Sinds november 2017 heeft Ibeo Automotive Systems uit Hamburg een dochteronderneming op de High Tech Campus. Deze startup modelleert de nieuwste generatie lidarsystemen van het moederbedrijf in volledig detail en integreert de modellen vervolgens in de Duitse toolchain. Hierbij krijgt Ibeo Automotive Eindhoven ondersteuning van Alten.
Ibeo Automotive Systems is een grote naam in automotive-lidar (light detecting and ranging). Het Hamburgse bedrijf vierde onlangs zijn twintigjarige bestaan en verwierf onder meer bekendheid met zijn deelname aan de Darpa Urban Challenge, een wedstrijd waarbij teams uit de hele wereld het tegen elkaar opnemen met zelfontwikkelde autonoom rijdende auto’s. Deze voertuigen moeten zelfstandig complexe verkeerssituaties het hoofd kunnen bieden binnen een stedelijke setting.
Verschillende Duitse A-merken gebruiken sensoren van Ibeo voor hun advanced driver assist systems (adas). Deze geavanceerde rij-ondersteuning heeft primair tot doel om auto’s veiliger te maken. Voorbeelden van adas-toepassingen zijn adaptieve cruisecontrol, automatisch remmen, blindehoekdetectie, collision avoidance en lane departure warning.
Solid-state lidar
Een lidarsysteem stuurt een lichtpuls uit (niet zichtbaar voor het menselijk oog) en meet vervolgens hoe lang het duurt voordat het de terugkomende reflectie detecteert. Uit de verstreken tijd is de afstand tot een object te bepalen. Door dit voldoende vaak zowel horizontaal als verticaal te doen, creëren Ibeo’s lidarsensoren een driedimensionale puntenwolk met een zeer hoge dichtheid en positienauwkeurigheid.
Zo’n puntenwolk wordt meerdere keren per seconde gegenereerd en vervolgens met zeer specialistische technieken gesegmenteerd tot objecten. Aan de hand van de reflectiviteitsmetingen kunnen we bijvoorbeeld iets meer zeggen over de aard van een object: denken we dat het een struik is of een auto? De trackinformatie kan helpen hier een uitspraak over te doen: als het object ons inhaalt met 100 km/u, dan was het wellicht toch geen struik. Trackinformatie genereren we door de tot objecten gesegmenteerde data over meerdere tijdsintervallen met elkaar te vergelijken, dit alles gecorrigeerd voor de eigenbeweging van de auto.
Device lifecycle management for fleets of IoT devices
Microchip gives insight on device management, what exactly is it, how to implement it and how to roll over the device management during the roll out phase when the products are in the field. Read more. .
De oudere Ibeo-sensoren tasten de omgeving in horizontale en verticale richting af met een roterende spiegel. Hamburg werkt nu aan een solid-state lidarsensor, de Next. Om het licht af te buigen, gebruikt deze een lens, met daaronder een array van laserleds als lichtbron. Aan de ontvangende kant gebeurt het omgekeerde: een lens verzamelt de terugkomende pulsen en bundelt deze op een detector. De embedded signaalverwerking is complex en vergt veel rekenkracht.
Daarnaast ontwikkelt Ibeo Hamburg lidarapplicaties die de wereld om ons heen inscannen om zogeheten ground truth data te verkrijgen. Met behulp van deze data zijn andersoortige sensoren zoals camera’s en radars weer te benchmarken. Een ander aandachtsgebied van Ibeo is plaatsbepaling van een voertuig ten opzichte van zijn omgeving. Door die omgeving te scannen en te vergelijken met gedetailleerde kaartdata kunnen we de eigen positie vaststellen met een voor autonoom rijden benodigde nauwkeurigheid; met de huidige gps-systemen alleen lukt dat zeker niet.
Grand Theft Auto
Dochter Ibeo Automotive Eindhoven heeft twee hoofdactiviteiten: physics based modelling en toolchainondersteuning. Binnen de eerste activiteit werkt een aantal specialisten in elektronica, fysica, optica en ray-tracing, onder meer van Alten, aan sensormodellen. Naast modellen van de elektronische en optische frontends zitten daar wiskundige beschrijvingen in van hoe licht zich voortplant door de wereld en interacteert met aanwezige objecten zoals auto’s, voetgangers, vegetatie en het wegdek. Daarnaast houden we rekening met de interferentie met andere lichtbronnen – de zon, straatlantaarns, maar ook andermans lidarsystemen – en met typische verstoringen door mist, regen en sneeuw.
Abstractere varianten van deze sensormodellen past Ibeo Hamburg al toe om de signaalverwerkingsalgoritmes te testen en verder te verbeteren. Met de simulaties die wij nu in Eindhoven aan het ontwikkelen zijn, mikken we echter hoger: op optimalisatie op systeemniveau. Behalve van Ibeo’s lidarsensoren hebben we daarvoor modellen nodig van camera- en radargebaseerde systemen en expertise in aangrenzende fysische domeinen – we zijn druk bezig om hiervoor mensen aan te werven.
Binnen de toolchainondersteuning werken we, weer met hulp van Alten, aan de implementatie van de sensormodellen in zogeheten virtual test drive-simulatiepakketten. À la de bekende computergame Grand Theft Auto kunnen gebruikers hiermee een wereld samenstellen waarin een auto naar keuze kan rondrijden met sensoren naar keuze, daarbij sensordata genererend. De pakketten bieden veelal een zware userinterface om bijvoorbeeld wegen te bouwen uit losse wegdekelementen, functionaliteit om parameters van de voertuigdynamica te wijzigen en een sterke visualisatie om heel precies weer te kunnen geven wat er in de simulatie gebeurt.
De commercieel verkrijgbare virtual test drive-pakketten schieten helaas nogal tekort bij gebruik voor fysicagebaseerde simulaties. In Eindhoven werken we aan work-arounds om deze beperkingen op te heffen. Als dat niet lukt, zullen we zelf een omgeving gaan ontwikkelen voor virtuele validatie, ofwel in de vorm van een clusteroplossing om de vele scenario’s die er zijn te kunnen afspelen en resultaten te kunnen onderzoeken, ofwel in de vorm van een hardware-in-the-loop-opstelling die bijvoorbeeld een stuk hardware met track-and-trace-algoritmes onderwerpt aan een virtuele testrit.
Scenario’s doorfluiten
De huidige validatiesystemen bestaan uit clusters van high-performance pc’s die miljoenen kilometers en duizenden scenario’s doorfluiten. Virtueel, omdat er gewoonweg te veel mogelijke combinaties van onafhankelijke parameters zijn die de performance van een detectiesysteem kunnen beïnvloeden. Veel parameters zijn sowieso niet gemakkelijk te variëren tijdens een testrit in de echte wereld. Denk aan de positie en snelheid van het omringende verkeer, de stand van de zon of het moment waarop een voetganger gaat oversteken. En sommige scenario’s zijn juist beter niet te testen in het echt omdat ze tot onveilige situaties leiden.
Proefritten op de weg houden echter hun waarde. Simulaties blijven altijd een versimpeling van de werkelijkheid. Hun grote voordeel is dat ze veel gerichter fouten boven water kunnen brengen dan het spreekwoordelijke ‘rondje om de kerk’.