ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

    Введение
    1. Понятие и классификация ADAS
    1.1. Технологии, используемые в ADAS
    1.2. Архитектура ADAS
    2. Анализ систем помощи водителю в массовом сегменте
    2.1 Ограничения внедрения
    3.Предложения по интеграции и перспективы развития
    Заключение
    Список источников

Введение

В современных условиях автомобильная промышленность переживает период активного внедрения интеллектуальных систем помощи водителю (ADAS — Advanced Driver Assistance Systems). Эти технологии изначально разрабатывались для премиальных автомобилей, но в последние годы наблюдается устойчивая тенденция к их распространению в массовом сегменте. Актуальность исследования обусловлена необходимостью повышения безопасности дорожного движения при сохранении доступности автомобилей для широкого круга потребителей. По данным Всемирной организации здравоохранения, ежегодно в результате дорожно-транспортных происшествий погибает около 1,35 миллиона человек, и системы ADAS способны снизить этот показатель на 30–40% при условии их массового внедрения [12].

1. Понятие и классификация ADAS

Определение и история развития

Системы помощи водителю (ADAS — Advanced Driver Assistance Systems) представляют собой комплекс электронных устройств и программного обеспечения, предназначенных для повышения безопасности, комфорта и эффективности управления транспортным средством. Эти системы анализируют информацию об окружающей среде, состоянии автомобиля и действиях водителя, предоставляя предупреждения или автоматически вмешиваясь в процесс управления. История развития ADAS началась в 1970-х годах с появления первых электронных систем, таких как антиблокировочная система тормозов (ABS) и электронная система распределения тормозных усилий (EBD) [3]. Однако термин «ADAS» в современном понимании сформировался только в 2000-х годах с развитием более сложных систем, объединяющих данные с различных датчиков и использующих вычислительные мощности для анализа. Согласно отчетам аналитической компании McKinsey, к 2025 году более 50% новых автомобилей будут оснащены как минимум тремя системами ADAS, а к 2030 году эта доля достигнет 90% [14]. Такая популярность объясняется стремлением производителей повысить безопасность, а также требованиями законодательства многих стран. Например, в Европейском союзе с 2022 года все новые модели автомобилей обязаны иметь системы автоматического экстренного торможения (AEB) и удержания в полосе (LKA) [6].

Основные функции ADAS

На рисунке 1 представлен пример основных функций ADAS.

Основные функции ADAS
Рисунок 1 - Основные категории функций ADAS

Современные системы ADAS выполняют множество функций, которые можно разделить на несколько категорий:

  1. Системы контроля и предупреждения:
    • LDW (Lane Departure Warning) – предупреждение о сходе с полосы. Система отслеживает положение автомобиля относительно разметки полосы движения с помощью камеры, обычно расположенной за лобовым стеклом. При непреднамеренном пересечении линии разметки (без включенного указателя поворота) система предупреждает водителя вибрацией рулевого колеса, звуковым сигналом или визуальным предупреждением на приборной панели. Например, в автомобилях Honda система LDW активируется при скорости выше 72 км/ч и работает только при наличии четкой разметки.

    • LKA (Lane Keeping Assist) – система удержания в полосе. Является развитием LDW, но не только предупреждает о сходе с полосы, но и предпринимает действия для возвращения автомобиля в центр полосы путем легкого подруливания или торможения отдельных колес. В отличие от LDW, LKA может постоянно вмешиваться в управление для поддержания автомобиля в пределах полосы. Например, система LKA в автомобилях Volvo может работать на скоростях от 65 до 200 км/ч.

    • BSD (Blind Spot Detection) – обнаружение слепых зон. Использует радары или ультразвуковые датчики для обнаружения транспортных средств в «слепых зонах» – областях по бокам автомобиля, не видимых водителю через зеркала. При обнаружении объекта в слепой зоне система предупреждает водителя, обычно световым индикатором в зеркале заднего вида. Более продвинутые версии (BLIS – Blind Spot Information System) могут предотвращать перестроение при наличии препятствия. Например, система BLIS от Volvo активируется при скорости выше 10 км/ч и имеет радиус действия около 9,5 метров.

  2. Системы контроля дистанции и скорости:

    • ACC (Adaptive Cruise Control) – адаптивный круиз-контроль. Позволяет поддерживать заданную скорость движения, а также автоматически регулировать скорость для поддержания безопасной дистанции до впереди идущего транспортного средства. Работает с помощью радаров или лидаров, сканирующих пространство перед автомобилем. Современные системы ACC могут работать в диапазоне скоростей от 0 до 200 км/ч и управлять как ускорением, так и торможением автомобиля. Например, система ACC в автомобилях Mercedes-Benz может следовать за транспортным потоком на расстоянии от 2 до 5 секунд.

    • AEB (Autonomous Emergency Braking) – автоматическое экстренное торможение. Система, которая автоматически активирует торможение при обнаружении неизбежного столкновения, если водитель не реагирует на предупреждения. Использует комбинацию камер, радаров и иногда лидаров для обнаружения препятствий. По данным Euro NCAP, системы AEB могут предотвратить до 38% столкновений на низких скоростях и 20% на высоких [7]. Например, система AEB от Volvo может обнаруживать автомобили, пешеходов и велосипедистов, останавливая автомобиль на скорости до 60 км/ч.

  3. Системы помощи при парковке:

    • APA (Automated Parking Assist) – автоматизированная парковка. Система, которая может автоматически управлять рулем (а в некоторых случаях и трансмиссией) для параллельной или перпендикулярной парковки. Водитель обычно контролирует скорость движения, нажимая на педаль тормоза или акселератора. Более продвинутые версии могут полностью автоматизировать процесс парковки. Например, система Park Assist от Volkswagen может автоматически найти подходящее место для парковки и выполнить маневр без участия водителя.

    • PDC (Parking Distance Control) – контроль дистанции при парковке. Использует ультразвуковые датчики, расположенные в бамперах автомобиля, для измерения расстояния до препятствий спереди и сзади. Информирует водителя о расстоянии с помощью звуковых сигналов или визуального отображения на экране. Например, система PDC в BMW имеет радиус действия около 2,5 метров и точность измерения ±10 см.

  4. Системы мониторинга водителя и состояния автомобиля:

    • DMS (Driver Monitoring System) – мониторинг состояния водителя. Использует камеру, обычно расположенную на рулевом колесе или приборной панели, для отслеживания взгляда, положения головы и других параметров водителя. Может обнаружить признаки усталости или отвлечения внимания и предупредить водителя. Например, система DMS в Mercedes-Benz S-Class использует инфракрасную камеру и алгоритмы компьютерного зрения для мониторинга водителя.

    • TPMS (Tire Pressure Monitoring System) – система мониторинга давления в шинах. Отслеживает давление в шинах с помощью датчиков, установленных в каждом колесе, и предупреждает водителя о падении давления. Может быть прямой (датчики на колесах) или косвенной (на основе данных от датчиков ABS). Например, система TPMS в Ford использует датчики на каждом колесе и отображает давление на приборной панели.

1.1 Технологии, используемые в ADAS

Датчики ADAS

Современные ADAS-системы, как правило, используют несколько типов сенсоров: радары, камеры, лидары, ультразвуковые датчики. Исторически каждая подсистема работала автономно, однако для повышения надёжности и расширения функциональности требуется их интеграция. Эта задача решается с помощью технологии Sensor Fusion — объединения данных от разнородных сенсоров для формирования единой картины окружающего пространства (рис. 2) [16].

Пример структуры сенсорной системы
Рисунок 2 - Пример структуры сенсорной системы

Камеры являются одними из самых распространенных датчиков в ADAS благодаря их способности предоставлять визуальную информацию высокого разрешения. Они могут быть монохромными (для базовых функций, таких как LDW) или цветными (для распознавания дорожных знаков). Более продвинутые системы используют стереокамеры, которые, подобно человеческому зрению, создают стереоскопическое изображение для определения расстояния до объектов. Некоторые автомобили оснащаются камерами с обзором 360°, обеспечивающими панорамный вид вокруг автомобиля для помощи при парковке. Несмотря на их универсальность, камеры имеют существенные ограничения. Их работа зависит от условий освещения – в темноте или при ярком солнечном свете качество изображения может ухудшаться. Плохая погода (дождь, снег, туман) также снижает эффективность камер. Кроме того, обработка визуальных данных требует значительных вычислительных ресурсов [22].

Радары (радиолокационные системы) используют радиоволны для обнаружения объектов и определения их скорости и расстояния. В зависимости от дальности действия, различают длинноволновые радары (LRR) с дальностью до 200 метров, средневолновые (MRR) и коротковолновые (SRR) радары. Радары работают при любых условиях освещения и в большинстве погодных условий, могут точно измерять скорость объектов и имеют большую дальность обнаружения. Однако радары имеют ограниченное разрешение, что затрудняет различение близкорасположенных объектов. Они также не могут распознавать форму или цвет объектов и иногда дают ложные срабатывания от металлических объектов на обочине.

Лидары (Light Detection and Ranging) используют лазерные импульсы для создания точной 3D-карты окружающей среды. Существуют два основных типа лидаров: механические, использующие вращающиеся зеркала для направления лазерных импульсов и обеспечивающие 360° обзор, и твердотельные лидары, не имеющие движущихся частей и использующие оптические фазированные антенные решетки. Лидары обеспечивают высокую точность (до 2 см) и способность создавать детальные 3D-карты, работая при любых условиях освещения. Однако их стоимость остается высокой (от $500 до $10 000 за устройство), они имеют ограниченную дальность в плохую погоду и генерируют большой объем данных, требующий значительных вычислительных ресурсов.

Ультразвуковые датчики используют звуковые волны высокой частоты для обнаружения объектов на небольшом расстоянии (0,2–5 метров). Они устанавливаются в бамперах автомобиля и излучают ультразвуковой сигнал, измеряя время возврата отраженного сигнала. Несмотря на низкую стоимость и хорошую точность на коротких расстояниях, ультразвуковые датчики имеют очень ограниченную дальность и могут быть «ослеплены» грязью или снегом. Они не подходят для высокоскоростных приложений и обычно используются для систем помощи при парковке.

Алгоритмы обработки данных в ADAS

Эффективность систем ADAS во многом зависит от алгоритмов, используемых для обработки данных с датчиков и принятия решений. Современные системы используют комбинацию различных методов для достижения высокой точности и надежности.

Компьютерное зрение играет ключевую роль в обработке визуальных данных с камер. Оно решает несколько важных задач: обнаружение полосы движения с помощью алгоритмов выделения краев и преобразования Хафа, распознавание объектов (пешеходы, автомобили, велосипедисты) с помощью сверточных нейронных сетей и классификация дорожных знаков. Для обработки изображений используются методы предварительной обработки (коррекция освещения, улучшение контраста, удаление шума), сегментация (выделение объектов на изображении) и отслеживание объектов между кадрами с помощью алгоритмов KLT или фильтра Калмана.

Машинное обучение и искусственный интеллект все чаще используются в современных системах ADAS. Обучение с учителем применяется для классификации объектов и предсказания поведения, в то время как обучение без учителя используется для кластеризации объектов. Глубокое обучение, использующее многослойные нейронные сети, позволяет обрабатывать сложные неструктурированные данные. Сверточные нейронные сети (CNN) специально разработаны для обработки изображений и используют сверточные слои для выделения признаков. Рекуррентные нейронные сети (RNN), особенно LSTM (Long Short-Term Memory), подходят для последовательностей данных и используются для предсказания поведения транспортных средств [11].

Для повышения точности и надежности систем используются различные фильтры и алгоритмы оценки состояния. Фильтр Калмана оценивает состояние динамической системы на основе серии зашумленных измерений и используется для предсказания положения и скорости объектов. Фильтр частиц, более гибкая альтернатива фильтру Калмана, подходит для нелинейных систем и используется в системах одновременной локализации и картографирования (SLAM). Алгоритмы слияния данных (Sensor Fusion) комбинируют данные с различных датчиков для повышения точности, например, объединяя данные с камеры, радара и лидара для системы AEB.

1.2 Архитектура ADAS

Архитектура систем помощи водителю определяет, как различные компоненты взаимодействуют друг с другом и как распределяются вычислительные задачи. От выбора архитектуры зависит не только функциональность и производительность системы, но и ее стоимость, надежность и возможность будущего расширения.

Автономные системы представляют собой отдельные модули, выполняющие конкретные функции и работающие независимо друг от друга. В такой архитектуре каждая функция (например, LDW, AEB) имеет свой набор датчиков и контроллер. Минимальное взаимодействие между системами обеспечивает определенную изоляцию – отказ одной системы не влияет на работу других. Этот подход часто используется в автомобилях начального и среднего уровня благодаря относительной простоте и низкой стоимости компонентов. Однако автономные системы имеют и недостатки: они приводят к избыточности датчиков (например, отдельные камеры для LDW и распознавания знаков), ограничивают возможность интеграции новых функций и могут потреблять больше энергии при выполнении нескольких задач [14].

Централизованные системы используют общую вычислительную платформу и интегрированные датчики для выполнения множества функций. В отличие от автономного подхода, централизованная архитектура предполагает наличие единой вычислительной платформы (например, SoC – System on Chip) и общих датчиков, используемых для нескольких функций. Такая интеграция обеспечивает экономию на компонентах (меньше дублирования) и позволяет создавать более сложные функции на основе данных с разных источников. Кроме того, централизованные системы обычно имеют более низкое энергопотребление при выполнении нескольких функций и предоставляют возможность обновления функциональности через программное обеспечение.

Однако централизованный подход также имеет свои недостатки. Высокая стоимость центрального процессора и сложность разработки и тестирования могут сделать такую архитектуру непрактичной для автомобилей бюджетного сегмента. Кроме того, возникает проблема единой точки отказа – отказ центрального процессора может повлиять на все функции системы.

В современном автомобилестроении наблюдается тенденция к переходу от автономных к централизованным системам, особенно в премиальных моделях. Например, компания Audi разработала центральный контроллер zFAS для автомобилей A8, который объединяет процессоры NVIDIA Tegra K1 и Mobileye EyeQ3 для обеспечения различных функций ADAS. Аналогичным образом, Tesla использует единственный бортовой компьютер (Tesla FSD Chip) для всех функций помощи водителю и автономного вождения, что позволяет постоянно совершенствовать систему через программные обновления.

Роль облачных сервисов и V2X

Современные системы помощи не существуют изолированно – они все чаще интегрируются с внешними системами через технологии V2X (Vehicle-to-Everything) и облачные сервисы, создавая более широкий контекст для принятия решений.

V2X (Vehicle-to-Everything) – это технология беспроводной связи, которая позволяет транспортным средствам обмениваться информацией с другими объектами. Существует несколько типов V2X-коммуникации:

Для реализации V2X-коммуникации используются различные технологии связи. DSRC (Dedicated Short Range Communications) – это специализированная технология связи для V2X, работающая на частоте 5,9 ГГц и используемая в США и частично в Европе. C-V2X (Cellular V2X) – альтернативный подход, использующий сотовые сети (4G/5G) для связи и поддерживаемый в основном в Китае и Европе.

Облачные сервисы позволяют расширить возможности ADAS, предоставляя доступ к дополнительным вычислительным ресурсам и данным. Они находят применение в нескольких аспектах работы систем помощи водителю:

Интеграция с облаком предоставляет значительные преимущества: постоянное совершенствование систем на основе больших данных, возможность удаленного обновления и исправления, доступ к актуальной информации о дорожных условиях. Однако существуют и недостатки: проблемы безопасности и конфиденциальности данных, зависимость от качества связи и задержки при передаче данных, которые могут быть критичными для систем безопасности [20].

2. Анализ современных систем помощи водителю в массовом сегменте

В сегменте автомобилей стоимостью до 2,85 млн рублей (что соответствует массовому сегменту в большинстве рынков) представлено несколько моделей с базовыми системами ADAS. Рассмотрим три популярные модели: Volkswagen Golf, Toyota Corolla и Hyundai Elantra, которые являются одними из лидеров продаж в своем классе [10].

Volkswagen Golf (8 поколение) предлагает несколько систем помощи водителю даже в базовых комплектациях. Согласно официальным данным Volkswagen Group, базовая версия Volkswagen Golf включает следующие системы ADAS:

Toyota Corolla (12 поколение) в базовых версиях предлагает пакет систем безопасности Toyota Safety Sense 2.0, включающий:

Hyundai Elantra (7 поколение) в базовой версии включает Forward Collision Avoidance Assist – систему автоматического экстренного торможения (AEB), работающую на скоростях от 8 км/ч до 160 км/ч. В более высоких комплектациях доступны Lane Keeping Assist, Blind Spot Collision Warning и Smart Cruise Control.

Сравнивая системы ADAS в рассмотренных моделях массового сегмента, можно отметить как общие черты, так и существенные различия. Все три модели в базовых или средних комплектациях предлагают систему автоматического экстренного торможения (AEB) и систему удержания в полосе (LKA/LDW). Однако существуют различия в функциональности: Volkswagen Golf предлагает Travel Assist, объединяющий адаптивный круиз-контроль и систему удержания в полосе для полуавтономного управления, Toyota Corolla включает адаптивный круиз-контроль в стандартную комплектацию, а Hyundai Elantra предлагает адаптивный круиз-контроль только в более высоких комплектациях. Аналогичные различия наблюдаются в наличии системы мониторинга слепых зон и систем помощи при парковке.

С точки зрения используемых технологий, системы ADAS в рассмотренных моделях имеют свои особенности. Volkswagen Golf в основном использует радарные технологии для Front Assist и Side Assist, а также камеру для Lane Assist. Системы работают на основе сочетания данных с разных датчиков. Toyota Corolla использует радар для адаптивного круиз-контроля и камеру для системы предупреждения о сходе с полосы. Система Pre-Collision System может распознавать пешеходов благодаря улучшенным алгоритмам компьютерного зрения. Hyundai Elantra комбинирует камеры и ультразвуковые датчики для различных функций ADAS. В более высоких комплектациях может включать системы кругового обзора с несколькими камерами.

2.1 Ограничения внедрения

Стоимость компонентов

Основным ограничивающим фактором при интеграции систем ADAS в автомобили массового сегмента является высокая стоимость компонентов.

По оценкам экспертов отрасли, добавление базового набора систем (AEB, LKA, BSD) к автомобилю увеличивает его стоимость на 50 000 – 100 000 руб. Добавление более продвинутых систем (полуавтономное управление, автоматическая парковка) может увеличить стоимость на 150 000 – 300 000 руб., что существенно для автомобилей стоимостью 1 500 000 – 2 000 000 руб [18].

Надежность и адаптация к разным условиям эксплуатации

Вторым важным ограничением является вопрос надежности систем в разных условиях эксплуатации, особенно в бюджетных моделях с ограниченными возможностями датчиков и вычислительных платформ.

Эффективность систем, основанных на камерах (LDW, LKA), существенно снижается в условиях плохой видимости. В темное время суток без достаточного освещения, при ярком солнечном свете, создающем блики, в условиях плохой погоды (дождь, снег, туман) и на дорогах с недостаточной разметкой или изношенной разметкой камеры работают менее эффективно. По данным исследований, эффективность камерных систем ADAS может снижаться на 30–50% в неоптимальных условиях освещения и на 60–80% в условиях сильного дождя или снегопада [2].

Радары более устойчивы к условиям окружающей среды, но имеют свои ограничения. Они могут давать ложные срабатывания от металлических объектов на обочине, имеют ограниченное разрешение, что затрудняет различение близкорасположенных объектов, а в условиях сильного снегопада или дождя может снижаться дальность обнаружения.

Бюджетные автомобили имеют ограниченные вычислительные ресурсы по сравнению с премиальными моделями. Меньшая мощность процессоров ограничивает сложность алгоритмов, которые можно использовать, меньший объем памяти затрудняет хранение и обработку больших объемов данных с датчиков, а ограниченная пропускная способность шины данных может приводить к задержкам в обработке информации. По данным тестирования, системы AEB в бюджетных автомобилях могут иметь на 20–30% более высокий уровень ложных срабатываний или пропущенных препятствий по сравнению с премиальными моделями из-за ограничений вычислительных возможностей [18].

3. Предложения по интеграции и перспективы развития ADAS в массовом сегменте

Модульный подход к внедрению

Одним из эффективных способов интеграции является модульный подход. Поэтапное внедрение функций позволяет начать с наиболее эффективных с точки зрения безопасности систем (AEB, LDW) и постепенно добавлять другие функции (BSD, ACC). Это распределяет затраты на внедрение систем и делает их более доступными для разных сегментов потребителей. Помимо этого, проектирование базовой платформы с возможностью добавления модулей без полной замены системы обеспечивает масштабируемость [18].

Оптимизация компонентов

Оптимизация компонентов является еще одним важным направлением. Использование стереокамер с улучшенными алгоритмами компьютерного зрения вместо дорогостоящих лидаров для функций AEB и LDW, комбинация ультразвуковых датчиков и камер для систем помощи при парковке вместо использования только камер высокого разрешения, а также применение многофункциональных датчиков, способных выполнять несколько функций, позволяют существенно снизить стоимость систем ADAS. Упрощенные вычислительные платформы, такие как специализированные процессоры, оптимизированные для задач компьютерного зрения, распределенные вычисления, разделяющие нагрузку между несколькими менее мощными процессорами, и использование облачных вычислений для некритичных ко времени реакции функций, также способствуют интеграции ADAS в массовый сегмент.

Программные решения

Разработка упрощенных алгоритмов компьютерного зрения, сохраняющих приемлемую точность, и создание адаптивных алгоритмов, автоматически подстраивающихся под текущие условия для оптимизации использования ресурсов, позволяют эффективно использовать ограниченные вычислительные возможности бюджетных автомобилей. Использование предварительно обученных моделей машинного обучения и обучение на синтетических данных, генерируемых с помощью компьютерного моделирования, снижает затраты на разработку и внедрение систем ADAS.

Перспективы развития

В настоящее время наблюдаются положительные тенденции для интеграции разнообразных систем помощи водителю в автомобили массового сегмента. По мере увеличения объемов производства стоимость датчиков и вычислительных платформ постепенно снижается. Наблюдается переход от автономных к более интегрированным решениям, использующим общие датчики и вычислительные ресурсы. Совершенствование алгоритмов для работы на менее мощных платформах позволяет использовать более доступные вычислительные системы.

В ближайшем будущем можно ожидать, что базовые системы ADAS (AEB, LDW, BSD) к 2030 году, вероятно, станут стандартным оборудованием даже для самых бюджетных моделей во многих странах из-за требований законодательства. Системы адаптивного круиз-контроля постепенно будут внедряться в средний сегмент по мере снижения стоимости радарных технологий. Системы помощи при парковке все чаще будут включаться в базовые комплектации благодаря относительно низкой стоимости ультразвуковых датчиков и камер.

Заключение

Массовое внедрение даже базовых систем ADAS может существенно повысить безопасность на дорогах. По прогнозам экспертов, это может снизить количество ДТП на 15–30%. Постепенное снижение стоимости сделает передовые технологии безопасности доступными для более широкого круга потребителей, что особенно важно для повышения общей безопасности на дорогах [7]. Кроме того, внедрение базовых систем ADAS создает основу для постепенного перехода к более автономным транспортным средствам в будущем.

Однако существуют и вызовы, которые необходимо преодолеть. Отсутствие единых стандартов для систем ADAS затрудняет их интеграцию и масштабирование. При использовании активных систем возникают вопросы распределения ответственности между водителем и системой. Также как водители, так и сервисные центры нуждаются в обучении для правильного понимания возможностей и ограничений, что требует дополнительных инвестиций в образовательные программы и инфраструктуру поддержки [12].

Список источников

1. Бакулов, П. А. Продвинутые системы помощи водителю как основа безопасности общественного транспорта / П. А. Бакулов // International Journal of Professional Science. — 2021. — № 6. — С. 53-59.
2. Дьяков, Ф. К. Разработка методики испытаний для оценки влияния различных условий эксплуатации на работу оптической составляющей системы ADAS / Ф. К. Дьяков, М. В. Митрохина // Вестник Московского автомобильно-дорожного государственного технического университета (МАДИ). — 2023. — № 4(38).
3. Бахмутов, С. В. Развитие интеллектуальных систем помощи водителю (ADAS) в Российской Федерации / С. В. Бахмутов, Д. В. Ендальчев, Н. П. Мезенцев // Труды НАМИ. — 2022. — № 3(275). — С. 45-52.
4. Киреев, В. А. Метод и алгоритм распознавания аварийной ситуации / В. А. Киреев // Вестник МАДИ. — 2022. — № 4. — С. 89-96.
5. Бахмутов, С. В. Проблемы разработки и тестирования систем ADAS для отечественных автомобилей / С. В. Бахмутов // Сборник материалов 102-Й международной научно-технической конференции. — 2023. — С. 112-118.
6. Сидорова, П. А. Анализ новых типов испытаний САЭТ в рамках рейтинга Euro NCAP (2020 Г.) / П. А. Сидорова, Н. В. Попов // Автомобиль. Дорога. Инфраструктура. — 2020. — № 2(24). — С. 1. — EDN XOHHXI.
7. Кристальный, С. Р. Анализ эффективности действия систем автоматического экстренного торможения / С. Р. Кристальный // Научный вестник НГАВТ. — 2022. — № 4. — С. 34-41.
8. Ендальчев, Д. В. Электронные системы интеллектуальных транспортных средств: ADAS / Д. В. Ендальчев, С. В. Бахмутов, В. В. Евграфов, Н. П. Мезенцев // Труды НАМИ. — 2020. — № 4(272). — С. 35–44.
9. Порубов, Д. М. Разработка системы контроля полосы движения как элемента ADAS / Д. М. Порубов, А. А. Лукьянов // Вестник Комсомольского-на-Амуре государственного университета. — 2020. — № 2(52). — С. 45–51. — EDN VZXNPM.
10. Машкин, А. Л. Анализ состояния автомобильного парка и перспективы внедрения систем ADAS в России / А. Л. Машкин // Вестник АГТУ. Серия: Управление, вычислительная техника и информатика. — 2021. — № 2(63). — С. 92–101. — EDN TQWERT.
11. Постолит, А. В. Перспективы применения искусственного интеллекта и компьютерного зрения в системах ADAS / А. В. Постолит, Е. С. Куприянова // Информационные технологии. — 2021. — Т. 27, № 10. — С. 645–658.
12. Чикрин Д.Е. Вызовы, угрозы и пути их преодоления при переходе к использованию беспилотных транспортных средств на дорогах общего пользования / Д.Е. Чикрин, А.А. Егорчев, П.А. Кокунин // Прогнозируемые вызовы и угрозы национальной безопасности Российской Федерации и направления их нейтрализации. – М.: Военная академия Генерального штаба Вооруженных сил Российской Федерации, 2021.
13. Bakhmutov, S. V. Development of ADAS for Russian Climate and Road Conditions / S. V. Bakhmutov, D. V. Endachev, V. V. Evgrafov, N. P. Mezentsev // IOP Conference Series: Earth and Environmental Science. — 2021. — Vol. 935. — Art. 012036.
14. Gao, F. A Survey of ADAS: Architecture, Key Technologies, and Challenges / F. Gao, Y. Li, X. Zhang // IEEE Access. — 2022. — Vol. 10. — P. 58405–58423. — DOI: 10.1109/ACCESS.2022.3179801
15. Чикрин Д.Е. Эксплуатация современных и перспективных беспилотных транспортных средств / Д.Е. Чикрин, А.А. Егорчев // Smart Cars & Roads – цифровая трансформация экосистемы «автомобиль – дорога» в Российской Федерации: материалы IV Федерального форума (Москва, 11 ноября 2021 г.). – URL: https://www.comnews-conferences.ru/ru/conference/smartcr2021/ (дата обращения: 1.12.2025).
16. Fang, Z. Sensor Fusion for Automotive ADAS: State of the Art and Future Trends / Z. Fang, S. Ma, H. Liu // Sensors. — 2023. — Vol. 23, № 8. — Art. 3983. — DOI: 10.3390/s23083983
17. Чикрин Д.Е. Методология S.M.A.R.T.E.S.T. H-GQM для контролируемой эволюции систем ADAS / Д.Е. Чикрин, А.А. Егорчев, Д.В. Ермаков // Известия Южного федерального университета. Технические науки. – 2020. – № 2 (212). – С. 200–209.
18. Zhang, Y. Cost-Effective ADAS Implementation for Mass-Market Vehicles: A Review / Y. Zhang, L. Wang, K. Chen // Automotive Innovation. — 2021. — Vol. 4. — P. 258–271. — DOI: 10.1007/s42154-021-00152-6
19. Egorchev A.A. Methodology and model of unmanned vehicles virtual simulation system / A.A. Egorchev, D.E. Chickrin // Journal of Advanced Research in Dynamical and Control Systems. – 2020. – Vol. 12. – Is. 6. – P. 1316–1322.
20. Kim, J. V2X Communication for Cooperative ADAS: Architecture and Performance Evaluation / J. Kim, S. Park, M. Lee // IEEE Transactions on Intelligent Transportation Systems. — 2020. — Vol. 21, № 12. — P. 4932–4944. — DOI: 10.1109/TITS.2019.2958088
21. Егорчев А.А. Решение задач виртуального моделирования показаний системы сенсорики в системах беспилотного транспорта / А.А. Егорчев, Д.Е. Чикрин, Д.В. Бризский // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. – 2020. – № 6. – С. 74–81.
22. Liu, H. Deep Learning-Based Lane Detection under Challenging Weather Conditions / H. Liu, Q. Chen, T. Wang // IEEE Transactions on Intelligent Vehicles. — 2024. — Vol. 9, № 1. — P. 120–132. — DOI: 10.1109/TIV.2023.3298765
23. Systems Engineering for Intelligent Transportation Systems. Help Manual. Version 9.0.126 // National ITS Architecture Team. – Washington: US Department of Transportation, 2021. – 221 p. – URL: https://local.iteris.com/arc-it/tools/SETITv9.0Help.pdf/ (date of application: 24.11.2025).
24. Badue C. Self-Driving Cars: A Survey / C. Badue, R. Guidolini, R.V. Carneiro et al. // Expert Systems with Applications. – 2021. – Vol. 165. – No. 113816. – 27 p. – DOI: 10.1016/j.eswa.2020.113816.
25. Титов, А. А. Ограничения применения систем ADAS в условиях российской инфраструктуры / А. А. Титов, И. С. Кузнецов // Вестник МАДИ. — 2021. — № 2(34). — С. 73–80.