Los vehículos completamente autónomos del futuro no tan distante prometen enormes beneficios en seguridad y eficiencia. Pero para cumplir esta promesa, los fabricantes originales de equipos (OEM) en automoción deben superar los niveles actuales de autonomía de los vehículos. Realizar este salto requerirá superar un conjunto único de retos en pruebas de sensores radar de automoción en sistemas avanzados de ayuda a la conducción (ADAS) y en sistemas de conducción autónoma, así como el desarrollo de nuevas metodologías para entrenar algoritmos que las soluciones convencionales no son adecuadas para afrontar.
SAE International (anteriormente la Sociedad de Ingenieros de Automoción) define seis niveles de autonomía de vehículos, siendo el nivel 0 completamente manual y el nivel 5 la completa autonomía.
Los sistemas actuales más avanzados de vehículos autónomos sólo alcanzan el nivel 3, lo que significa que son capaces de tomar algunas decisiones como acelerar o frenar sin necesidad de intervención humana. Llegar de nivel 3 a nivel 5 requerirá muchos avances, incluyendo cerrar la brecha entre simulación software y pruebas en Carretera, y entrenar ADAS y algoritmos de vehículos autónomos en condiciones del mundo real.
La innovación más reciente de Keysight, el Emulador de Escenario Radar (RSE), da un gran paso para cerrar esta brecha.
La simulación software juega un papel importante en el desarrollo del vehículo autónomo. Simular entornos mediante software puede ayudar a validar las capacidades de sistemas ADAS y de conducción autónoma. Pero, la simulación no puede reproducir completamente las condiciones de conducción del mundo real o la potencial respuesta imperfecta del sensor, algo que los vehículos completamente autónomos tendrán que afrontar inevitablemente.
Los OEM dependen de las pruebas en Carretera para validar sistemas ADAS y de conducción autónoma antes de sacarlos al mercado. Mientras que las pruebas en carretera son y seguirán siendo un componente necesario del proceso de desarrollo, conllevan mucho tiempo, son costosas, y es difícil repetirlas con exactitud en una zona teniendo en cuenta las condiciones ambientales. Depender exclusivamente de pruebas en carretera para desarrollar vehículos suficientemente fiables como para circular con seguridad por entornos urbanos y rurales el 100% de los casos llevaría décadas. Para poder realizar un desarrollo en un margen de tiempo realista, se necesitan algoritmos de entrenamiento.
Validar algoritmos de conducción autónoma basados en radar es una tarea crucial. Los sensores capturan la información de las condiciones del tráfico y de la carretera y llevan esta información a los procesadores y algoritmos que permiten al vehículo tomar decisiones acerca de cómo debería responder en cualquier situación particular. Sin un entrenamiento adecuado, los vehículos autónomos podrían tomar decisiones que penalizasen la seguridad del conductor, de los pasajeros, o de los peatones.
Al igual que la gente mejora su conducción con tiempo y experiencia, los sistemas de conducción autónoma mejoran su capacidad para afrontar las condiciones de conducción del mundo real con tiempo y entrenamiento. Y alcanzar el nivel 5 de autonomía requerirá de sistemas complejos que superen las capacidades de los mejores conductores humanos.
Pruebas en carretera prematuras de sistemas ADAS y de conducción autónoma pueden acarrear riesgos. Los OEM necesitan la capacidad de simular escenarios del mundo real que permitan la validación de los sensores, el código de la unidad de control electrónico, y la inteligencia artificial entre otros.
Las soluciones actuales de simulación basadas en laboratorio no proporcionan una aproximación real a los escenarios de conducción del mundo real. Tienen un campo de visión limitado y no pueden diferenciar objetos a distancias inferiores a 4 metros. Algunos de estos sistemas utilizan múltiples simuladores de objetivos radar, cada uno presentando objetivos puntuales a los sensores radar y emulando la posición horizontal y vertical variando mecánicamente la situación de las antenas. Esta automatización mecánica ralentiza el tiempo total de pruebas. Otras soluciones crean un muro de antenas con tan sólo unos pocos simuladores de objetivos, facilitando que un objeto aparezca en cualquier lugar de la escena, pero no de forma concurrente. En un entorno estático o cuasi estático, esta aproximación permite probar unos pocos objetivos que se mueven lateralmente a velocidades limitadas por la velocidad de los brazos robóticos.
Los simuladores actuales pueden emular un máximo de tan sólo 32 objetos, incluyendo vehículos, infraestructura, peatones, obstáculos, y otros objetos. Esto es mucho menos de los objetos que un vehículo se encontraría en la carretera en cualquier momento. Probar los sensores radar contra un número limitado de objetos ofrece una vista incompleta de los escenarios de conducción y enmascara la complejidad del mundo real.
Para avanzar la tecnología del vehículo autónomo hasta los niveles 4 y 5 de autonomía, los OEM de automoción necesitan soluciones capaces de mostrar más objetos, más rápido y a menores distancias. Para ayudar a cerrar estas brechas, Keysight ha desarrollado una tecnología exclusiva de pantalla de simulación escalable que combina cientos de simuladores en miniatura de objetivos radar y puede emular hasta 512 objetos a distancias tan cercanas como 1.5 metros. El resultado es un entorno determinista de mundo real para pruebas en laboratorio de escenarios complejos que anteriormente sólo podrían probarse en carretera.
Keysight se orgullece de estos avances tecnológicos y del resultante Emulador de Escenarios Radar, una parte clave de la plataforma de Emulación de Conducción Autónoma (ADE). Creemos que esta tecnología Avanza un largo trecho para el cierre de dos brechas importantes en el camino hacia el vehículo autónomo de nivel 5, aportando un transporte más eficiente y seguro con menos accidentes mortales y menos tiempo perdido en el tráfico.
Autor Thomas Goetzl, vicepresidente de las soluciones de automoción y energía en Keysight Technologies
