Figura 1: De la sistemele moderne de asistență la conducere se așteaptă mai mult decât simpla detectare a prezenței unui obstacol: acestea trebuie să poată identifica și despre ce este vorba – de exemplu, despre un participant la trafic, precum un motociclist, sau despre un stâlp de delimitare staționar. (Sursă: Bosch)
Automatizarea bazată pe AI remodelează senzorii auto. În multe dintre abordările actuale, datele brute de la senzori, cu densitatea lor ridicată de informații, capătă o importanță tot mai mare în raport cu datele supuse unei preprocesări intense. Arhitecturile moderne de cipuri reprezintă o condiție esențială pentru ca aceste date brute să poată fi puse la dispoziție în timp real.
Așteptările utilizatorilor de vehicule depășesc astăzi cu mult simplele funcții de avertizare. Sistemele de asistență la conducere bazate pe AI trebuie să asigure detectarea fiabilă a diferitelor tipuri de obstacole, să frâneze automat, să parcheze cu precizie și să reacționeze în siguranță chiar și în situații complexe. Pentru aceasta, vehiculele au nevoie de o imagine din ce în ce mai precisă asupra mediului înconjurător, ceea ce reprezintă, la rândul său, o provocare pentru producătorii auto. Performanța funcțiilor moderne de conducere nu este determinată de numărul propriu-zis de senzori, ci de cât de complete sunt datele furnizate de aceștia și de posibilitatea de a le fuziona.
Datele brute ca bază pentru percepția inteligentă a mediului înconjurător
Inițial, un senzor captează doar semnale fizice, precum unde sonore, reflexii electromagnetice sau lumină. Aceste măsurători sunt denumite date brute. Abia în urma mai multor etape de procesare, ele sunt transformate în informații pe care unitățile electronice de control le pot utiliza.
În multe dintre sistemele actuale de asistență la conducere, procesarea inițială a semnalului are loc chiar în interiorul senzorului. Zgomotul este filtrat, datele de măsurare sunt comprimate sau sunt extrase anumite caracteristici ale semnalului. În urma acestui proces pot rezulta așa-numitele date bazate pe anvelopa semnalului (profiluri condensate ale semnalului) sau informații deja interpretate despre obiecte, precum distanța, poziția ori obstacolele detectate. Această preprocesare oferă avantaje clare: prin reducerea volumului de date și, implicit, a puterii de calcul necesare, scade sarcina unităților de control și permite obținerea unor timpi de răspuns reduși la nivelul întregului sistem. Pentru funcțiile convenționale de asistență la conducere, acest nivel de procesare este adesea suficient.
Totuși, această abordare începe să se schimbe. Sistemele bazate pe AI necesită date de la senzori cât mai puțin prelucrate, deoarece procesarea prea timpurie poate reduce cantitatea de informație disponibilă sau chiar poate elimina detalii potențial relevante. În cazul senzorilor cu ultrasunete, de exemplu, diferențe subtile de amplitudine, de evoluție a semnalului sau de formă a ecoului pot furniza informații esențiale pentru detectarea fiabilă a obiectelor. Aceste detalii pot ajuta la diferențierea vehiculelor parcate, bordurilor, stâlpilor, pietonilor sau a diverselor structuri ale suprafeței. Cu cât situația de conducere este mai complexă, cu atât semnalele complete furnizate de senzori devin mai valoroase (Figura 1).
De ce metodele convenționale bazate pe praguri își ating limitele
Figura 2: Componentele semnalului care depășesc pragul sunt detectate ca obstacole, iar cele aflate sub prag sunt filtrate. (Sursă: Bosch)
Pentru a înțelege diferența dintre datele preprocesate și cele brute, este util să analizăm mai îndeaproape procesarea semnalului. Multe sisteme convenționale utilizează un lanț de procesare foarte simplificat, în care semnalul brut este filtrat, transformat într-o anvelopă a semnalului și apoi evaluat pe baza unui prag fix sau adaptiv.
Figura 2 ilustrează acest principiu. Semnalul albastru indică evoluția în timp a unui ecou ultrasonic. Reflexiile multiple – de exemplu, de la suprafețe denivelate ale drumului, pietoni sau stâlpi – generează forme diferite ale semnalului. Linia roșie punctată indică pragul de detecție. Doar componentele semnalului care depășesc acest prag sunt interpretate ca evenimente.
Ce informații se pierd prin aplicarea unui prag
Limita acestei abordări constă în reducerea semnificativă a informației disponibile. O mare parte din structura semnalului este eliminată înainte ca interpretarea propriu-zisă să aibă loc. Această metodă funcționează bine în scenarii simple. Pe măsură ce situațiile de trafic devin însă mai complexe – de exemplu, atunci când sunt prezente mai multe obstacole de dimensiuni reduse – unele dintre acestea pot să nu mai fie detectate.
Aplicarea unui prag are însă și o altă consecință importantă: elimină nu numai semnalele slabe provenite de la obiectele urmărite, ci și ceea ce este perceput drept “zgomot”. Acesta este tratat ca interferență și, prin urmare, este eliminat. În condiții reale de utilizare, însă, un asemenea zgomot poate conține informații structurate, de exemplu despre sunete neobișnuite ale vehiculului sau despre starea generală a drumului. Astfel, se pot pierde informații contextuale potențial valoroase – informații care pot depăși simpla detectare a obiectelor și pot contribui la o înțelegere mai cuprinzătoare a mediului din jurul vehiculului sau chiar pot oferi indicii privind existența unor componente defecte.
În același timp, datele brute nu elimină necesitatea preprocesării. În schimb, apar arhitecturi hibride în care datele brute, datele bazate pe anvelopa semnalului sau listele de obiecte sunt utilizate în paralel, în funcție de aplicație. Astfel poate fi ales un echilibru optim între rata de transfer a datelor, sarcina de calcul și conținutul informațional.
Datele brute permit optimizarea fuziunii datelor de la senzori
Datele brute furnizate de senzori sunt valoroase și dintr-un alt motiv: pot reprezenta o componentă esențială a fuziunii datelor de la senzori realizate cu ajutorul AI. Fuziunea datelor provenite de la senzori combină informații eterogene pentru a crea un model coerent al mediului din jurul vehiculului. Niciun senzor nu poate surprinde singur, în întregime, acest mediu. Camerele oferă imagini de înaltă rezoluție, dar performanța lor depinde de condițiile de iluminare. Radarul funcționează fiabil chiar și în condiții meteorologice dificile, însă oferă o rezoluție unghiulară mai redusă. Senzorii cu ultrasunete, în schimb, permit o detecție deosebit de precisă la distanțe mici, de exemplu în timpul parcării sau în situații de deplasare cu viteză redusă.
Fuziunea datelor poate combina informațiile provenite atât de la mai mulți senzori de același tip, cât și de la tehnologii de detecție diferite, pentru a obține o acoperire completă, la 360 de grade, a mediului din jurul vehiculului. Astfel pot fi valorificate avantajele fiecărui tip de senzor și, în același timp, compensate limitările acestuia. Cu cât datele de intrare sunt mai complete și mai puțin alterate, cu atât percepția globală a sistemului poate deveni mai robustă și mai fiabilă.
Avantajul păstrării semnalului complet
Datele brute oferă aici un avantaj decisiv. În timp ce datele bazate pe anvelopa semnalului și listele de obiecte reprezintă deja informații puternic condensate, datele brute păstrează informația completă a semnalului – inclusiv efectele de propagare pe căi multiple și de împrăștiere din semnalele radar și ultrasonice, modelele detaliate de intensitate și textură din imaginile camerelor sau structurile fin rezolvate ale norilor de puncte LiDAR (Light Detection and Ranging). Modelele AI pot analiza aceste fluxuri eterogene de date brute și pot identifica tipare care ar putea rămâne ascunse metodelor convenționale de procesare. Printre acestea se numără corelațiile dintre senzori, caracteristicile subtile ale materialelor și suprafețelor, precum și dependențele temporale observate pe parcursul mai multor cicluri de măsurare.
Datele brute pot contribui, de asemenea, la o cuantificare mai eficientă a incertitudinilor asociate diferiților senzori, reducând astfel riscul unor interpretări eronate în situații critice. De exemplu, o reflexie puternică a luminii poate perturba temporar un sistem bazat pe camere și îl poate determina să interpreteze reflexia drept un posibil obstacol. Combinarea datelor provenite de la camere cu cele furnizate de radar sau de alți senzori poate ajuta la clasificarea corectă a unei asemenea anomalii vizuale și la reducerea probabilității unei interpretări greșite.
Chipsetul ultrasonic de la Bosch: un exemplu de arhitectură modernă de senzori
Pentru ca datele brute furnizate de senzori să poată fi utilizate în vehicul, sunt necesare chipseturi specializate. Acestea captează datele direct la sursă și permit transmiterea lor rapidă, cu o lățime de bandă ridicată.
Figura 3: Exemplu de configurație cu mai mulți senzori TB293 amplasați în zona barei de protecție a vehiculului și conectați la unitatea centrală de procesare (CPU), prin intermediul TB193, folosind un singur cablu. Sursă: Bosch)
Chipsetul ultrasonic de la Bosch reprezintă un bun exemplu al acestui tip de arhitectură. Front-end-ul TB293 este integrat direct cu traductorul ultrasonic și captează semnalul brut la nivelul senzorului. Astfel, devin disponibile datele complete ale ecoului. Dispozitivul de comunicație TB193 asigură apoi transmiterea, în condiții critice de timp, a datelor de la senzori către unitatea de control.
Transmisia datelor se realizează prin magistrala VASI (Vehicle Automotive Sensor Interface), o interfață data-over-power cu două fire, care asigură simultan alimentarea senzorilor și transferul datelor. Cu rate de transfer de până la 1,16 Mbit/s, aceasta permite comunicații de înaltă performanță și, în același timp, simplifică semnificativ arhitectura cablajului. Sunt reduse astfel greutatea, costul și complexitatea fasciculului de cabluri, fiind posibile totodată configurații flexibile ale senzorilor în vehicul. Figura 3 prezintă un exemplu al unei asemenea arhitecturi în zona barei de protecție.
Un avantaj important al acestei arhitecturi este posibilitatea de a utiliza mai multe niveluri de date prin intermediul unei infrastructuri unificate. Pe lângă datele brute destinate procesării cu ajutorul AI, pot fi transmise și date bazate pe anvelopa semnalului, pentru procesarea convențională, precum și informații procesate despre obiecte, destinate funcțiilor consacrate de asistență la conducere. Se creează astfel o arhitectură ierarhică a datelor, care permite niveluri diferite de profunzime a procesării, în funcție de cerințele fiecărei funcții.
Datele brute ca bază pentru funcții scalabile ale vehiculului
Figura 4: Front-end-ul TB293 captează semnalul ultrasonic brut direct de la traductor, punând la dispoziție datele complete ale ecoului. Dispozitivul de comunicație TB193 asigură apoi transmiterea, în condiții critice de timp, a datelor de la senzori către unitatea de control. (Sursă: Bosch)
Datele brute furnizate de senzori reprezintă mult mai mult decât un detaliu tehnic al procesării semnalelor. Ele constituie baza unei arhitecturi a vehiculului care poate evolua pe parcursul întregului său ciclu de viață. Această abordare este în concordanță cu conceptul de vehicul definit de software (SDV). Funcțiile vehiculului devin astfel scalabile: actualizările software pot permite o detectare mai performantă a obiectelor, noi funcții de parcare, funcții ADAS îmbunătățite sau chiar aplicații complet noi legate de siguranță, fără a necesita modificări fundamentale ale hardware-ului senzorilor. Arhitecturi precum chipsetul ultrasonic prezentat mai sus pot oferi, prin urmare, fundamentul informațional pentru funcții care ar putea fi dezvoltate abia într-o etapă ulterioară a ciclului de viață al vehiculului.
Posibilitățile depășesc cu mult percepția convențională a mediului înconjurător. Tiparele identificate în datele furnizate de senzori și în semnale pot fi utilizate din ce în ce mai mult pentru a obține informații despre condițiile din interiorul și din jurul vehiculului. De exemplu, modificările semnăturilor acustice pot indica suprafețe de drum umede sau alunecoase, în timp ce variațiile vibrațiilor sau ale zgomotului pot oferi indicii privind dezechilibrul roților, uzura sau alte anomalii tehnice. Informațiile suplimentare obținute din datele brute ale senzorilor pot extinde, în viitor, funcționalitatea sistemelor avansate de asistență la conducere, transformând aceste date într-o resursă valoroasă pentru viitoarele arhitecturi de siguranță.
Autori:
Viktor Kraus,
Manager de produs pentru ASIC-uri cu ultrasunete
Hendrik Seidel
Șef al departamentului de produse pentru circuite integrate ADAS
Glosar de termeni
ADAS (Advanced Driver Assistance Systems) – Sisteme avansate de asistență la conducere care utilizează date provenite de la senzori pentru funcții precum detectarea obstacolelor, frânarea automată sau parcarea asistată.
Date brute (raw data) – Măsurători furnizate direct de senzori, înainte de etapele de filtrare, comprimare sau interpretare. Păstrează cea mai mare cantitate de informație disponibilă în semnal.
Anvelopa semnalului (signal envelope) – Reprezentare obținută prin procesarea semnalului brut, care evidențiază variația amplitudinii acestuia într-o formă condensată.
Fuziunea datelor de la senzori (sensor fusion) – Combinarea informațiilor provenite de la mai mulți senzori, de același tip sau de tipuri diferite, pentru construirea unui model mai complet și mai fiabil al mediului din jurul vehiculului.
Multipath / propagare pe căi multiple – Fenomen prin care un semnal ajunge la receptor pe mai multe trasee, în urma reflexiilor și împrăștierii produse de obiectele din mediu.
LiDAR (Light Detection and Ranging) – Tehnologie de detecție care utilizează impulsuri laser pentru măsurarea distanțelor și generarea unor reprezentări tridimensionale ale mediului sub forma norilor de puncte.
VASI (Vehicle Automotive Sensor Interface) – Interfață cu două fire utilizată în arhitectura Bosch pentru alimentarea senzorilor și transmiterea simultană a datelor.
SDV (Software-Defined Vehicle) – Vehicul ale cărui funcții pot fi extinse, îmbunătățite sau modificate prin software pe parcursul ciclului său de viață.