Cómo los sistemas de sensores impulsan la funcionalidad de ADAS

Para conocer la información más reciente sobre sensores para sistemas de conducción automatizada, entrevisté a Alberto Marinoni, Director de Marketing de Producto, TDK/Invensense (San Jose, CA).

El término comúnmente usado, Sistemas Avanzados de Asistencia al Conductor (ADAS), se refiere esencialmente a Nivel SAE 2 (L2), Automatización Parcial de Conducción. En ese nivel, el conductor debe estar en el coche y debe estar vigilante —no puede leer un libro, por ejemplo— eso requeriría Nivel 3 o superior. (El nivel más alto —5— es vehículo totalmente automatizado que ni siquiera necesita un humano en el vehículo).

En Nivel 2, el coche puede controlarse automáticamente longitudinalmente (aceleración/desaceleración) o lateralmente (dirección), según la aplicación. Sin embargo, el conductor debe estar presente, mantener ojos en la calle y estar vigilante para tomar control si es necesario. En contraste, Nivel 1 puede hacer frenado/aceleración automatizado O dirección lateral, pero no ambos.

Para L2, hay múltiples sensores, incluyendo cámaras, radar y unidades de medición inercial (IMU). Un sistema global de navegación por satélite (GNSS), como GPS, también se incluye.

Para ciertas aplicaciones L2, aunque no la mayoría, lidar también está disponible, aunque eso es principalmente para Nivel 3. No siempre se incluye en L2 por su alto coste relativo a otras tecnologías. Marinoni explicó que radar es detector de largo alcance —su uso es detección de obstáculos a distancia— para alertar al coche que algo está delante. Lidar añade a la mezcla de automatización reconociendo objetos en detalle cerca del coche. También puede escanear alrededores para obtener información del entorno inmediato. Esta información puede georreferenciarse respecto a la Tierra para pinchar posición absoluta del coche usando sistema de navegación inercial (INS) compuesto por IMU y GNSS. Un mapa 3D puede construirse para localizar objetos precisamente combinando información de posición absoluta del INS e imagen de alrededores relativos basada en lidar.

Unidad de Medición Inercial (IMU)

La IMU de TDK/InvenSense tiene dos componentes MEMS en misma carcasa: acelerómetro de 3 ejes y giroscopio de 3 ejes. El acelerómetro es sensible a aceleraciones estáticas (ej. gravedad) y dinámicas en los tres ejes y puede usarse para determinar ángulo de inclinación de la IMU. El giroscopio se usa principalmente para condiciones dinámicas con velocidad angular además de gravedad. Las salidas de estos dos sensores se combinan matemáticamente para determinar orientación del sistema.

La tendencia general hoy es colocar una IMU junto a cada sensor para aumentar precisión de detección.

Aceleración/Desaceleración

Según Marinoni, las funciones de desaceleración más importantes son frenado de emergencia y evitación de colisión. Para estas aplicaciones, sensores como radar escanean frente del coche buscando objeto o persona. Los datos de escaneo se envían a unidad central de procesamiento, que decide si vehículo debe detenerse. Si es así, envía señal a actuadores que actúan como conductor, presionando pedal de freno para parar coche antes de choque.

La IMU juega papel importante aquí. El sensor radar típicamente se monta en parachoques y funciona perfecto si es paralelo a la calle. Sin embargo, si por alguna razón el parachoques se ha deformado, la información del radar será poco fiable. Una IMU montada junto al sensor radar puede monitorizar dinámicamente la inclinación para dar información correctiva. Mismo concepto se aplica a módulos de cámara.

Dirección

En vehículos actuales hay múltiples cámaras, 10 o más, para ADAS. Sin embargo, hay mucha vibración al conducir, la imagen capturada por módulo de cámara puede ser borrosa. Si pones IMU cerca de cada cámara, puedes medir fácilmente la vibración aplicada a la cámara en el momento exacto que toma foto. Con esta info, puedes estabilizar imagen y limpiar ruido para vista clara.

Una aplicación típica basada en cámara es asistencia activa de mantenimiento de carril. Para esto, suele haber cámara cerca del retrovisor, que detecta líneas de la calle y procesa imagen. Calidad de imagen es importante porque hay que reconocer la línea y si el coche la cruza. Montando IMU junto a cámara para estabilizarla, produces imagen más clara, reduciendo carga computacional en procesador central. Para algunas aplicaciones de mantenimiento de carril, se alerta al conductor para que tome control de dirección y se mantenga en carril. Hay otras donde esta info la usa el coche para controlar dirección automáticamente y mantenerse en carril.

Fusión de sensores

Pregunté a Marinoni sobre rol de fusión de sensores en ADAS. Explicó que es un algoritmo capaz de combinar información de múltiples sensores para dar salida mejor que suma de cada sensor individual.

Un ejemplo sería un INS, donde GNSS recibe info de satélite para determinar ubicación absoluta del vehículo. Sin embargo, hay condiciones donde info GNSS no es fiable, ej. túnel, cañón urbano, o parking multinivel. Necesitarías IMU cerca del GNSS para calcular posición del sistema cuando GNSS no disponible. Algoritmo de fusión de sensores corriendo en módulo GNSS combinaría info de IMU y GNSS para generar posición fiable bajo todas condiciones. Esto optimiza sistema porque IMU y GNSS se complementan por sus respectivas fortalezas y debilidades. Algoritmo de fusión mantiene info de IMU cuando GNSS no es fiable y usa info de GNSS cuando coche está en condición de cielo abierto. Cuando hay buena señal GNSS, algoritmo de fusión también permite que datos GNSS calibren IMU para cuando GNSS no esté disponible.

Navegación por estimación (Dead Reckoning)

Cuando señal GNSS no está disponible, la IMU navega con dead reckoning empezando desde la última posición absoluta recibida. En ese punto empieza integrando info de giroscopio en el tiempo, para actualizar posición. Si hay buena info de giroscopio y buen tiempo, tienes buenos resultados. Si giroscopio es bueno pero tiempo no, tienes malos resultados. Si ambos son malos, resultados completamente malos. Como estás integrando, el error se acumula y tras cierto tiempo, resultados de dead reckoning ya no son aceptables.

Si conduces por túnel o ciudad, donde señal GNSS es mala por tiempo suficiente, dead reckoning basado en IMU no sería fiable. Bajo esas condiciones, dependería del fabricante. Podrían iniciar alerta al conductor; si no reacciona, segunda alerta. Si también ignorada, ADAS podría tomar control y reducir velocidad —pero no parar coche, que sería peligroso. Una acción adicional podría ser generar llamada, ej. a OnStar, para verificar si conductor está seguro. Hay múltiples formas de gestionar la situación.

Fiabilidad del sistema ADAS

Fiabilidad del sistema ADAS en sí es obviamente crítica. Integridad de datos debe garantizarse bajo todas condiciones. Según Marinoni, las IMU de 6 ejes de TDK/Invensense para ADAS incluyen diagnóstico embebido desarrollado para sistemas cumpliendo requisitos hasta nivel B de Integridad de Seguridad Automotriz (ASIL). Si comunicación con unidad central no es fiable, por ejemplo, puede generar alarma para alertar al conductor. Chip de seguridad embebido incluye mecanismo que verifica continuamente funcionalidad de todos los bloques del sistema. Si componente detecta malfuncionamiento en acelerómetro, giroscopio, lógica digital, o bus de comunicación, envía alarma al sistema, avisando que algo falló y la info del sensor ya no es fiable. Autodiagnóstico es obligatorio en aplicaciones de seguridad automotriz, especialmente si controlas velocidad, frenado o dirección. Estos problemas se abordan en especificación ASIL. Sin embargo, incluso si no es para aplicación Nivel 2, sistema como control de estabilidad electrónico debe ser 100% fiable.

Estado actual y futuro

Pregunté a Marinoni dónde ve esta tecnología ahora y qué esperar en futuro. "En este momento, Nivel 2 es realidad —ya está en la calle", dijo. "Pero está rampando ahora en sentido que esperamos volúmenes de IMU aumenten de ahora a 2030, de menos de 10 millones de vehículos a más de 40 millones." Para siguiente paso, Nivel 3, principal cambio será probablemente introducción de nuevas tecnologías como lidar. "Desde punto de vista de nuestra IMU, ya estamos listos para aplicaciones L3, gracias a nuestra integración de 6 ejes", dijo.

Continuó que siguiente punto de innovación podría ser reducción de consumo de energía. Algunas aplicaciones ADAS requieren estar encendidas incluso cuando motor está apagado. Por esto, consumo de cada componente cuenta. En pasado, cuando aplicaciones corrían solo si motor encendido, no era problema. Pero ahora fabricantes cambian especificaciones para incluir consumo de energía.

Y último pero no menos importante, como integración dead reckoning se ve afectada por error acumulado en tiempo, otro punto importante, especialmente con coches autónomos, es reducir aún más ruido del componente, mejorar rendimiento del sensor, implementar integración dead reckoning más larga, manteniendo error total bajo control.

Pregunté a Marinoni cuándo creía que Nivel 3 llegaría a las calles. Su suposición: no veremos mucho movimiento en mercado L3 hasta 2025.

"Otro tema importante, aunque no basado en teoría —es más regla empírica— es que para sistemas L2, dos tecnologías paralelas son suficientes. Para sistemas L3, para garantizar precisión, estabilidad y rendimiento, necesitas combinar al menos tres tecnologías, y probablemente para L4, necesitas cuatro. Esto da sentido de complejidad para garantizar rendimiento y seguridad", dijo. Eso pondrá mayores demandas en algoritmos y recursos computacionales requeridos. Ahí es donde 5G probablemente entrará, para permitir mover gran parte de computación a la nube. Por supuesto, eso abre puerta a posibles hackeos.

Este artículo fue escrito por Ed Brown, Editor de Tecnología de Sensores. Para más información, visite aquí.