Translated from English to Vietnamese - www.onlinedoctranslator.

com

công nghệ
Bài báo

Mô hình chức năng của hệ thống điều khiển ô tô tự lái

Kirill Sviatov *, Nadejda Yarushkina, Daniil Kanin, Ivan Rubtcov, Roman Jitkov, Vladislav Mikhailov và
Pavel Kanin

Khoa Hệ thống Thông tin và Công nghệ, Đại học Kỹ thuật Bang Ulyanovsk, Severny Venetc, 32, 432027
Ulyanovsk, Nga; jng@ulstu.ru (NY); dan-kan@mail.ru (DK); ria0294@mail.ru (IR); roman73zh@gmail.com (RJ);
vmixoks@gmail.com (VM); kanin.pavel@mail.ru (PK)
* Thư từ: k.svyatov@ulstu.ru

Trừu tượng:Bài báo mô tả mô hình cấu trúc và chức năng của hệ thống điều khiển ô tô tự lái, tạo ra một loạt các bài toán. Hiện nay, các hệ thống điều khiển cho ô tô tự lái được xem xét ở nhiều cấp độ trừu tượng và thực hiện: Cơ học, điện

tử, cảm nhận, nhận dạng cảnh, điều khiển, bảo mật, tích hợp tất cả các hệ thống con thành một hệ thống vững chắc. Nghiên cứu hiện đại thường xem xét các vấn đề cụ thể cần được giải quyết cho từng cấp độ riêng biệt. Trong bài báo này,

mô hình tham số tích hợp các thành phần riêng lẻ thành một hệ thống điều khiển phức tạp cho ô tô tự lái được xem xét. Mô hình như vậy đơn giản hóa việc thiết kế và phát triển hệ thống điều khiển tự lái với các công cụ tự động hóa có thể

cấu hình, có tính đến các chi tiết cụ thể của bài toán giải. Mô hình tham số hóa có thể được sử dụng để thiết kế CAD trong lĩnh vực phát triển xe tự lái. Một chu trình phát triển đầy đủ của hệ thống điều khiển cho xe tải tự lái đã được thực

hiện, được thực hiện trong cuộc thi “Robocross 2021”. Giải pháp phần mềm đã được thử nghiệm trên hơn 40 lần ra mắt xe tải tự lái. Tham số hóa giúp tăng tốc độ phát triển của hệ thống điều khiển, tính bằng giờ công, gấp 1,5 lần so với

kinh nghiệm của các tác giả của bài báo đã tham gia cuộc thi tương tự vào năm 2018 và 2019. Tham số hóa đề xuất được sử dụng trong sự phát triển của các phần tử CAD riêng lẻ được mô tả trong bài viết này. Ngoài ra, việc thực hiện các

mô-đun và chức năng cụ thể là một lĩnh vực để nghiên cứu thử nghiệm. Một chu trình phát triển đầy đủ của hệ thống điều khiển cho xe tải tự lái đã được thực hiện, được thực hiện trong cuộc thi “Robocross 2021”. Giải pháp phần mềm đã

được thử nghiệm trên hơn 40 lần ra mắt xe tải tự lái. Tham số hóa giúp tăng tốc độ phát triển của hệ thống điều khiển, tính bằng giờ công, gấp 1,5 lần so với kinh nghiệm của các tác giả của bài báo đã tham gia cuộc thi tương tự vào năm

2018 và 2019. Tham số hóa đề xuất được sử dụng trong sự phát triển của các phần tử CAD riêng lẻ được mô tả trong bài viết này. Ngoài ra, việc thực hiện các mô-đun và chức năng cụ thể là một lĩnh vực để nghiên cứu thử nghiệm. Một chu

trình phát triển đầy đủ của hệ thống điều khiển cho xe tải tự lái đã được thực hiện, được thực hiện trong cuộc thi “Robocross 2021”. Giải pháp phần mềm đã được thử nghiệm trên hơn 40 lần ra mắt xe tải tự lái. Tham số hóa giúp tăng tốc độ

phát triển của hệ thống điều khiển, tính bằng giờ công, gấp 1,5 lần so với kinh nghiệm của các tác giả của bài báo đã tham gia cuộc thi tương tự vào năm 2018 và 2019. Tham số hóa đề xuất được sử dụng trong sự phát triển của các phần tử
----
--- CAD riêng lẻ được mô tả trong bài viết này. Ngoài ra, việc thực hiện các mô-đun và chức năng cụ thể là một lĩnh vực để nghiên cứu thử nghiệm. Giải pháp phần mềm đã được thử nghiệm trên hơn 40 lần ra mắt xe tải tự lái. Tham số hóa giúp

tăng tốc độ phát triển của hệ thống điều khiển, tính bằng giờ công, gấp 1,5 lần so với kinh nghiệm của các tác giả của bài báo đã tham gia cuộc thi tương tự vào năm 2018 và 2019. Tham số hóa đề xuất được sử dụng trong sự phát triển của
Trích dẫn:Sviatov, K .; Yarushkina, N.;
các phần tử CAD riêng lẻ được mô tả trong bài viết này. Ngoài ra, việc thực hiện các mô-đun và chức năng cụ thể là một lĩnh vực để nghiên cứu thử nghiệm. Giải pháp phần mềm đã được thử nghiệm trên hơn 40 lần ra mắt xe tải tự lái. Tham
Kanin, D.; Rubtcov, tôi; Jitkov, R.;
số hóa giúp tăng tốc độ phát triển của hệ thống điều khiển, tính bằng giờ công, gấp 1,5 lần so với kinh nghiệm của các tác giả của bài báo đã tham gia cuộc thi tương tự vào năm 2018 và 2019. Tham số hóa đề xuất được sử dụng trong sự
Mikhailov, V.; Kanin, P. Mô hình chức
năng của hệ thống điều khiển ô tô tự lái. phát triển của các phần tử CAD riêng lẻ được mô tả trong bài viết này. Ngoài ra, việc thực hiện các mô-đun và chức năng cụ thể là một lĩnh vực để nghiên cứu thử nghiệm. Tham số hóa được đề xuất đã được sử dụng để phát triển các phần

Công nghệNăm 2021,9, 100. https:// tử CAD riêng lẻ được mô tả trong bài viết này. Ngoài ra, việc thực hiện các mô-đun và chức năng cụ thể là một lĩnh vực để nghiên cứu thử nghiệm. Tham số hóa được đề xuất đã được sử dụng để phát triển các phần tử CAD riêng lẻ được mô tả trong bài viết này. N

doi.org/10.3390/
công nghệ9040100 Từ khóa:xe tự lái; nhận dạng cảnh trực quan; học kĩ càng; máy tính hỗ trợ thiết kế

Biên tập viên học thuật: Vijayakumar

Varadarajan

1. Giới thiệu
Ngày nhận: ngày 2 tháng 11 năm 2021
Hiện nay, thị trường xe ô tô tự lái đang phát triển tích cực [1], và có thể đạt giá trị 1600 tỷ đô
Được chấp nhận: ngày 7 tháng 12 năm
la vào năm 2030 [2] và 7 nghìn tỷ đô la vào năm 2050 [3].
2021 Xuất bản: ngày 10 tháng 12 năm 2021
Ngành công nghiệp ô tô đang đối mặt với khoảng cách ngày càng rộng và không bền vững
giữa mức độ phức tạp của phần mềm và năng suất [4]. Cách duy nhất để giải quyết sự phức tạp là
Ghi chú của nhà xuất bản:MDPI giữ thái độ trung
tự động hóa việc thiết kế ô tô tự lái bằng cách sử dụng phương pháp Kỹ thuật hệ thống dựa trên
lập đối với các tuyên bố về quyền tài phán trong
mô hình với công cụ thích hợp dưới dạng thiết kế có sự hỗ trợ của máy tính, mô phỏng và đánh giá
các bản đồ đã xuất bản và các tổ chức liên kết.
các chỉ số chất lượng của giải pháp. phát triển [5].
Có những nghiên cứu trong đó chức năng điều khiển được coi như một giải pháp đầu
cuối [4] được triển khai với mạng nơ-ron sâu bằng cách sử dụng học tăng cường. Cách tiếp
cận này có một nhược điểm đáng kể — nó có tính năng giải thích thấp trong việc ra quyết
định [6]. Đây là một khía cạnh rất quan trọng của việc phát triển hệ thống điều khiển xe tự
Bản quyền:© 2021 bởi các tác giả. Đơn
hành, bởi vì mọi người phải hiểu các tiêu chí để đưa ra quyết định về giao thông và đồng ý với
vị được cấp phép MDPI, Basel, Thụy Sĩ.
chúng, và khi phân tích một vụ tai nạn, điều quan trọng là phải tìm ra nguyên nhân của tai
Bài viết này là một bài viết truy cập mở
nạn [7].
được phân phối theo các điều khoản và
điều kiện của giấy phép Creative
Một giải pháp end-to-end [số 8] cũng có vẻ khó xảy ra do sự phức tạp của vấn đề đang được
Commons Attribution (CC BY) (https: //
giải quyết và hiệu suất thấp của các hệ thống máy tính hiện có thể được sử dụng trên bo mạch,
creativecommons.org/licenses/by/ cũng như xu hướng trang bị quá mức của mạng nơ-ron.
4.0/).

TechnologiesNăm 2021,9, 100. https://doi.org/10.3390/technologies9040100 https://www.mdpi.com/journal/technologies

Công nghệNăm 2021,9, 100 2 trên 11

Cách tiếp cận cổ điển [6] liên quan đến việc tạo ra một hệ thống điều khiển dựa trên điều
khiển luồng dữ liệu với phản hồi. Cách tiếp cận này [9] thậm chí còn khó thực hiện hơn, nhưng dữ
liệu được tạo ra ở mỗi giai đoạn xử lý có thể được giải thích. Đồng thời, việc xử lý dữ liệu trong một
số khối được thực hiện bằng cách sử dụng mạng nơ-ron học sâu [10]. Bài viết này mô tả một mô
hình chức năng của hệ thống điều khiển, được phát triển theo phương pháp cổ điển. Đặc điểm kỹ
thuật của các tham số của mỗi khối chức năng được coi là tính mới về mặt khoa học, cũng như mô
hình chức năng cấp cao của hệ thống điều khiển, trong đó mỗi khối được coi là một hàm trừu
tượng, điều này làm cho nó có thể sử dụng kết quả nghiên cứu để tạo ra một hệ thống CAD thiết
kế phương tiện không người lái: Việc thực hiện một chức năng trừu tượng có thể được thực hiện
theo một số cách để hình thành một thư viện các mô-đun phần mềm.

Từ quan điểm của hệ thống điều khiển của ô tô tự lái, một số cấp độ của một tổ chức
chức năng được đề xuất [6]: cảm nhận, nhận thức môi trường, lập bản đồ môi trường, lập kế
hoạch chuyển động, ra quyết định và hành động.
Các yêu cầu khác nhau về nhận thức, nhận dạng các loại đối tượng cảnh đường khác
nhau, kích thước rô bốt, cơ chế rô bốt và chế độ lái [7], về khả năng ra quyết định về kế hoạch
chuyển động, tốc độ ra quyết định, cũng như về thiết bị được sử dụng ở cấp độ cảm quan [11
]. Các yêu cầu tạo ra nhiều đặc điểm kỹ thuật thiết kế, việc thực hiện chúng là một quá trình
tốn nhiều công sức. Quá trình này có thể được tự động hóa.
Luồng xử lý dữ liệu có một đặc thù: Cách xử lý dữ liệu trong mỗi mô-đun phụ thuộc vào tính
đặc thù của việc xử lý dữ liệu ở các giai đoạn trước. Do đó, một khía cạnh quan trọng trong việc
phát triển các mô-đun là kiểm tra giải pháp trong một vòng lặp duy nhất của hệ thống nhận dạng
và điều khiển, điều này tạo ra nhu cầu về các thí nghiệm tốn kém khi nói đến một chiếc ô tô thực
sự.
Toàn bộ hệ thống phải được sử dụng để kiểm tra từng mô-đun. Một cách tốt để tạo mẫu
nhanh là sử dụng môi trường mô phỏng cho ô tô tự lái [12]: Tiểu đình [13], Trình mô phỏng Carla [
14], Webots [15], NVIDIA DRIVE Sim [16], CarSim [17], MATLAB / Simulink với Hộp công cụ lái xe tự
động [18], Quét trước [19] và LGSVL [20]. Việc sử dụng trình mô phỏng cho phép giải quyết vấn đề
quan trọng là đánh giá (thử nghiệm) các hệ thống con tự động hóa thiết kế ở các cấp độ kiến trúc
khác nhau, có tính đến thực tế là sự thay đổi trong mỗi khối chức năng có thể dẫn đến nhu cầu
thay đổi cho các khối chức năng tiếp theo.
Sự thay đổi của các thông số kỹ thuật do các yêu cầu kỹ thuật khác nhau đối với ô tô tự lái
được thiết kế cho thấy sự cần thiết phải tạo ra một hệ thống CAD, để tạo ra hệ thống này cần phải
xác định rõ các mô-đun thiết kế, các thông số đầu vào và đầu ra của các mô-đun được chuyển giao.
từ cấp độ này sang cấp độ khác, cũng như các phụ thuộc chức năng của các mô-đun với nhau. Bài
báo này mô tả một mô hình của hệ thống điều khiển ô tô tự lái được sử dụng để tạo và tạo mẫu hệ
thống điều khiển trong môi trường mô phỏng và một chiếc ô tô thực tế.

Nghiên cứu dựa trên phương pháp phát triển theo hướng mô hình, dựa trên các
mô hình học máy trong lĩnh vực nhận thức, các mô hình cơ sở tri thức trong lĩnh vực hệ
thống con ra quyết định, các mô hình lập trình không đồng bộ trong lĩnh vực hệ thống
điều khiển, cũng như như các khuôn khổ. Mô hình, được thể hiện dưới dạng lập trình
hướng đối tượng, để triển khai theo chương trình của tất cả các API và chức năng. Các
kết quả được đánh giá cho từng mô-đun riêng biệt. Mục đích của bài báo là thiết kế, mô
hình hóa và phát triển một hệ thống điều khiển, cũng như tham số hóa và làm nổi bật
các chức năng chung nhằm mục đích phát triển thêm hệ thống CAD cho sự phát triển
của ô tô tự lái. Việc đánh giá được thực hiện dựa trên việc giảm chi phí lao động của dự
án trong việc thiết kế ba hệ thống kiểm soát:

Đóng góp ban đầu của bài báo nằm ở việc chính thức hóa và đặc tả quy trình xử lý dữ liệu hoàn
chỉnh của một chiếc xe không người lái. Mô hình được trình bày được sử dụng để thiết kế giao diện phần
mềm của các khối chức năng của hệ thống điều khiển và cũng có thể được sử dụng làm cơ sở cho hệ
thống CAD vì các thành phần CAD khác nhau cần các giao thức dữ liệu thống nhất trong
Công nghệNăm 2021,9, 100 3 trên 11

điều khoản thiết kế thư viện các giải pháp điển hình, được mô tả trong một số phần của bài
báo.

2. Mô hình chức năng được tham số hóa của hệ thống điều khiển

Một chiếc xe tải dựa trên nền tảng GAZelle Next đã được sử dụng như một chiếc xe tự
lái mục tiêu. Chiếc xe này có hộp số tay và hệ thống lái trợ lực thủy lực. Mô hình cấu trúc và
chức năng của hệ thống điều khiển được thể hiện trong Hình1. Để robot hóa bộ truyền động,
một cơ cấu sang số với hai bộ truyền động tuyến tính đã được phát triển. Bộ truyền động
tuyến tính cũng được lắp đặt trên bàn đạp phanh và ly hợp, đồng thời tín hiệu PWM (điều chế
độ rộng xung) được tạo ra cho bàn đạp ga. Đối với hệ thống lái, một tay lái trợ lực điện đã
được lắp đặt, trong đó một bảng điện tử đã được phát triển cho phép mô phỏng tín hiệu từ
các thanh xoắn, truyền động cơ điện, làm quay trục lái theo hướng mong muốn. Tất cả các
động cơ và bo mạch được điều khiển thông qua bus CAN, nơi các tín hiệu điều khiển được
truyền đến (khối i trên Hình1):

Cs= (Br,Tr,Thr,Cl,St) (1)

Cs- tín hiệu điều khiển cho bộ điều khiển ô tô,Br—Giá trị cho một phanh,Thr—Giá trị cho một van
tiết lưu, Cl—Giá trị cho một ly hợp,St- góc mục tiêu cho bánh xe,Tr—Giá trị cho một số truyền.

Hình 1.Mô hình cấu tạo và chức năng của hệ thống điều khiển ô tô tự lái.

Chức năng điều khiển xe tự lái như sau (khối h trên Hình1):

Cst=điều khiển(Twt) (2)

Công nghệNăm 2021,9, 100 4 trên 11

Tw—Là một bộ đặc trưng cho các thông số chuyển động của xe.một- gia tốc mục tiêu, α -
vận tốc góc mong muốn.
Đồng thời, chức năng điều khiển kiểm tra trạng thái hiện tại của xe, khả năng thiết lập các giá
trị mục tiêu và tạo ra các hành động điều khiển cụ thể cho bộ điều khiển động cơ và các mô-đun
điều khiển.
Mô hình cấu trúc và chức năng của hệ thống điều khiển ô tô tự lái có thể được biểu
diễn như sau (Hình1).
Dữ liệu và các biểu thức sau đây nhằm mục đích sử dụng làm thông số kỹ thuật
được chính thức hóa khi tạo mô hình hành vi (bắt chước) cho hoạt động của ô tô tự lái.
Việc sử dụng đặc tả của mạng máy trừu tượng giúp đơn giản hóa việc triển khai thêm
một mô hình hành vi thông minh của hệ thống sự kiện rời rạc dựa trên các ngôn ngữ lập
trình đã biết.
Thế hệmộtgiá trị là một nhiệm vụ của việc ra quyết định liên tục (khối f trên Hình1)
và lập kế hoạch chuyển động (khối g trên Hình1) mô-đun cho xe (tức là tạo ra một chuỗi
các gia tốc mong muốnmột0= (một(t=0),một(t=1),một(t=2),···), ví dụ, để đi qua một giao
lộ không được đánh dấu có bố trí tùy ý và có nhiều người tham gia giao thông khác với ý
định không xác định.
Lập kế hoạch đường dẫn (khối c trên Hình1) được thực hiện trong hai giai đoạn [21]. Trong phần
đầu tiên, đường đi của xer0phải không có va chạm với các chướng ngại vật tĩnh và được tạo ra bởi người
lập kế hoạch đường đi hoặc được cung cấp bởi hình dạng của con đường trên bản đồ nhất định. Ở giai
đoạn thứ hai, vận tốc tuyến tính được lập kế hoạch dọc theor0. Thực hành này được gọi trong tài liệu [22]
phân rã vận tốc đường dẫn và giảm vấn đề thành vấn đề quy hoạch quỹ đạo trong không gian một chiều.

Môi trường (khối d trên Hình1) chứa một tập hợp các tác nhânMột=Một0,···,MộtKvới K∈N, ở
đâuMột0—Xe mục tiêu với hệ thống điều khiển được thiết kế. Mọi đại lý khácMộtk, vớik∈ {1,···,K}có
một tập hợp các giả thuyết về con đường trong tương lai. Đường đi của xe,r(0), và tất cả
các tác nhân khác đường dẫn hy {potheses được xác định trong bản đồ cấu trúc liên kếtR=r(0),r(1)
} , · · · , r(Tôi),
vớiTôi∈N0r (tôi) =qtôi, 0qtôi, 1,···,qtôi,J−1qtôi,J vìtôi∈0,···,Tôi,j∈0,···,JvàJ∈N0, và
qtôi,j∈R2là vị trí của điểm tham chiếujcủa tuyến đườngtôi. Mọi đại lýMộtkđược ánh xạ vào một con đường
tương ứngrk:Mộtk→r∈Rtrên đó nó di chuyển với vận tốcvk(t)∈[0,vtối đa]trong thời giant∈[0,∞).Mọi con
đường đều có một tập hợp các giả thuyết về con đường sauM(tôi), vớiM(tôi)=thành công(r(tôi)).
A (na∣ge) nt truyền từ con đường hiện tại sang con đường tiếp theo của nó,r′ k, với xác suất chưa biết
P r′∣krk.
Một chức năng giao nhau giữa hai tuyến đườngc(ri,rj)được định nghĩa là
{
( ) r∩r6
1, nếutôi j =∅
crtôi,rj= , ∀tôi,j∈ {0,···,TÔI},tôi6=j (3)
0, ngược lại

Tính đến sự không chắc chắn trong chuyển động của các phương tiện khác, xe tự
hành phải liên tục chọn gia tốc tối ưumột∗để tối đa hóa phần thưởng tích lũy dự kiến
trong tương lai.
[ ]
∞
một∗: =argmaxE∑γtRt+1| a(t=0) (4)
một(t= 0) t= 0

Phần thưởng này phải tỷ lệ nghịch với thời gian băng qua giao lộ, tổng gia tốc và độ
lệch tốc độ so với đường cong, và tốc độ ban đầu dựa trên quy luật đường đi, có tính
đến gia tốc hạn chế có thể xảy ra và tránh va chạm. Có một số phương pháp lập kế
hoạch đường đi, hứa hẹn nhất là LQR [23], ILQR [24], cũng như các thuật toán dựa trên
các quy tắc suy luận. Các thuật toán như vậy phải dựa trên các quy tắc của đường. Bởi vì
việc triển khai một cơ sở tri thức (khối f trên Hình1) của các quy tắc như vậy là một quá
trình tốn nhiều công sức, sau đó phát triển hệ thống chuyên gia với ngôn ngữ nội bộ để
mô tả các quy tắc đầy hứa hẹn [25].

Twt=MotionPlanning (Mnt,Sct) (5)

Công nghệNăm 2021,9, 100 5 trên 11

Mn—Cách điều khiển rõ nhất xác định nhiệm vụ di chuyển địa phương hiện tại sẽ được thực hiện bởi phương tiện, Sc—
Cảnh hiện tại.
- -
- Đi theo làn đường, Rẽ trái, Quay -
Mnt∈ phải, Phía trước, Đỗ xe, Đảo chiều, (6)
- -
Dừng khẩn cấp, Vòng xoay

Mnt=GISLocalPlanner (carPositionStatet, Pt) (7)

Hàm GISLocalPlanner (khối c trên Hình1) chọn cách điều động cục bộ gần nhất để đi theo con
đường đã định. Nhiệm vụ này được giải quyết trong các hệ thống GIS như Yandex Maps, Google Maps,
OpenStreetMap và cho phép bạn lái ô tô với sự thay đổi chế độ. Các hệ thống GIS hiện đại không cung
cấp quyền truy cập vào các bản đồ có độ chính xác cao, nhưng có nhiều dịch vụ đã giải quyết vấn đề này
cho việc tự lái (TomTom [26], DeepMap (Nvidia [21]), Ushr [27], và những người khác). Phương pháp này
dựa trên việc sử dụng các API mở của các dịch vụ bản đồ được chỉ định.
Sct—Là mô tả cảnh hiện tại, được xác định dựa trên phân tích dữ liệu từ các cảm biến. Hiểu
cảnh (khối c trên Hình1) là một trong những thách thức quan trọng trong thiết kế xe tự lái. Trong
nhiệm vụ này, điều cực kỳ quan trọng là phải xây dựng một số mức độ trừu tượng trong phân rã
cảnh, từ dữ liệu cảm biến thô đến mức độ trừu tượng cao bằng cách sử dụng các mô hình hành vi
và tĩnh phức tạp. Nói chung, cảnh có thể được biểu diễn dưới dạng một tập hợp các giá trị:

Sct= (Mộtt,mt,Rst,Rdt,Tlst) (số 8)

Một—Các chất,

Một={MỘT0,···,MộtK}vớiK∈N,Mộtk,t= (vĩ độk,t,kinh độk,t,Cbk,t)

Cb—Lớp cho một đặc điểm hành vi của các tác nhân [28]. Nó có một trong các giá trị
sau:
"xe vượt từ trái", "xe vượt từ phải",
"xe chạy sang trái", "xe chạy từ xa
sang phải", "xe chạy từ trái", "xe
chạy từ phải", "xe chạy song song ở
bên trái "," xe chạy song song ở bên
phải "," xe tăng tốc thẳng "," xe
giảm tốc thẳng "," xe chạy thẳng
đều "," xe đang dừng ",

'đi (cưỡi) đi và đến gần hơn', 'đi (cưỡi) lên

và đến gần hơn', 'đi xa và xa hơn',

'người đi bộ (người lái) băng qua chậm từ bên phải',

'người đi bộ (người lái) băng qua chậm từ bên trái', 'người
đi bộ sang đường nhanh từ bên phải', 'người đi bộ băng
qua nhanh từ bên trái', 'người đi bộ (người lái xe) đang
dừng lại',
'những người khác (xe cộ, người đi bộ, người đi xe đạp)'

mtlà một lưới sử dụng hai chiều được tạo ra bởi mô-đun SLAM (khối b trên Hình1),
nó đại diện cho một lưới chi tiết trên không gian liên tục của các vị trí trong môi trường.
Ptôi,j,tđại diện cho xác suất ô có chỉ mục (tôi,j)bị chiếm đóng. Để choz1:t
là tập hợp các phép đo từ thời điểm 1 đếnt, vàx1:tlà tập hợp các tư thế robot từ thời điểm 1 đến
tSau đó, hậu quả của một bản đồ được ước lượng bằng cách tính nó vào
(∣ )
∣
P(mtôi| z1:t,x1:t) =∏buổi chiều(tôi)∣z1:t,x1:t (9)
tôi
Công nghệNăm 2021,9, 100 6 của 11

( )
Mỗi phép đo là một dữ liệu thu được từ lidar.ztôi= dtôi,j,j= [1, V] chùm lidar
số lên đến góc nhìnV,dtôi,j= [0,∞) -khoảng cách từ xe đến chướng ngại vật cho mỗi chùm
tia.
Công nghệ đầy hứa hẹn là một phương pháp hợp [29] cho phép sử dụng đồng thời dữ liệu từ
lidar và camera.
( )
ztôi=dtôi,j,ctôi,j (10)
ctôi,j∈ {0,···,S}, S là một số lớp phân đoạn. các lớp ngữ Hiện tại, chúng tôi nhận ra
nghĩa sau:
0 — Đường
1 — Xe hơi

2 — Xe tải
3 — Người đi bộ
4 — Xe đạp
5 — Xe máy
6 — Biển báo đường bộ

7 — Công tắc đèn đường

8 — Vỉa hè
Các loại 1–5 là các tác nhân có hành vi cụ thể, 6, 7 ảnh hưởng đến việc ra quyết định khi lái xe,
và 0 được sử dụng để điều khiển xe trong khi di chuyển.
Định nghĩa chính thức cổ điển được chấp nhận rộng rãi về phân đoạn hình ảnh như sau.
NếuP(o) là một vị từ đồng nhất được xác định trên các nhóm pixel được kết nối, {n the segmen } -
tation là một phân vùng của tập hợpTôivào các thành phần hoặc vùng được kết nốiC= C1,···,CN,
như vậy mà
⋃N
Ctôivới Ctôi∪Cj=∅,∀tôi6=j (11)
tôi= 1
( )
Vị từ đồng nhấtP(Ctôi)đúng cho tất cả các vùngCtôivàmáy tínhtôi∪Cj là sai khi
tôi6=jvà bộCtôivàCjlà hàng xóm của nhau. Kết quả của mô-đun phân đoạn là hình ảnh có
cùng kích thước với hình ảnh gốc trong đó mỗi pixel được gắn nhãn với lớp ngữ nghĩa được
mô tả trước đó. Phân đoạn ngữ nghĩa được thực hiện với mạng tích hợp sâu U-Net với các
mô hình chú ý.
Mặt nạ phân đoạn này có thể được sử dụng để tạo bản đồ và phân tích hành vi của
các tác nhân (nhận dạng sự kiện tương tác và dự đoán ý định [30]):

Mộtt=AgentsRecognition (Ct) (12)

Rst=TrafficSignRecognition (Ct) (13)

Rdt=RoadBoundariesRecognition (Ct) (14)
Tlst=TrafficLightSwitchRecognition (Ct) (15)
Các mô-đun nhận dạng bổ sung sử dụng kết quả của phân đoạn ngữ nghĩa và thực
hiện nhiệm vụ phân loại với mạng nơ-ron tích tụ:
Rstlà một mô-đun nhận dạng biển báo giao thông cho phép nhận ra hơn 100 lớp
biển báo [31]. Nó sử dụng mạng nơ-ron phức hợp và tập dữ liệu mở.
Tlstlà một mô-đun phát hiện công tắc đèn giao thông dựa trên thuật toán thị giác máy tính. Rdtlà
một mô-đun phát hiện ranh giới đường sử dụng thuật toán thị giác máy tính để phát hiện khu vực
hình ảnh tương ứng với một con đường.
Mộttlà một mô-đun nhận dạng tác nhân.

3. Kết quả
Theo mô hình chức năng được mô tả ở trên, một nguyên mẫu xe tự lái dựa trên xe
tải sản xuất GAZelle Next đã được phát triển. Chiếc xe được phát triển để tham gia cuộc
thi “Robocross 2021”. Nhiệm vụ là như sau: Cần phải lái một đoạn đường có chướng
ngại vật, trên đó có chướng ngại vật
Công nghệNăm 2021,9, 100 7 của 11

được đặt, nhận ra tất cả các biển báo đường bộ, quay đầu xe tại địa điểm được chỉ định trên bản đồ và
quay trở lại khu vực kết thúc. Tất cả các nhiệm vụ phải được hoàn thành một cách hoàn toàn tự chủ. Các
nhóm tác giả của RoboLife đã giành vị trí thứ hai chung cuộc và vị trí đầu tiên trong số các xe tải tự hành.
Để phát triển hệ thống điều khiển, mô hình cấu trúc và chức năng được trình bày trong bài báo này đã
được sử dụng. Việc triển khai các mô-đun liên quan đến lớp cảm nhận được mô tả trong các bài báo [31,
32]. Lớp Ra quyết định và Lập kế hoạch chuyển động được triển khai bằng cách tiếp cận dựa trên quy
tắc, được triển khai dưới dạng mã chương trình bằng ngôn ngữ python.
Chiếc xe (Hình2) được trang bị các cảm biến sau:
• Lidar Ouster OS-1, 16 kênh.
• Máy ảnh âm thanh nổi Máy ảnh âm thanh nổi ZED.

• Cảm biến GPS U-blox GY-GPSV3-NEO-M8N.

• Tám cảm biến đỗ xe siêu âm.
• Công tắc hành trình.

Hình 2.Xe tải tự lái.

Để kiểm soát được sử dụng:

• Để chuyển số — 2 bộ truyền động tuyến tính Linak LA15, các bộ phận cơ khí tự phát triển để kết nối
các bộ truyền động.
• Bộ truyền động Linak LA36 cho bàn đạp phanh và ly hợp.
• Để xoay vô lăng — tay lái trợ lực điện từ xe Lada Kalina.
• Trên trục lái được lắp thêm một cảm biến quay với chức năng truyền góc quay trục
mà không cần đồng bộ.
Máy tính một bo mạch Nvidia Jetson Xavier được sử dụng để điều khiển và bộ điều khiển họ
STM32 được sử dụng để điều khiển động cơ.
Hệ điều hành Robotics (ROS) được sử dụng ở cấp độ điều khiển phần mềm. ROS là một
phần mềm trên hệ điều hành Linux, giúp dễ dàng phát triển các hệ thống điều khiển robot
thông qua việc sử dụng các giải pháp tiêu chuẩn:
• Trình điều khiển cho người thao tác và cảm biến;
• Nền tảng của kiến trúc phân tán máy khách-máy chủ sử dụng truyền thông điệp giữa các đối
tượng khác nhau;
• Khả năng triển khai các mô-đun trong các ngôn ngữ lập trình phổ biến (bao gồm C ++ và
Python).
Ở cấp độ trừu tượng, kiến trúc của giải pháp về các nút ROS như sau (Hình3).
Công nghệNăm 2021,9, 100 8 trên 11

Hình 3.Các nút trong giải pháp ROS.

Biểu đồ này cho thấy các thành phần phần mềm và thứ tự các thông báo được
chuyển giữa chúng. Các mô-đun phần mềm này tương ứng với sơ đồ cấu trúc và chức
năng của hệ thống điều khiển của ô tô tự lái:
GPSNode — Xử lý dữ liệu GPS với trình phân tích cú pháp định dạng NMEA.
CarStateControlNode — Lớp ra quyết định và lớp lập kế hoạch đường dẫn. Sử dụng thuật
toán điều khiển dựa trên quy tắc với khả năng phát hiện các chướng ngại vật gần và xa. Cần phải
tính đến các kích thước của máy khi tránh chướng ngại vật. Ngoài ra, nó sử dụng quy định PID để
điều khiển bánh xe theo đường đi.
ObacleDetectorNode — Lớp nhận dạng cảnh. Nút này nhận biết chướng ngại vật có hai
loại: gần và xa. Để nhận dạng chướng ngại vật, dữ liệu lidar được chuyển đổi từ mảng
PointCloud thành hình ảnh chiếu trực diện, là bản đồ độ sâu, trong đó giá trị của mỗi pixel
tương ứng với khoảng cách đến đối tượng.
CarCmdNode và CarNode — Lớp điều khiển ô tô. Sử dụng trạng thái ô tô, trạng thái đường dẫn để
tạo ra các thông báo điều khiển bướm ga, hộp số, bánh xe, phanh và ly hợp.
LidarImageDetectNode — Lớp cảm nhận. Nắp và camera được sử dụng để phân đoạn hình ảnh
cảnh và phát hiện đối tượng. Nó nhận ra các phương pháp học sâu để phát hiện các biển báo đường [26],
ranh giới đường [27].
OBDNode — nút thu thập dữ liệu từ CAN bus của ô tô thông qua đầu nối OBD (tốc độ
động cơ, tốc độ, trạng thái phanh).
WebDisplayNode — công cụ trực quan và tạo đường dẫn bản đồ (Hình4). Công cụ dựa trên
OpenStreetMap (bản đồ ngoại tuyến) để lập kế hoạch tuyến đường và hình dung trạng thái hiện tại của
xe (điểm trên bản đồ, khoảng cách từ các điểm chính xuất phát, rẽ và kết thúc, tốc độ, biển báo được
nhận dạng, dữ liệu lái xe, chướng ngại vật gần và xa, và đường đi dự kiến).

Hinh 4.Công cụ lập bản đồ và hình dung trạng thái ô tô.

Việc sử dụng một chiếc xe hơi thực tế dường như là vô cùng tốn kém [28] để thử nghiệm tất cả các
kịch bản khởi chạy, cũng như thử nghiệm các nguyên mẫu của các thuật toán điều khiển. Để gỡ lỗi các
thành phần của giải pháp, các tác giả của bài báo đã sử dụng các công cụ sau, được phát triển khi tạo xe
tải tự lái:
Công nghệNăm 2021,9, 100 9 của 11

• Mô phỏng việc di chuyển và kiểm soát đường đi theo tọa độ GPS trên bản đồ dựng
sẵn.
• Mô phỏng PointCloud thu được từ lidar bằng cách sử dụng dữ liệu được ghi lại ở định dạng rosbag.
• Mô phỏng nhận dạng biển báo đường bộ và công tắc đèn giao thông từ tệp video được
ghi lại với hệ thống con tăng dữ liệu.
Kết quả thực nghiệm được trình bày trong [31,32].
Để gỡ rối một giải pháp đầy đủ, 40 cuộc đua đã được thực hiện trong một chiếc xe hơi thực
tế nhằm điều chỉnh các thông số của thuật toán. Kết quả là 15 vòng đua với các thông số cấu hình
đã hoàn thành, cả 15 đều thành công - chiếc xe đã hoàn thành xuất sắc nhiệm vụ tại cuộc thi,
giành vị trí thứ hai trong các vòng đua thử nghiệm.
Từ quan điểm phát triển mô hình tham số hóa của hệ thống điều khiển, việc tham số
hóa và sử dụng các phần tử của hệ thống thiết kế CAD (ánh xạ, trực quan hóa dữ liệu điều
khiển) giúp giảm chi phí lao động cho việc phát triển khoảng 1,5 lần. Việc so sánh được thực
hiện trên các dự án phát triển hệ thống điều khiển cho xe tự lái cho các cuộc thi Robocross
vào các năm 2018, 2019, 2021. Một hệ thống điều khiển mới được phát triển hàng năm. Chi
phí lao động trong năm 2021 - khoảng 480 giờ công, năm 2019 là khoảng 710 giờ công.

4.Kết luận
Mô hình chức năng được mô tả trong bài viết này bao gồm mô tả về các mô-đun điều
khiển cho ô tô tự lái, mối quan hệ chức năng của chúng và phác thảo ngắn gọn các cách tiếp
cận được sử dụng trong việc triển khai từng mô-đun. Một khía cạnh quan trọng là tham số
hóa của mỗi mô-đun, điều này rất quan trọng trong việc phát triển các giao diện cho sự
tương tác của các mô-đun. Đề án này đã được sử dụng trong thiết kế xe tải tự lái cho cuộc thi
Robocross 2021 [33], và cũng có thể được sử dụng trong thiết kế ô tô tự lái. Tính đặc thù của
nó là nó có thể được sử dụng để xây dựng một hệ thống CAD chuyên biệt dựa trên thư viện
các thành phần liên quan với các tham số và phụ thuộc chức năng. Các thành phần này có thể
được sử dụng theo các giao thức truyền thông được trình bày trong bài viết này. Việc thực
hiện từng thành phần phụ thuộc vào yêu cầu đối với vấn đề đang được giải quyết, vào các
thông số kỹ thuật thiết kế cụ thể.
Một ví dụ về việc sử dụng mô hình chức năng đã trình bày là xe tải tự lái được xây
dựng trên cơ sở ROS, được phát triển bởi nhóm tác giả của bài báo này, đã chiếm vị trí
thứ hai trong bảng xếp hạng tổng thể và vị trí đầu tiên trong số các xe tải. Nhìn chung,
các mô hình, thông số và các yếu tố riêng lẻ được đề xuất của hệ thống CAD giúp tăng
tốc quá trình phát triển hệ thống điều khiển lên gần một lần rưỡi, tính bằng giờ công.

Sự đóng góp của tác giả:Khái niệm hóa, KS; phương pháp luận, KS; phần mềm, PK, RJ, VM; xác
nhận, PK, IR; tài nguyên, IR; dữ liệu curation, DK; viết - chuẩn bị bản thảo ban đầu, KS; viết — đánh
giá và chỉnh sửa, NY; giám sát, NY; quản trị dự án, KS; mua lại tài trợ, NY Tất cả các tác giả đã đọc
và đồng ý với phiên bản xuất bản của bản thảo.

Kinh phí:Nghiên cứu này do Bộ Giáo dục và Khoa học Nga tài trợ trong khuôn khổ dự án số
075-00233-20-05 từ ngày 3 tháng 11 năm 2020 «Nghiên cứu phân tích đa phương thức dự đoán
thông minh về dữ liệu lớn và chiết xuất kiến thức từ các nguồn khác nhau».

Tuyên bố của Hội đồng Rà soát Thể chế:Không áp dụng.

Tuyên bố đồng ý được thông báo:Không áp dụng.

Tuyên bố về tính sẵn có của dữ liệu:Không áp dụng.

Sự nhìn nhận:Các tác giả rất biết ơn các công ty SimbirSoft, LLC và RITG, LLC.

Xung đột lợi ích:Các tác giả tuyên bố không có xung đột lợi ích. Các nhà tài trợ sáng lập không có vai trò
gì trong việc thiết kế nghiên cứu; trong việc thu thập, phân tích hoặc giải thích dữ liệu; trong việc viết
bản thảo, hoặc trong quyết định công bố kết quả.
Công nghệNăm 2021,9, 100 10 của 11

Người giới thiệu

1. Stoma, M. Tương lai của xe tự hành trong quan điểm của người sử dụng thị trường ô tô. Có sẵn trên mạng:https: // www. mdpi.com/
1996-1073/14/16/4777/pdf(truy cập ngày 7 tháng 8 năm 2021).
2. Baltic, T.; Cappy, A.; Hensley, R .; Pfaff, N. Tương lai của tính di động đang ở trước ngưỡng cửa của chúng ta. Có sẵn trên mạng:https: //
www. mckinsey.com/~{}/media/McKinsey/Industries/Automotive%20and%20Assembly/Our%20Insights/The%20future%20of%
20mobility% 20is% 20at% 20our% 20doorstep / The-future-of-moving-is- at-our-doortep.ashx(truy cập ngày 8 tháng 8 năm 2021).
3. Sử dụng Giải pháp kỹ thuật số tích hợp mạnh mẽ để phát triển phương tiện tự hành. Có sẵn trên mạng:https: //www.plm.automation.
siemens.com/global/ru/resource/autonomous-vehicle-development-software/93559(truy cập ngày 7 tháng 8 năm 2021).
4. Fletcher, R .; Mahindroo, A.; Santhanam, N.; Tschiesner, A. Trường hợp cho Nền tảng Phần mềm Ô tô End-To-End. Có sẵn trên
mạng:https://www.mckinsey.com/industries/automotive-and-assembly/our-insights/the-case-for-an-end-toend-automotive-
software-platform(truy cập ngày 8 tháng 8 năm 2021).
5. Kỹ thuật Hệ thống dựa trên Mô hình để Phát triển Xe Tự hành. Có sẵn trên mạng:https: //www.plm.automation. siemens.com/
media/global/ko/Siemens-PLM-Model-based-systems-engineering-for-autonomous-vehicle-developmentwp-31354-
A3_tcm72-52979.pdf(truy cập ngày 9 tháng 8 năm 2021).
6. Liu, L.; Lu, S.; Zhong, R.; Ngô, B.; Yao, Y .; Zhang, Q.; Shi, W. Hệ thống máy tính để lái xe tự hành: Hiện đại và đầy thách thức. Có
sẵn trên mạng:https://arxiv.org/pdf/2009.14349.pdf(truy cập ngày 9 tháng 8 năm 2021).
7. Kuutti, S.; Bowden, R .; Jin, Y .; Thợ cắt tóc, P.; Fallah, S. Một cuộc khảo sát về các ứng dụng học sâu để điều khiển phương tiện tự hành. Có sẵn trên
mạng:https://arxiv.org/pdf/1912.10773.pdf(truy cập ngày 2 tháng 11 năm 2021).
8. Haavaldsen, H.; Aasboe, M.; Lindseth, F. Điều khiển xe tự hành: Học tập từ đầu đến cuối trong môi trường đô thị mô phỏng. Có sẵn trên
mạng:https://arxiv.org/abs/1905.06712(truy cập vào ngày 20 tháng 10 năm 2021).
9. Yurtsever, E.; Lambert, J .; Carballo, A.; Takeda, K. Một cuộc khảo sát về việc lái xe tự hành: Các phương pháp phổ biến và các công nghệ mới nổi.
Có sẵn trên mạng:https://arxiv.org/pdf/1906.05113.pdf(truy cập vào ngày 30 tháng 10 năm 2021).
10. Omeiza, D.; Webb, H.; Jirotka, M.; Kunze, L. Giải thích trong Lái xe tự hành: Một cuộc khảo sát. Có sẵn trên mạng:https://arxiv.org/ pdf /
2103.05154.pdf(truy cập ngày 1 tháng 11 năm 2021).
11. Lee, D.-H.; Chen, K.-L.; Liu, K.-H.; Liu, C.-L.; Liu, J.-L. Học sâu và các thuật toán điều khiển của nhận thức trực tiếp để lái xe tự
hành. Có sẵn trên mạng:https://arxiv.org/pdf/1910.12031.pdf(truy cập vào ngày 30 tháng 10 năm 2021).
12. Kaur, P.; Taghavi, S.; Tian, Z .; Shi, W. Một cuộc khảo sát về bộ mô phỏng để thử nghiệm ô tô tự lái. Có sẵn trên mạng:https://arxiv.org/ pdf /
2101.05337.pdf(truy cập ngày 8 tháng 8 năm 2021).
13. Gazebo. Có sẵn trên mạng:http://gazebosim.org/(truy cập ngày 17 tháng 8 năm 2021).
14. Carla Simulator. Có sẵn trên mạng:https://carla.org/(truy cập ngày 17 tháng 8 năm 2021).
15. Trình mô phỏng Webots. Có sẵn trên mạng:https://cyberbotics.com/(truy cập ngày 17 tháng 8 năm 2021).
16. Mô phỏng xe tự hành NVidia. Có sẵn trên mạng:https://www.nvidia.com/en-us/self-driving-cars/simulation/ (truy cập ngày 17
tháng 8 năm 2021).
17. Mô phỏng cơ khí CarSim. Có sẵn trên mạng:https://www.carsim.com/products/carsim/index.php(truy cập ngày 17 tháng 8 năm 2021).

18. Hộp công cụ lái xe tự động Matlab. Có sẵn trên mạng:https://www.mathworks.com/products/automated-driving.html (truy cập ngày 17
tháng 8 năm 2021).
19. Nền tảng mô phỏng PreScan của Siemens. Có sẵn trên mạng:https://tass.plm.automation.siemens.com/prescan-overview(truy cập ngày 15 tháng
8 năm 2021).
20. SVL Simulator. Có sẵn trên mạng:https://www.svlsimulator.com/(truy cập ngày 16 tháng 9 năm 2021).
21. Bản đồ NVidia cho Xe tự lái. Có sẵn trên mạng:https://www.nvidia.com/en-us/self-driving-cars/hd-mapping/ (truy cập ngày 8
tháng 9 năm 2021).
22. Kant, K .; Zucker, SW Hướng tới lập kế hoạch quỹ đạo hiệu quả: Sự phân hủy vận tốc đường đi.Int. J. Người máy. Res.1986,5, 72–89. [
CrossRef]
23. Chen, J.; Zhan, W .; Tomizuka, M. Lập kế hoạch chuyển động lái xe tự hành với LQR lặp đi lặp lại có giới hạn.IEEE Trans. Giới thiệu. Veh.
2019,4, 244–254. [CrossRef]
24. Chảo, Y.; Lin, Q.; Shah, H.; Dolan, JM Lập kế hoạch an toàn cho việc tự lái xe thông qua ILQR có ràng buộc thích ứng. Có sẵn trên mạng:https: //
arxiv.org/abs/2003.02757(truy cập ngày 1 tháng 9 năm 2021).
25. Zhang, Z .; Giang, Q.; CN, B.; Bài hát, L.; Vương, R.; Mei, T.; Hoàng, X. .; Vương, L.; Yu, B. Nghiên cứu về Hệ thống Chuyên gia về Quy tắc Giao thông Lái xe Tự
động của Xe Không người lái.J. Vật lý. Lời thú nhận. Người phục vụ.2018,1069, 012016. [CrossRef]
26. Bản đồ HD TomTom. Có sẵn trên mạng:https://www.tomtom.com/products/hd-map/(truy cập ngày 8 tháng 9 năm 2021).
27. Bản đồ Ushrauto. Có sẵn trên mạng:https://www.ushrauto.com/(truy cập ngày 8 tháng 9 năm 2021).
28. Xue, J.; Fang, J.; Li, T.; Zhang, B.; Zhang, P.; Ye, Z .; Dou, J. BLVD: Xây dựng Điểm chuẩn ngữ nghĩa 5D Quy mô lớn cho Lái xe Tự hành. Có
sẵn trên mạng:https://arxiv.org/pdf/1903.06405.pdf(truy cập vào ngày 1 tháng 10 năm 2021).
29. De Silva, V .; Roche, J .; Kondoz, A. Sự kết hợp mạnh mẽ giữa dữ liệu máy ảnh góc rộng và LiDAR cho rô bốt di động tự hành. Có sẵn trên
mạng:https://arxiv.org/pdf/1710.06230.pdf(truy cập ngày 5 tháng 9 năm 2021).
30. Siemens-Microsoft cho phép mô phỏng theo quy mô. Có sẵn trên mạng:https://query.prod.cms.rt.microsoft.com/cms/api/am/ binary /
RWwzpZ(truy cập ngày 10 tháng 9 năm 2021).
Công nghệNăm 2021,9, 100 11 của 11

31. Sviatov, K .; Miheev, A. .; Kanin, D.; Sukhov, S.; Tronin, V. Phân đoạn cảnh trong Hệ thống định vị ô tô tự lái sử dụng mô hình
mạng thần kinh với sự chú ý. TrongGhi chú Bài giảng Khoa học Máy tính, Kỷ yếu Khoa học Tính toán và Ứng dụng của nó —
ICCSA 2019, Saint Petersburg, Nga, 1–4 tháng 7 năm 2019; Misra, S., Ed .; Springer: Cham, Thụy Sĩ, 2019; Tập 11623.
32. Sviatov, K .; Miheev, A. .; Lapshov, Y. Shishkin, V .; Sukhov, S. Phát hiện các tính năng của cảnh cho đường đi theo sau trên bản đồ cục bộ của rô
bốt di động sử dụng mạng thần kinh. TrongNghiên cứu gần đây về kỹ thuật điều khiển và ra quyết định, Kỷ yếu của ICIT 2020, Saratov, Nga, 3–
4 tháng 12 năm 2020; Dolinina, O., Ed .; Nghiên cứu về Hệ thống, Quyết định và Kiểm soát; Springer: Cham, Thụy Sĩ, 2021; Tập 337. [CrossRef]

33. Cuộc thi Robocross. Có sẵn trên mạng:https://www.russianrobotics.ru/competition/robocros/(truy cập ngày 3 tháng 9 năm
2021).