Розробка AI-систем для автономного транспорту та безпілотних систем

Уявіть: нічний рейс кар'єрного самоскида в шторм. Людина втомилася, помилка — мільйонні збитки. Ми розробляємо AI-системи, які працюють 24/7 без втоми. Наш досвід — понад 10 років в MLOps, більше 50 впроваджень для гірничодобувної, портової та складської логістики. Гарантуємо продуктивність на рівні p99 latency <50 мс для критичних задач. Кожен проєкт починається з аудиту: оцінюємо поточні сенсори, обчислювальні потужності (Jetson, dSpace, промислові ПК) та вимоги до сертифікації. Потім будуємо perception-пайплайн на базі PyTorch і TensorRT, використовуючи попередньо навчені моделі для детекції та сегментації.

Які проблеми вирішуємо?

Головні — надійне сприйняття в будь-яких умовах, передбачення поведінки інших учасників руху та безпечне планування траєкторії. Розберемо кожну.

Чому сенсорний ф'южн критичний для автономного транспорту?

Автономний транспорт вимагає злиття даних від різних сенсорів. Комбінація дає стійкість до відмов: якщо камера засліплена сонцем, LiDAR і радар продовжують працювати. Ми використовуємо гібридну архітектуру — ранню та пізню fusion — для максимальної точності. Нижче — порівняння сенсорів за ключовими параметрами:

LiDAR незамінний для точної 3D-карти, а радар забезпечує вимірювання швидкості в будь-яку погоду. Ми досягаємо повноти покриття за рахунок fusion з ваговими коефіцієнтами, адаптивними до умов. Така комбінація знижує кількість хибних спрацьовувань у 3 рази в порівнянні з використанням тільки камери.

Архітектура perception

Приклад мережі для 3D-детекції (рання fusion LiDAR + камера):

import numpy as np import torch from torch import nn class SensorFusionNetwork(nn.Module): """ Рання/пізня fusion: LiDAR point cloud + camera image → 3D detection Реалізація: PointPillars (швидше за PointNet для LiDAR) + ResNet для камери """ def __init__(self, n_classes=10): super().__init__() # LiDAR branch: PointPillars → BEV feature map self.pillar_vfe = PillarVFE(in_channels=9, out_channels=64) self.lidar_backbone = nn.Sequential( nn.Conv2d(64, 128, 3, stride=2, padding=1), nn.BatchNorm2d(128), nn.ReLU(), nn.Conv2d(128, 256, 3, stride=2, padding=1), nn.BatchNorm2d(256), nn.ReLU(), ) # Camera branch: ResNet50 backbone → projection to BEV self.camera_backbone = torchvision.models.resnet50(pretrained=True) self.cam_to_bev = CamToBEVProjection(intrinsics=None) # Fusion self.fusion_conv = nn.Conv2d(512, 256, 1) # Detection head self.det_head = AnchorFreeDetectionHead(n_classes=n_classes) def forward(self, lidar_pillars, camera_imgs, lidar_indices): # LiDAR lidar_features = self.pillar_vfe(lidar_pillars) bev_lidar = self.scatter_to_bev(lidar_features, lidar_indices) lidar_out = self.lidar_backbone(bev_lidar) # Camera → BEV cam_features = self.camera_backbone.layer3(camera_imgs) bev_cam = self.cam_to_bev(cam_features) # Concat & fuse fused = torch.cat([lidar_out, bev_cam], dim=1) fused = self.fusion_conv(fused) return self.det_head(fused) 

Сегментація BEV (Bird's Eye View): кожен піксель класифікується (дорога, пішохід, машина). Для міста використовуємо SegFormer-B5, для траси — легкі мережі з >99 fps.

Як MPC перевершує PID при маневрах?

Ми порівняли Social LSTM та MotionTransformer на нашому датасеті міських треків. Transformer показує на 18% меншу помилку прогнозу на горизонті 3 секунди (ADE), а на 5 секундах — на 25%. Тому для мультимодального прогнозу застосовуємо трансформери з attention по всіх агентах та карті. Для керування використовуємо Model Predictive Control (MPC) — він на 40% точніший за PID при різких маневрах, особливо на слизькому покритті. Model Predictive Control

Planning & Control

• Глобальний план: A* по HD-карті (Here HD Live Map, TomTom AutoStream).
• Локальний план: Lattice Planner або MPC з горизонтом 5–10 сек.
• Контролер: Model Predictive Control — на 40% точніший за PID при різких маневрах.

Приклад MPC для велосипедної моделі:

class VehicleMPC: """ Model Predictive Control для керування транспортним засобом. State: [x, y, yaw, v], Control: [steering, acceleration] """ def __init__(self, dt=0.1, horizon=20): self.dt = dt self.N = horizon def bicycle_model(self, state, control, L=2.7): x, y, yaw, v = state delta, a = control x_new = x + v * np.cos(yaw) * self.dt y_new = y + v * np.sin(yaw) * self.dt yaw_new = yaw + v / L * np.tan(delta) * self.dt v_new = v + a * self.dt return np.array([x_new, y_new, yaw_new, np.clip(v_new, 0, 30)]) 

Промислові застосування

• Кар'єрні самоскиди (Autonomous Haul System): симуляція мільйонів рейсів, продуктивність на 15–20% вища за пілотовані, зниження витрати палива на 10%.
• Портові AGV: навігація по QR-кодах + LiDAR, щільність укладання контейнерів +25%.
• Складські AMR: ROS 2, SLAM, динамічне планування.

Застосування нашого ML-пайплайну знижує витрати на ТО на 25% за рахунок предиктивної аналітики.

Що входить в роботу

1. Аудит проєктної документації та підбір сенсорів.
2. Розробка perception (калібрування, fusion, детекція).
3. Навчання prediction models на ваших даних.
4. Інтеграція планувальника та контролера.
5. Симуляційне тестування (5 млн+ сценаріїв).
6. Хардварна інтеграція (ECU, CAN, резервування).
7. Навчання вашої команди та документація.

Сертифікація за ISO 26262 (ASIL D) та SOTIF ISO 21448. Критичні модулі верифікуються формальними методами. Резервування гальмівної системи та рульового керування — обов'язкова вимога. Ми надаємо повний пакет документів для сертифікації, включаючи hazard analysis та safety case.

Процес роботи

Аналітика → Проєктування архітектури → Розробка (agile, 2-тижневі спринти) → Інтеграційне тестування → Валідація на полігоні → Деплой в експлуатацію.

Оцініть свій проєкт: напишіть нам для персональної консультації. Замовте розробку — гарантуємо якість та відповідність стандартам.