एक स्वायत्त सफाई रोबोट (AV) नियमित संचालन के दौरान एक ट्रेन से टकरा गया। यह घटना, यांत्रिक विफलता होने से दूर, अवधारणा प्रणालियों में एक गंभीर कमजोरी को उजागर करती है। RoboGuide, CloudCompare और Blender के साथ 3D सिमुलेशन के माध्यम से किए गए बाद के विश्लेषण से पता चला कि ट्रेन के कांच की ज्यामिति ने LiDAR सेंसर में अवरोध उत्पन्न किया, जिससे नेविगेशन सॉफ्टवेयर जिन अंधे धब्बों का अनुमान नहीं लगा सका, वे बन गए।
कांच की ज्यामिति द्वारा LiDAR अवरोध का विश्लेषण 🚆
इंजीनियरिंग टीम ने ट्रेन और रोबोट का 3D मॉडल आयात करते हुए RoboGuide में परिदृश्य को फिर से बनाया। क्लाउड तुलना का उपयोग करके बिंदु बादल विश्लेषण के लिए, यह पता चला कि ट्रेन के घुमावदार कांच की सतहों पर LiDAR किरणों के आपतन कोण ने स्पेक्युलर प्रतिबिंब उत्पन्न किए। इससे महत्वपूर्ण क्षेत्रों, जैसे कि पार्श्व किनारों और पैनलों के जोड़ों में, छाया क्षेत्र या डेटा रिक्तियां उत्पन्न हुईं। Blender में, रोबोट के प्रक्षेपवक्र की कल्पना की गई और अवरोध मानचित्र को ओवरले किया गया, जिससे पुष्टि हुई कि सेंसर ने प्रभाव के समय बाधा की उपस्थिति दर्ज नहीं की। विफलता हार्डवेयर की नहीं, बल्कि पर्यावरण की ज्यामितीय व्याख्या की थी।
अंशांकन और मार्ग डिजाइन के लिए सबक 🤖
समाधान केवल अधिक सेंसर जोड़ने में नहीं है, बल्कि अंशांकन और मार्ग योजना पर पुनर्विचार करने में है। 3D सिमुलेशन इन अवरोध स्थितियों को दोहराने और दृश्य क्षेत्रों को समायोजित करने या अनावश्यक सत्यापन बिंदुओं को शामिल करने की अनुमति देता है। इस मामले में, सफाई प्रक्षेपवक्र को फिर से डिजाइन करने का प्रस्ताव दिया गया ताकि एक पूर्व पार्श्व स्कैन शामिल किया जा सके, और प्रतिबिंबों द्वारा झूठी सकारात्मकता को फ़िल्टर करने के लिए LiDAR को पुन: कैलिब्रेट किया जा सके। सबक स्पष्ट है: अत्यधिक परावर्तक सतहों वाले वातावरण में, टालने योग्य टकरावों से बचने के लिए कार्यान्वयन से पहले सिमुलेशन होना चाहिए।
जैसे 3D सिमुलेशन ने सफाई रोबोट में अंधे धब्बों की पहचान करने में मदद की जो LiDAR सेंसर ने नहीं पकड़े, यह मामला रेलवे स्वायत्त नेविगेशन प्रणालियों में संवेदी अतिरेक में सुधार के लिए क्या सबक प्रदान करता है?
(पी.एस.: रोबोट का अनुकरण करना मजेदार है, जब तक वे आपके आदेशों का पालन न करने का निर्णय नहीं लेते।)