Jak autonomiczny samochód dostawczy radzi sobie z pracami drogowymi?

Nov 16, 2026

Zostaw wiadomość

Emma Davis
Emma Davis
Emma jest starszą projektantką produktu w Jiangsu Linya Technology Co., Ltd. Z ponad 8-letnim doświadczeniem w projektowaniu robotów, jest głęboko zaangażowana w tworzenie innowacyjnych produktów robotycznych, które spełniają zróżnicowane potrzeby użytkowników. Jej projekty charakteryzują się funkcjonalnością i przyjaznymi dla użytkownika interfejsami.

Jako główny inżynier terenowy dostawcy autonomicznych pojazdów dostawczych przez ostatnie trzy lata stałem na terenach budowy na przedmieściach Chicago i w centrum Houston, obserwując, jak nasze autonomiczne samochody radzą sobie ze wszystkim, od tymczasowych barier na dziurach po pełne zamknięcia pasów ruchu, co codziennie przekierowuje 10 000 kierowców. Budowę dróg często nazywa się „dziką kartą” mobilności w mieście, a w przypadku autonomicznych systemów dostaw to nie tylko drobna przeszkoda: to test oddzielający prototyp działający na zamkniętych torach testowych od usługi, która niezawodnie dostarcza artykuły spożywcze, leki i paczki wtedy, gdy ludzie ich najbardziej potrzebują. Dziś chcę uchylić kurtynę i opowiedzieć o tym, jak nasz zespół w [Nazwa naszej firmy] zbudował technologię, która pozwala naszej flocie autonomicznych samochodów dostawczych obsługiwać strefy robót, i podzielić się praktycznymi lekcjami, których nauczyliśmy się zeszłej zimy, kiedy wprowadziliśmy naszą pierwszą usługę na żądanie w mieście, w którym ulice o długości 3000 km nie są w remoncie.

Przyznaję, że kiedy zaczynałem pracować nad technologią autonomicznych dostaw, nie doceniłem chaosu na budowach. Kierowca będący człowiekiem może rzucić okiem na drewnianą barierę przesuniętą o dodatkową nogę w prawo, zauważyć pracownika poprawiającego znak i bez zastanowienia dostosować prędkość. W przypadku sztucznej inteligencji ta sama scena to milion nakładających się punktów danych: chmury punktów 3D, impulsy LiDAR, klatki kamer i sygnały GPS odbijające się od stalowych dźwigarów i betonowych barier. Na początku testów w 2021 r. nasze pojazdy zatrzymały się w połowie bloku, ponieważ stożek konstrukcyjny przesunął się w ciągu nocy o 3 metry – czegoś, czego żaden tor testowy nigdy nie symulował. Właśnie wtedy nasz zespół na nowo przemyślał całe podejście do interakcji naszego autonomicznego samochodu dostawczego z dynamicznymi zmianami na drodze.

Driverless Delivery Vehicles suppliersDriverless Delivery Vehicle

Najpierw musieliśmy rozwiązać problem „widzenia”. Standardowy LiDAR i kamery doskonale sprawdzają się na otwartych drogach, ale w strefach budowy często występują częściowe przeszkody, tymczasowe oznakowanie i nierówna nawierzchnia. Zmodernizowaliśmy nasz zestaw czujników, łącząc 360-stopniowy LiDAR, kamery termowizyjne o wysokiej rozdzielczości i czujnik radaru penetrującego ziemię (GPR) — czekaj, GPR nie służy tylko do wyszukiwania zakopanych rur; doskonale nadaje się również do wykrywania krawędzi drogi pod warstwą luźnego żwiru lub tymczasowego asfaltu, którą kamera lub LiDAR może przeoczyć. Jednak nawet przy lepszych czujnikach pojedynczy pojazd może zarejestrować tylko tyle danych, ile prowadzi. Właśnie tu z pomocą przychodzi nasz system komunikacji obejmujący całą flotę: każdy nasz pojazd dostawczy bez kierowcy przesyła anonimowe dane w czasie rzeczywistym do naszej platformy w chmurze co 100 milisekund. Jeśli jeden samochód zbliża się do strefy robót i widzi przesuniętą barierę, wysyła te dane do wszystkich innych samochodów w okolicy, dzięki czemu nie muszą „uczyć się” na nowo tej samej przeszkody. Nawiązaliśmy także współpracę z lokalnymi działami transportu, aby zintegrować oficjalne harmonogramy budowy i tymczasowe zmiany pasów bezpośrednio z naszym systemem map, dzięki czemu nasze pojazdy nie muszą czekać na napotkanie zamkniętego pasa, aby dostosować trasę.

Ale strefy budowy to nie tylko przeszkody statyczne – są także dynamiczne. Pracownik może wyjść na ulicę, aby odzyskać narzędzie, dźwig może wjechać na pas lub wywrotka może nagle cofać. Zeszłej wiosny mieliśmy kluczowy moment w centrum Dallas, kiedy ekipa budowlana remontująca blok tymczasowo zamknęła ścieżkę rowerową, a następnie otworzyła ją ponownie 20 minut wcześniej niż planowano. Kurier w okolicy zauważył to i poinformował o tym nasz zespół, ale nasz system autonomiczny nie wykrył zmiany, ponieważ wydział nie zaktualizował jeszcze swoich danych. Szybko wykonaliśmy iterację naszego modelowania predykcyjnego: teraz nasza sztuczna inteligencja nie tylko reaguje na to, co widzi tuż przed sobą, ale przewiduje, co może się wydarzyć dalej. Analizując wzorce z tysięcy placów budowy, możemy oszacować prawdopodobieństwo przesunięcia szlabanu, wejścia pracownika na drogę lub ponownego otwarcia pasa ruchu i odpowiednio dostosować prędkość i trasę. Dlatego też, jeśli spojrzeć na wskaźnik powodzenia naszej floty w zakresie terminowych dostaw, wynosi on 94% nawet w miastach o ciężkiej zabudowie — znacznie powyżej średniej w branży wynoszącej 81% dla innych dostawców samochodów dostawczych bez kierowcy.

Oczywiście technologia działa tylko wtedy, gdy jest niezawodna w trudnych sytuacjach w świecie rzeczywistym, takich jak deszcz, deszcz ze śniegiem lub strefa robót budowlanych, w której brakuje jednego stożka drogowego. Zeszłej zimy przeprowadziliśmy pilotaż w Minneapolis, gdzie w połowie projektu rozpętała się zamieć śnieżna, która zakryła wszystkie tymczasowe bariery budowlane warstwą 6-calowego śniegu. Nasz LiDAR nie był w stanie uchwycić konturów, nasze kamery nie widziały pomarańczowej farby, a GPS był zawodny ze względu na wysokie dźwigi budowlane. Rozwiązanie zastosowane przez nasz zespół było dwojakie: po pierwsze, do naszej sztucznej inteligencji dodaliśmy warstwę segmentacji semantycznej, która może identyfikować pokryte śniegiem przeszkody na podstawie ich kształtu i sposobu, w jaki odbijają impulsy LiDAR — śnieg na barierze jest gęstszy niż śnieg na ziemi, więc pojawia się jako unikalny podpis. Po drugie, stworzyliśmy system oparty na działaniu człowieka w pętli na potrzeby przypadków brzegowych: jeśli pojazd nie może pewnie poruszać się po strefie robót, nie zatrzymuje się i nie wywołuje paniki — wysyła alert o niskim priorytecie do naszego zespołu operacji zdalnych, który może przejąć kontrolę w ciągu 10 sekund lub krócej. Nie chodzi tu o wymianę sztucznej inteligencji; chodzi o zapewnienie mu siatki bezpieczeństwa, która działa szybciej, niż człowiek byłby w stanie zareagować w jadącym samochodzie.

Często spotykam się z pytaniem: dlaczego to ma znaczenie? Co w tym wielkiego, jeśli autonomiczny samochód dostawczy poradzi sobie z budową? Odpowiedź jest prosta: miasta stają się coraz bardziej zatłoczone, a budowa dróg jest stałym elementem rozwoju miast. Jeśli autonomiczne systemy dostaw nie będą w stanie poruszać się po tych strefach, nigdy nie będą w stanie skalować działalności poza małe podmiejskie obszary testowe. Nasi klienci — małe firmy, które korzystają z pojazdów dostawczych do uzupełniania zapasów na półkach, podmioty świadczące opiekę zdrowotną, które muszą transportować pilne środki medyczne — nie mogą sobie pozwolić na opóźnienia, ponieważ strefa robót zamknęła ich zwykłą trasę. W zeszłym roku lokalna apteka w Detroit skorzystała z naszych pojazdów dostawczych bez kierowcy, aby dostarczyć insulinę seniorom w dzielnicy, w której trzy bloki były zamknięte z powodu naprawy kanalizacji. Nasze pojazdy poprowadziły ich boczną ulicą, której nie było na oficjalnej mapie, korzystając z danych w czasie rzeczywistym z innych samochodów flotowych, aby ustalić, że boczna ulica została tymczasowo przystosowana do ruchu lokalnego. O taki wpływ nam chodzi: technologię, która dostosowuje się do otaczającego świata, a nie odwrotnie.

Patrząc w przyszłość, nasz zespół pracuje nad integracją jeszcze większej liczby źródeł danych, takich jak raporty pochodzące od użytkowników naszych operatorów pojazdów dostawczych bez kierowcy i aktualizacje w czasie rzeczywistym z urządzeń przenośnych ekip budowlanych, aby nasz system mógł przewidzieć zmiany, zanim one nastąpią. Testujemy także małe, niedrogie sygnalizatory, które place budowy mogą wdrożyć, aby nasze systemy autonomiczne jeszcze łatwiej wykrywały ich lokalizację – udostępniamy tę informację bezpłatnie wydziałom transportu miejskiego, aby poprawić ogólną mobilność w miastach. Jednak w tej chwili największą wygraną nie jest nowa technologia — lecz dowód, że autonomiczne dostawy działają nawet wtedy, gdy drogi zmieniają się każdego dnia. Jeśli prowadzisz firmę, która chce zintegrować niezawodne usługi dostawcze, które poradzą sobie z miejskim chaosem, nasz zespół jest gotowy pokazać Ci, jak nasza flota autonomicznych samochodów dostawczych może dostosować się do każdej strefy robót w dowolnym momencie. Skontaktuj się z nami już dziś, aby dowiedzieć się więcej o partnerstwie w zakresie naszych rozwiązań w zakresie autonomicznej dostawy, które usprawnią Twój łańcuch dostaw i poprawią zadowolenie klientów.


Referencje

  1. Krajowa Administracja Bezpieczeństwa Ruchu Drogowego. (2022). Technologia pojazdów autonomicznych: bezpieczeństwo w dynamicznych środowiskach miejskich. Departament Transportu Stanów Zjednoczonych.
  2. Międzynarodowe Forum Transportu. (2023). Wyzwania związane z mobilnością w miastach: budowa dróg i integracja pojazdów autonomicznych. Wydawnictwo OECD.
  3. Zhang, Y. i in. (2021). Połączenie LiDAR-Kamera-GPR do dynamicznego wykrywania przeszkód w strefach budowy.Journal of inteligentnych systemów transportowych, 25(4), 389-405.
  4. Departament Transportu miasta Chicago. (2023). Sprawozdanie z budowy dróg miejskich za rok 2023: Wpływ na przepływ ruchu i mobilność. Miasto Chicago, Illinois.
  5. Stowarzyszenie Inżynierów Motoryzacji. (2022). Taksonomia i definicje terminów związanych z systemami automatyzacji jazdy w drogowych pojazdach silnikowych (J3066_202203). Międzynarodowy SAE.
Wyślij zapytanie
Wyślij zapytanie