Desarrollo de las tecnologías de percepción del vehículo es uno de los objetivos principales del proyecto. Este objetivo persigue investigar y desarrollar un sistema de percepción avanzado multisensor que proporcione una visión de 360º del entorno del vehículo y permite la implementación de una nueva generación de funciones ADAS. Estas funciones están basadas en algoritmos de inteligencia artificial para la detección y comprensión fiable y robusta de todos los elementos de tráfico, independientemente del entorno o condiciones de conducción.
Dentro del proyecto se investigará la fusión de los sensores como las cámaras, LiDAR y radar, haciendo la adquisición de datos que permitirá al vehículo tomar decisiones con seguridad y siempre basadas en evidencias sólidas.
La detección del exterior del vehículo es fundamental para el correcto desarrollo y funcionamiento de los sistemas ADAS y conducción autónoma a fin de identificar los elementos del entorno, como vehículos, peatones, señales de tráfico, mobiliario vial, etcétera.
Un sistemas de percepción exterior para ADAS (Advanced Driver Assistance Systems) consiste en una configuración de sensores capaz de percibir e interpretar el entorno exterior del vehículo permitiendo mejorar la seguridad activa proporcionando la información necesaria para una correcta toma de decisiones.
FICOSA ADAS ha desarrollado durante el proyecto InPercept un Sistema de visión surround (SVS), siendo este una tecnología emergente en automoción con multitud de aplicaciones dado que permite captar una descripción precisa del entorno del vehículo de 360º. Este sistema consta de cuatro cámaras de gran angular (fisheye) montadas alrededor del vehículo, cada una orientada en una dirección diferente formando una red con regiones superpuestas, suficientes para cubrir los 360º del campo cercano alrededor del coche. Este sistema también cuenta con un Lidar en el techo del vehículo, que añadirá robustez a las detecciones que se realizan mediante cámaras, y un dGPS para conocer la posición del vehículo de manera precisa y referenciar el entorno detectado respecto a él.
Durante los Hitos 2 y 3 del proyecto se están desarrollando una serie de algoritmos basados en Deep Learning capaces de realizar la detección, clasificación y seguimiento de vehículos y usuarios vulnerables (UVVs) tanto en condiciones lumínicas favorables como en condiciones de noche. Además se ha desarrollado un sistema de estimación de postura de peatones que permite la estimación a futuro de la posición de dicho peatón, permitiendo al sistema anticiparse
El radar de imaging 4D diseñado y desarrollado por Capgemini Engineering para el proyecto InPercept estará disponible para comenzar sus primeras pruebas en marzo. Este radar ha sido diseñado para lograr una alta resolución y rango de detección, ofreciendo una alternativa de bajo costo al Lidar. Tendrá funciones de radar de corto, mediano y largo alcance, todo en uno, permitiendo así realizar funciones ADAS que habrían requerido múltiples sensores anteriormente.
El radar se basa en el último transceptor mmWave de Texas Instruments, el AWR2243, que además de tener características ligeramente mejores que las versiones anteriores, permite una conexión en cascada de múltiples transceptores, aumentando potencialmente el número de antenas transmisoras y receptoras. Este aumento de antenas es lo que se traduce en una mejora en la resolución angular, tanto en azimut como en elevación, incluso manteniendo un rango y campo de visión elevados. El radar diseñado contiene cuatro transceptores, lo que significa 12 transmisores y 16 receptores, para una configuración MIMO potencial de 192 elementos virtuales. Se han fabricado dos versiones diferentes: una centrada más en conseguir la mejor resolución azimutal y otra intentando conseguir una resolución de elevación y azimutal más equilibrada.
Al mismo tiempo, se están realizando varias investigaciones sobre otras formas de mejorar las imágenes radar utilizando software para radares de automoción. La mayor parte de la atención se ha centrado en el radar de apertura sintética (SAR), la localización y mapeo simultáneos (SLAM) y los algoritmos de falsa alarma constante (CFAR).
SLAM tiene como objetivo generar mapas del entorno mediante la combinación de varias imágenes de sensores a medida que el vehículo se mueve.
El SLAM permite ir acumulando detecciones a medida que el vehículo se mueve para generar mapas más grandes y fiables con los puntos obtenidos. SAR, por otro lado, utiliza un concepto similar al SLAM, pero la combinación de imágenes mejora la resolución de los objetivos detectados.
En el SAR, la acumulación de puntos permite mejorar la resolución facilitando así la clasificación de los objetos detectados y obteniendo imágenes más precisas. Ambas técnicas (SLAM y SAR) dependen estrechamente del CFAR, que es el responsable de determinar qué es un objetivo o no en la captura radar. Los algoritmos de CFAR permiten generar umbrales de detección que se adaptan al nivel de ruido, cuya probabilidad de falsa alarma se mantiene constante.
Todas estas mejoras se pueden aplicar al nuevo radar de imaging 4D, pero también se pueden utilizar con radares actuales más simples como forma de superar sus limitaciones de hardware.
Próximamente
Próximamente