Metodología de pruebas híbridas de vehículos-in-the-loop para funciones de conducción autónoma

Los sistemas avanzados de asistencia al conductor (SAAC) y los sistemas de conducción autónoma (AD) requieren pruebas exhaustivas en una amplia gama de escenarios de conducción antes de que puedan usarse de manera segura en vehículos de producción. Estas pruebas pueden presentar un desafío importante para los ingenieros automotrices debido a las limitaciones de los dos enfoques generales que se utilizan comúnmente en la actualidad. El primer enfoque, que implica probar la funcionalidad AD y SAAC únicamente mediante simulación, es efectivo para el desarrollo temprano de algoritmos, pero no logra capturar la dinámica real del vehículo y los efectos relacionados con el hardware que pueden afectar sustancialmente el rendimiento del algoritmo. Si bien realizar pruebas en un vehículo real elimina estas limitaciones, este segundo enfoque requiere más tiempo, es más costoso y es más difícil de replicar, sin mencionar que es potencialmente inseguro en ciertos escenarios de conducción.

Para cerrar la brecha entre las pruebas de simulación y en vehículos, mi equipo en Investigación de vehículos virtuales ha implementado un enfoque de pruebas híbridas. Este enfoque se define incorporando pruebas de vehículo-in-the-loop que combinan un vehículo real con vehículos virtuales en un marco de cosimulación, lo que permite pruebas seguras y realistas de la funcionalidad SAAC y AD en escenarios de tráfico simulados (Figura 1). En un escenario de frenado repentino, por ejemplo, este enfoque de pruebas híbridas se puede aplicar para realizar pruebas de un sistema de frenado automático de emergencia que tenga en cuenta completamente la masa del vehículo real, la dinámica del sistema de frenado, los retrasos del hardware y otros matices que son muy difíciles o imposibles de capturar en modelos, todo sin correr el riesgo de una colisión trasera en el mundo real.

Validamos nuestra metodología de pruebas híbridas probando las prestaciones de SAAC desarrolladas internamente utilizando el diseño basado en modelos con MATLAB^® y Simulink^®. Estas prestaciones incorporan seguimiento lateral y longitudinal, así como funciones de decisión de cambio de carril para respaldar las funciones de control de crucero adaptativo (ACC), asistencia para mantenerse en el carril (LKA) y planificación de trayectoria (TP). El diseño basado en modelos nos permitió modelar, simular y generar código rápidamente para funciones SAAC, lo que hizo posible concentrar nuestros esfuerzos en validar las pruebas híbridas como un enfoque en lugar de codificación de bajo nivel y detalles de implementación.

Cómo funcionan las pruebas híbridas

En las pruebas híbridas, un vehículo real equipado con software y hardware AD o SAAC opera en un campo de pruebas cerrado que está libre de otros vehículos u obstáculos. En lugar de detectar y responder al tráfico del mundo real, el software de control interactúa con un entorno virtual que se actualiza continuamente en tiempo real a medida que el vehículo se mueve por el campo de pruebas. En nuestra configuración, el vehículo de prueba es un Ford^® Mondeo Hybrid equipado con un kit SAAC que permite un control total del acelerador, el freno, la dirección y los cambios de marcha del vehículo. El campo de pruebas es la pista de pruebas ÖAMTC Lang/Lebring cerca de Graz, Austria (Figura 2). Además, el entorno virtual se basa en la simulación de movilidad urbana (SUMO), un paquete de simulación de tráfico continuo de código abierto, con el entorno estático (incluidas señales de tráfico, coordenadas de carriles y otros elementos de infraestructura) definido mediante la especificación de formato ASAM OpenDRIVE^®.

A medida que el vehículo de prueba se mueve por la pista de varios carriles, su posición, velocidad y orientación se capturan mediante GPS y otros sensores a bordo. Esta información se transmite al entorno virtual que se ejecuta en un PC industrial del vehículo, donde se utiliza para orientar el vehículo de prueba (vehículo ego) dentro de la simulación de tráfico. Basado en la simulación del vehículo ego y su posición en relación con vehículos virtuales y elementos de infraestructura estática, el entorno virtual genera un conjunto de listas de objetos e información de detección de carril, que se envía a través de una interfaz de bus CAN al software de control SAAC que se ejecuta en dSPACE^® Hardware MicroAutoBox en tiempo real. El software de control utiliza las listas de objetos y la información de carriles para tomar decisiones sobre frenado, aceleración, cambios de carril y planificación de trayectoria, antes de enviar las señales necesarias para llevar a cabo esas decisiones a los actuadores de dirección, acelerador y freno del vehículo a través del bus CAN (Figura 3).

Modelado, simulación y generación de código para funciones de SAAC

Comenzamos a desarrollar los componentes ACC, LKA y planificación de trayectoria de nuestra función SAAC, a la que denominamos Motorway Chauffeur (MWC), utilizando un conjunto de modelos de Simulink desarrollados por nuestros colegas para otra aplicación SAAC. Adaptamos estos modelos para usar las listas de objetos y la información de carriles provenientes del entorno virtual y ejecutamos una serie de simulaciones de bucle cerrado en el escritorio para verificar la funcionalidad básica del sistema (Figura 4). También realizamos simulaciones de nuestros modelos de control SAAC con IPG CarMaker utilizando la plataforma de integración Model.CONNECT.

Una vez que probamos nuestras funciones SAAC mediante simulación, utilizamos Embedded Coder^® para generar código C++ a partir de nuestros modelos y luego implementar el código en el hardware de destino de MicroAutoBox en preparación para las pruebas en el vehículo.

Realización de pruebas en vehículos y resultados de posprocesamiento

Instalamos toda la configuración de hardware, incluido el hardware MicroAutoBox y la PC industrial, en el vehículo de prueba (Figura 5). Con esta configuración, realizamos numerosas pruebas en el campo de pruebas para evaluar una variedad de funciones SAAC y AD, incluidos cambios de carril y cambios de velocidad en respuesta a mensajes de información de infraestructura a vehículo (IVIM) en presencia de tráfico virtual.

Después de las pruebas de conducción, utilizamos MATLAB para analizar los datos registrados por los sensores a bordo y generar gráficas que mostraran la velocidad, el ángulo de dirección y la posición del vehículo a lo largo del tiempo (Figura 6). Este análisis fue fundamental para nuestros objetivos de investigación, ya que nos permitió utilizar las pruebas del vehículo-in-the-loop para evaluar los indicadores clave de rendimiento (KPI) de la funcionalidad SAAC.

El posprocesamiento de datos en MATLAB también fue fundamental para analizar los problemas que descubrimos durante nuestras pruebas. Por ejemplo, en una prueba reemplazamos los datos de la lista de objetos provenientes del entorno virtual con datos similares provenientes directamente de una cámara SAAC MobilEye. Al intercambiar los datos simulados con los datos del sensor real, notamos oscilaciones en las señales de control. Nuestro análisis reveló que el problema se debió a un retraso de aproximadamente 300 milisegundos en los datos de detección de carril. Después de introducir este mismo retraso en nuestro modelo de Simulink, las simulaciones posteriores mostraron oscilaciones similares. Luego pudimos modificar nuestro algoritmo de control para tener en cuenta este retraso y regenerar el código para resolver el problema.

Próximos pasos

Nuestro equipo continúa desarrollando la metodología de pruebas híbridas que hemos implementado. Actualmente estamos explorando varias mejoras, incluido el uso de visualizaciones 3D para escenarios de tráfico en lugar de la vista aérea actual. Otra mejora planificada es la inclusión de modelos de sensores físicos en el marco de simulación, que respaldará el desarrollo y las pruebas de algoritmos de percepción en el vehículo-in-the-loop y permitirá una mayor integración de los sensores a bordo en las pruebas híbridas.