preloader

OBJETIVOS

Para el a帽o 2050, se prev茅 que m谩s del 70% de la poblaci贸n mundial resida en grandes ciudades y, se incremente con ello, sus efectos, como, por ejemplo, los problemas de congesti贸n, la falta de capacidad y espacio en los centros urbanos, los altos niveles de contaminaci贸n, los problemas de seguridad vial y la protecci贸n de personas. Por ello, hoy en d铆a todas las agendas de Gobiernos y Administraciones Publicas regionales y municipales en todo el mundo tienen como objetivo desarrollar una movilidad sostenible e igualitaria apoyada en la tecnolog铆a.

As铆 pues, FICOSA ADAS, como L铆der del presente proyecto denominado INPERCEPT en base a las previsiones y dicho objetivo general, pretende limitar las capacidades humanas de manejo y control y mejorar la capacidad y las condiciones de tr谩fico, mediante el dise帽o, desarrollo e implementaci贸n de tecnolog铆as clave capaces de encaminar la conducci贸n hacia cada vez m谩s automatizaci贸n.

Asimismo, en l铆nea con la mejora de la automatizaci贸n de la conducci贸n y a los niveles concretos de autonom铆a, bajo los que se puede catalogar un veh铆culo, numerados del 1 al 5, se tiene como objetivo principal alcanzar niveles superiores al actual nivel 2 (L2) a trav茅s del desarrollo de una plataforma de visi贸n, que permita lograr un alto impacto en el sector de la movilidad, abordando los aspectos transversales como la seguridad, la autonom铆a y la sostenibilidad del futuro transporte.

  • Obtenci贸n de nuevos sistemas de percepci贸n exterior 360潞 (multisensor)
    • Sistemas de veh铆culo con mejor resoluci贸n y mayor fiabilidad y rendimiento en detecci贸n de los elementos de tr谩fico, tanto din谩micos como est谩ticos y especialmente los usuarios vulnerables, independientemente del entorno o condiciones de operaci贸n.
  • Desarrollo de un sistema de percepci贸n interior para la monitorizaci贸n de conductor y ocupantes
    • As铆 como de sistemas HMI interior y exterior que permitan la interacci贸n tanto con ocupantes del veh铆culo como con otros usuarios de la v铆a, as铆 como anticipar situaciones de riesgo.
  • Desarrollo de tecnolog铆as de posicionamiento y conectividad avanzadas
    • Para una interacci贸n segura y confiable entre veh铆culos, infraestructura y otros usuarios de la v铆a (percepci贸n cooperativa)
  • Desarrollo de consciencia situacional basada en modelos de IA
    • Para la comprensi贸n del entorno y la toma de decisiones en tiempo real capaz de operar en condiciones extremas, ampliando el dominio de dise帽o operativo (ODD) de las funciones de conducci贸n aut贸noma
  • Gesti贸n de datos y nuevas funciones ADAS
    • Para permitir una elevada autonom铆a de veh铆culo (L4) e incrementar la seguridad
  • Demostraci贸n del impacto positivo de los desarrollos en casos de uso complejos de Smart cities y de gesti贸n de flotas

Se tiene como objetivo intermedio lograr la correcta implementaci贸n de los distintos tipos de tecnolog铆as que implican las siguientes partes diferenciadas del proyecto:

Recolecci贸n y tratamiento de datos

Parte en la que se utilizan los datos de los distintos sensores del veh铆culo por tal de obtener informaci贸n necesaria sobre su estado y el de su entorno. Las fuentes (sensores) pueden ser muy diversas, y se agrupan en dos grandes tipos: sensores de localizaci贸n (od贸metros, IMU o GPS/GNSS), y sensores de percepci贸n (c谩maras 贸pticas, LiDAR, radar o ultrasonidos).

Adem谩s, se contempla el uso de las propias se帽ales de comunicaci贸n detalladas en el siguiente punto como fuente adicional de datos. El uso de visi贸n multiespectral permite la detecci贸n de objetos de forma fiable en condiciones muy diversas tanto clim谩ticas como de visibilidad.

Para la correcta interpretaci贸n y procesado de los datos se deben implementar los algoritmos de fusi贸n y compresi贸n necesarios. La fusi贸n de datos tan heterog茅neos se realizar谩 seg煤n convenga a nivel de se帽al, combinando aquellos que sean de tipolog铆a similar, de caracter铆sticas (reconociendo objetos concretos) o de toma de decisiones, combinando las salidas de cada rama de decisi贸n, mediante el uso de inteligencia artificial, como los modelos de aprendizaje profundo (Deep Learning). La unidad de procesado de datos comunicar谩 entonces los resultados a la unidad central del veh铆culo para la toma de decisiones y la activaci贸n de los actuadores pertinentes.

Comunicaciones y compartici贸n de datos

La percepci贸n cooperativa del entorno provee a todos los integrantes de la flota (coches, autobuses, veh铆culos de micromovilidad, etc.) de una mejor percepci贸n del entorno y de otros datos para la toma de decisiones. Para ello, se necesita establecer una comunicaci贸n estable y constante entre aquellos veh铆culos cercanos para el intercambio de informaci贸n (V2V, en ingl茅s 鈥渧ehicle-to-vehicle").

Seg煤n las estimaciones de Stephan Heinrich (Lucid Motors), los datos generados por los distintos sensores comprenden un abanico desde los pocos kbps (ultrasonidos, GPS, IMU) hasta las centenas o miles de Mbps (v铆deo crudo o LiDAR). Seg煤n el tipo de informaci贸n y la compresi贸n de esta, los veh铆culos deber谩n establecer enlaces superiores a los 100 Mbps con una fiabilidad superior al 99%.

As铆 pues, el mayor reto tecnol贸gico asociado al presente proyecto es la compensaci贸n de las mayores p茅rdidas de potencia radiando en estas frecuencias, que deben compensarse con el uso de t茅cnicas de conformaci贸n de haz (beamforming), ya previstas en el est谩ndar.