preloader

Categorías

OBJETIVOS

Para el a√Īo 2050, se prev√© que m√°s del 70% de la poblaci√≥n mundial resida en grandes ciudades y, se incremente con ello, sus efectos, como, por ejemplo, los problemas de congesti√≥n, la falta de capacidad y espacio en los centros urbanos, los altos niveles de contaminaci√≥n, los problemas de seguridad vial y la protecci√≥n de personas. Por ello, hoy en d√≠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√≠a.

As√≠ pues, FICOSA ADAS, como L√≠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√°fico, mediante el dise√Īo, desarrollo e implementaci√≥n de tecnolog√≠as clave capaces de encaminar la conducci√≥n hacia cada vez m√°s automatizaci√≥n.

Asimismo, en línea con la mejora de la automatización de la conducción y a los niveles concretos de autonomía, bajo los que se puede catalogar un vehículo, numerados del 1 al 5, se tiene como objetivo principal alcanzar niveles superiores al actual nivel 2 (L2) a través del desarrollo de una plataforma de visión, que permita lograr un alto impacto en el sector de la movilidad, abordando los aspectos transversales como la seguridad, la autonomía y la sostenibilidad del futuro transporte.

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

Se tiene como objetivo intermedio lograr la correcta implementación de los distintos tipos de tecnologías que implican las siguientes partes diferenciadas del proyecto:

Recolección y tratamiento de datos

Parte en la que se utilizan los datos de los distintos sensores del vehículo por tal de obtener información 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 localización (odómetros, IMU o GPS/GNSS), y sensores de percepción (cámaras ópticas, LiDAR, radar o ultrasonidos).

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

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

Comunicaciones y compartición de datos

La percepción cooperativa del entorno provee a todos los integrantes de la flota (coches, autobuses, vehículos de micromovilidad, etc.) de una mejor percepción del entorno y de otros datos para la toma de decisiones. Para ello, se necesita establecer una comunicación estable y constante entre aquellos vehículos cercanos para el intercambio de información (V2V, en inglés “vehicle-to-vehicle").

Seg√ļn 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√≠deo crudo o LiDAR). Seg√ļn el tipo de informaci√≥n y la compresi√≥n de esta, los veh√≠culos deber√°n establecer enlaces superiores a los 100 Mbps con una fiabilidad superior al 99%.

Así pues, el mayor reto tecnológico asociado al presente proyecto es la compensación de las mayores pérdidas de potencia radiando en estas frecuencias, que deben compensarse con el uso de técnicas de conformación de haz (beamforming), ya previstas en el estándar.