Ontwikkeling van dynamische trajectplanning voor autonome voertuigen
Autonome voertuigen vinden steeds vaker hun weg naar de productievloer. Denk aan AGV's die halffabrikaten doorheen de fabriek vervoeren, drones die machines met het oog op preventief onderhoud inspecteren of boten die automatisch de waterwegen peilen.
We bieden verschillende tools aan die gebruikers in staat stellen om omgevingsmodellen te ontwikkelen, sensorfusie in te zetten voor omgevingsperceptie en dynamische trajectplanning- en -volgsystemen te ontwikkelen.
Wat bieden we aan?
Onze toolbox omvat:
- Globale trajectplanning met behulp van computermiddelen voor een efficiënte QUAD-kaartweergave;
- Lokale trajectplanning die rekening houdt met de directe omgeving en specifieke voertuigbeperkingen;
- LIDAR-gebaseerde obstakelvermijding;
- Autonoom achteruitrijden wanneer het voertuigtraject geblokkeerd wordt;
- Dynamische aanpassing van de maximumsnelheid bij het inhalen van obstakels en het herkennen van voetgangers;
- Semiautonome voertuigtrajecttracering op basis van energie-optimale & modelpredictieve controle.
De algoritmen kunnen op real-time geïntegreerde controllers ingezet en gevalideerd worden.
Onze unieke software
We gebruiken de volgende unieke software in dit proces:
- ‘Optimal Motion Generation’-’tools (OMG-tools – tools voor het genereren van optimale bewegingen)
- ‘Quad map virtual world toolbox’ (Quad map-toolbox voor het bouwen van virtuele wereldmodellen)
Getuigenis uit de praktijk
dotOcean heeft de definitieve versie van de “Quad map virtual world toolbox” in gebruik genomen.
De toolbox kan gebruikt worden om virtuele wereldmodellen te bouwen die als ‘quad maps’ weergegeven worden. Een quad map is gebaseerd op een ruimtelijke boomstructuur met een hoge resolutie in bezette gebieden en een lage resolutie in lege gebieden. Deze virtuele modellen:
- hebben een klein geheugen en kunnen dus snel over een cellulaire netwerkverbinding met beperkte bandbreedte verzonden worden;
- zijn modulair opgebouwd en kunnen gemakkelijk bijgewerkt worden zonder dat de volledige kaart opnieuw verzonden moet worden;
- kunnen ook gebruikt worden in combinatie met traditionele methoden voor trajectplanning zoals A*. Zo kan met een minimale rekenkracht, uitgaande van een reeds bestaande bezettingskaart, de snelste route om van A naar B te navigeren gevonden worden.
Probleem
Autonome boten moeten doorheen havens navigeren en hun traject aanpassen aan een dynamische, veranderende omgeving (boten, stromingen, waterdiepte, ...)
Oplossing
Een omgevingsrepresentatie op quad map-basis die op een efficiënte wijze grootschalige omgevingen in kaart brengt, maakt gebruik van de meest recente informatie over radar- en scheepsposities in de haven en maakt een efficiënte trajectplanning binnen de beschikbare ruimte mogelijk.
Toegevoegde waarde voor de klant
- Het is niet nodig om vaste trajecten aan te geven die de autonome boot moet volgen.
- Boten worden niet geblokkeerd door vaste obstakels.
- Tijd-optimale navigatietrajecten verbeteren de prestaties.
- Efficiënte implementatie voor gelimiteerde rekenplatforms.