מערכת אוטונומית הינה מערכת אשר מתפקדת בצורה עצמאית לחלוטין או בצורה מפוקחת (supervised) ופועלת בתנאי אי-ודאות, בסביבה לא ידועה ודינמית, ובמקרים רבים גם לא צפויה מראש.
מערכות אוטונומיות עשויות לצבור ידע חדש או להתאים עצמן לסביבה המשתנה בכדי להשלים את ייעודן. במטרה לעמוד במשימתן, מערכות אוטונומיות יכולות לרכוש מידע מהסביבה בה הן נמצאות, לנוע בצורה עצמאית בסביבתן (וירטואלית או מציאותית כמובן), להימנע ממצבים מסוכנים, ולפעול למשך תקופה ארוכה ללא התערבות אדם.
מערכת אוטונומית כמערכת מורכבת בנויה ממספר תתי מערכות, כל אחת מהן מורכבת בפני עצמה. בהמשך תוכלו לקרוא על כל אחת מהרכיבים של מערכת אוטונומית.
פלטפורמה (Platform)
סביבת הפיתוח מאפשרת לנו למדל את המערכת עצמה, מערכת אשר מהווה כבסיס לפיתוח יכולות האוטונומיה מסוגים שונים.
הפלטפורמה יכולה להיות מערכת קרקעית כמו רכבים ורובוטים ניידים (indoor/outdoor), מערכת אווירית כמו מטוסים, רחפנים ומל"טים, מערכות ימיות כגון ספינות וצוללות, או מערכות רובוטיות.
מידול הפלטפורמה יכול להיעשות תחילה בצורה יחסית מופשטת, דבר המאפשר לנו להתמקד בפיתוח אלגוריתמי הבקרה, וככל שהפרויקט מתקדם, ניתן למדל את המערכת בצורה מדויקת יותר, לתפוס השפעות פיסיקליות ולבסוף לשוב ולבחון את האלגוריתמים שפיתחנו.
לקריאת פוסט בבלוג בנושא מידול פיזיקלי בלינק הבא.
הורדת E-book
לקריאה נוספת על היתוך מידע מחיישנים וביצוע עקיבה
תוכלו לעיין ב-E-book
מלאו את פרטיכם, וקבלו אליכם לתיבת המייל קישור להורדת
Sensor Fusion and Tracking for Autonomous Systems E-book
חישה (Sensing)
חישה מתייחסת לאפשרויות כיצד אנו יכולים למדל, לסמלץ ולנתח חיישנים מסוגים שונים ולבצע היתוך של מידע המתקבל מהם (Sensor Fusion), זאת בכדי לשערך בצורה טובה יותר את התנהגותה של המערכת עצמה, ואת הסביבה (סטטית ודינמית) בה המערכת פועלת.
לקריאת פוסט בבלוג בנושא היתוך מידע מחיישנים ויכולות עקיבה בלינק הבא.
צללו אתנו לסדרה של שישה פרקי Teck Talk בנושאי היתוך חיישנים ועקיבה צפו בסרטון בנושא: Understanding Sensor Fusion and Tracking
הורדת E-book
לקריאה והעמקה כיצד ניתן לשבץ AI עבור תחום עיבוד אותות, תוכלו לעיין ב-E-book
מלאו את פרטיכם, וקבלו אליכם לתיבת המייל קישור להורדת
Deep Learning for Signal Processing with MATLAB
תפיסה (Perception)
תהליך של סיווג ופיענוח של הנתונים אשר נאספים ע"י החיישנים, המעניק משמעות לסביבה בה המערכת פועלת. שלב זה מתייחס בעיקר לשימוש ושילוב בינה מלאכותית בכדי לאפשר למערכת להבין באופן ברור מול מה היא מתמודדת.
כאשר מתייחסים לבינה מלאכותית אנו מתייחסים ליישום לימוד מכונה (מפוקחת / לא מפוקחת), הגדרת רשתות נוירונים (למידה עמוקה) ואף מתייחסים להגדרת רשתות מאפס או שימוש ברשתות מוכנות וכיוונונן.
הנתונים אשר נאספים מהחיישנים יכולים להיות מסוגים שונים כגון: אותות קול, תמונות וסרטוני וידאו, נתוני LIDAR, נתוני רדאר ועוד.
תכנון מסלול (Path Planning)
יכולות תכנון המסלול מאפשרות לנו מיפוי אזור העבודה של המערכת והיכן היא יכולה להימצא. ברגע שבמערכת יודעת היכן היא נמצאת ולאן היא צריכה להגיע, אנחנו יכולים לתכנן מסלולים אופטימליים עבור תנועת המערכת, תוך התחשבות בהתנהגותה ובאילוצים של סביבת העבודה. כמו כן, המערכת יכולה לפעול בסביבה לא ידועה, בעלת אי וודאות גבוהה וללמוד אותה תוך כדי עבודתה.
לקריאת פוסט בבלוג בנושא "מנווטים את דרכנו אל העתיד" בלינק הבא.
צללו אתנו לסדרה של שישה פרקי Teck Talk המכסה נושאים שונים בתחום הניווט האוטונומי צפו בסרטון:
הורדת E-book
לקריאה על 3 דרכים בהם ניתן להאיץ Model Predictive Controllers, תוכלו לעיין ב-E-book
מלאו את פרטיכם, וקבלו אליכם לתיבת המייל קישור להורדת
Three Ways to Speed Up Model Predictive Controllers
בקרת מסלול (Path Following)
אלגוריתמים המוודאים כי המערכת אכן פועלת עפ"י המסלול שתוכנן.
עבור יישום מערכות בקרה במערכות אוטונומיות, אנו יכולים להשתמש בשיטות בקרה קלאסיות כגון בקרים ממשפחת ה- PID. כמו כן, אנחנו יכולים להשתמש בשיטות בקרה מתוחכמות ומורכבות יותר אשר מאפשרות לנו לבקר את פעולות המערכות האוטונומיות:
- Model Predictive Control: שיטת בקרה העובדת באמצעות שני ערוצי ניבוי עבור התנהגות המערכת (מודל פנימי) ואות הבקרה.
- Reinforcement Learning: שיטות בינה מלאכותית המשולבות יחד עם עולם הבקרה ומאפשרות לפתח אלגוריתמים לבקרת התנהגות המערכת.
צפו בסדרה של שבעה פרקי Teck Talk המציעה היכרות עם תחום
ה-Reinforcement Learning.
קישוריות (Connectivity)
נושא זה מתייחס למה שניתן לעשות עם הסימולציות והאלגוריתמים מפה והלאה: ייצור קוד ופריסתו על גבי חומרות שונות, אינטגרציה עם מערכות תוכנה נוספות, הרצת האלגוריתמים והמודלים על-גבי סימולטורים פיסיקלים (פנימיים וחיצוניים) ועוד.
יכולות אלו מאפשרות לצוותי הפיתוח לבצע אינטגרציה בין רכיבי התוכנה השונים בתהליך הפיתוח ולבדוק אותם בשלבים ורמות שונות, עד אשר מגיעים לבדיקות על המערכת האמיתית. בצורה זו אנו יכולים למצוא שגיאות בשלב מוקדם יותר בתהליך הפיתוח ולדעת למה לצפות ככל שנתקדם לעבר המוצר המוגמר.
