologioiden käyttämiseen, kertoo Sensible 4:n teknologiajohtaja Jari Saarinen. Näiden sensorien avulla tehdään laserkeilausta joka tuottaa kolmiulotteisen mallin ajoneuvon ympäristöstä. Tämän lisäksi sijaintitietoa voidaan laskea muistakin sensoreista, kuten RTK-satelliittipaikannuksesta ja vaikka tutkadatasta.

– Laserskannerit ovat yleinen näky kaikenlaisten autonomisen ajamisen prototyyppien katolla. Ne näkevät niin yöllä kuin päivälläkin, mutta niiden keskeinen ongelma on herkkyys huonolle säälle, Jari jatkaa. 

Skannerin lähettämä laservalon säde ei kulje vesipisaran, sumun tai myrskyävän hiekanjyvän läpi, mikä tuo virheitä eli poikkeamia ja kohinaa laserkeilattuun kolmiuloitteiseen malliin. Monet autonomisen ajamisen prototyypit pysähtyvätkin huonossa säässä.

Laserkeilauksen valtavat datamäärät ovat haaste laskennalle

Mitä tarkempi skanneri on, sitä enemmän informaatiota se tuottaa. Informaation kasvava määrä mahdollistaa tarkempien päätelmien tekemisen, mutta sen kustannus on kova: vaatimukset tietokoneiden laskentavoimalle nousevat rajusti, samalla kun sensoritkin ovat merkittävästi kalliimpia. Tehokkaammat laitteet vievät myös enemmän sähköä, jäähdytystä ja tilaa autosta.

Laserkeilain on laite, joka tuottaa laser-valon avulla kolmiulotteisen mallin ympäristöstään.

Sensible 4:n paikannustekniikka ottaa erilaisen lähestymisen laserskannerien tuottamaan dataan. Sen sijaan että maailmaa yritetään mallintaa jatkuvasti päivitettävänä pistepilvenä, tehdään maailmasta todennäköisyysmalli, joka yksinkertaistaa laskentaa merkittävästi ja samalla suodattaa pois kohinaa, kuten lumi- tai vesisadetta.

Todennäköisyysmallin luonti alkaa ajoneuvon ympäristön jakamisesta suunnilleen kuutiometrin kokoisiin lohkoihin, vähän samaan tyyliin kuin maailma koostuu laatikoista Minecraft-pelissä. Yhden kuution sisällä olevat laserkeilatut pisteet yleistetään laskennallisesti yhdeksi normaalijakautuneeksi todennäköisyysjakaumaksi, joka on matemaattisesti melko yksinkertainen hallittava.

Autonomisen auton tietokoneen näkemä maailma rakentuu tällaisista jakaumista, samoin kuin autoon etukäteen tallennettu karttakin. Näiden välillä tehtävän vertailun perusteella auto tietää sijaintinsa todellisessa maailmassa. 

Sensible 4 laskee paremmin

Auton lähellä olevat asiat, kuten viereiset autot, puut tai rakennukset, saattavat tuottaa tuhansittain datapisteitä sekunnissa. Näiden kohteiden pelkistäminen ellipsodeiksi leikkaa jopa 90% datasta pois, suodattaen samalla tehokkaasti kohinaa kuten sadetta tai hiekkamyrskyä tai maahan satanutta lunta tai syksyn lehtiä. Tämän jälkeen sijainnin reaaliaikaiseen laskentaan riittää tavallinen, passiivijäähdytetty tietokone. Suuria GPU-yksikköjä ei tarvita. 

Ihminen ymmärtää talon muodoksi, joka on vasemmalla. Sensible 4:n todennäköisyysellipsoideista rakentunut malli on oikealla.

Kun lumi talvella peittää maan ja taivaan, muuttuu mitatun maailman muoto olosuhteiden mukana. Sensible 4:n talvitesteissä ollaan kuitenkin havaittu todennäköisyysmallintamiseen perustuvan paikannuksen toimivan luotettavasti vaikka sääolosuhteet peittäisivät jopa yli puolet laserkeilauksen datasta. 

Kannattaa myös huomioida, että todennäköisyysmallia käytetään vain paikannukseen. Pienillä esineillä ja yksityiskohdilla ei ole sen kannalta merkitystä. Esteiden havainnointi tehdään erikseen eri sensorien fuusiolla ja siten auton näkemän maailman raju yleistäminen ei ole turvallisuusriski. 

– Vaikka auton sijainnin määrittely perustuu todennäköisyyksien yhteensovittamiseen, saadaan sijainti selville kuitenkin varmasti jopa muutaman sentin tarkkuudella, Jari kertoo. Ja tämä toistettavasti ja kaikissa sääolosuhteissa. 

Teksti: Tuomas Sauliala,
Kuvat: Sensible 4

Olen töissä Sensible 4:llä.