Paul Cristian Bucătaru 
Bogdan Bud În ultimii ani, am fost martorii unei evoluții formidabile a industriei Automotive. Mașinile noastre au devenit vehicule inteligente, autonome care se pot deplasa pe drum, în mod surprinzător de abil. În spatele magiei, se află o flotă de senzori tehnologizați — radar, LiDAR, camere și nu numai — care ajută mașinile să "vadă" și să "gândească" cum nu au făcut-o până acum. Acești senzori avansați, capabili să "vadă" prin întuneric, ceață sau vreme rea, joacă un rol primordial în detectarea obstacolelor, în menținerea distanței de siguranță și în facilitarea luării deciziilor în timp real. Senzorii sunt elementul cheie în construcția de mașini autonome. Este un vis pe care dorim să îl transformăm într-o experiență zilnică normală.
Setul de senzori este ales printr-o analiză a punctelor forte și a punctelor slabe. Obiectivul nostru este de a ajunge la un sistem robust ce poate opera într-o varietate de condiții. Un astfel de senzor, întâlnit în multe vehicule disponibile comercial este RADAR (acronim pentru Radio Detection and Ranging/Detecție Radio și Randare Zonă). Deși fiecare senzor contribuie cu date valoroase, capabilitățile avansate ale radarului pentru monitorizarea la distanță și măsurarea precisă a distanței, indiferent de iluminat îl transformă într- o componentă esențială pentru un sistem de conducere autonomă.
Pe măsură ce se dezvoltă funcționalități de conducere din ce în ce mai sofisticate, este important ca senzorii să furnizeze o reprezentare fiabilă a mediului înconjurător. Percepția radar este o componentă tehnologică care gestionează detecția și interpretarea obiectelor din mediul înconjurător, folosind reflexia undelor electromagnetice. Componenta radar este responsabilă de crearea obiectelor pe baza acestor reflexii și de calcularea atributelor lor pe baza diverșilor algoritmi.
RADAR este un sistem ce folosește astfel de unde electromagnetice din domeniul radio sau microunde pentru a determina distanța, unghiul și viteza obiectelor. Aceste unde care se propagă cu viteza luminii sunt reflectate înapoi de suprafețe, fiind primite sub formă atenuată și distorsionată temporal de radar. Procesul determină o listă de puncte de reflexie care reprezintă datele de intrare pentru Percepție.
Pentru a detecta mediul înconjurător, percepția RADAR urmează câțiva pași: preprocesarea reflexiei, gruparea datelor (clustering), (re)crearea de obiecte, monitorizarea și clasificarea.
Preprocesarea reflexiei rafinează datele brute și oferă acuratețe mai mare pentru detectarea și clasificarea obiectelor. Undele radar nu urmează mereu o linie dreaptă, uneori undele ricoșează între vehicule sau între elemente de pe drum (garduri de protecție, pământ, clădiri sau alte obiecte statice). Două dintre cele mai frecvente consecințe sunt reflexia pe căi multiple și oglindirea.
Reflexia pe căi multiple este generată când semnalele radar ricoșează de la vehiculul nostru la cel din față și înapoi, înainte de a fi detectate de senzor. Acest fenomen face ca obiectul să fie creat la distanță dublă sau triplă față de distanța sa reală. Se va crea astfel un obiect ce va apărea în spatele vehiculului real.
Efectul de oglindire are loc când avem o a treia suprafață ce funcționează ca o oglindă. În multe cazuri, undele radar se reflectă de pe un gard de protecție și se întorc la senzor, creând o falsă detecție ce face ca un obiect să apară ca și cum ar fi poziționat pe partea opusă a gardului de protecție.
În conducerea autonomă, aceste efecte conduc la estimarea eronată a mediului înconjurător, ceea ce afectează performanța sistemului. Din acest motiv, este vital să se asigure acuratețea și fiabilitatea datelor detectate prin filtrare.
Având o vedere sintetică a locațiilor radar, Percepția este responsabilă cu linearizarea și cu gruparea acestora pe baza trăsăturilor similare (clustering), creându-se mai multe obiecte ce trebuie monitorizate și generându-se totodată proprietățile acestor obiecte. Obiectele sunt stocate în memorie și vor funcționa ca date de intrare de următorii pași de monitorizare.
De la acest punct, combinăm două metode pentru a obține o estimare a stării obiectelor: poziție, viteză și orientare pe coordonate carteziene. Primul pas este predicția care se bazează pe un model teoretic linear care anticipează mișcarea obiectelor, folosindu-se de proprietățile și de istoria obiectelor. RADAR-ul actualizează predicțiile, în mod constant, cu măsurători în timp real pentru a corecta orice discrepanțe între poziția reală și cea prezisă. Gradul de încredere acordat pentru măsurătoare vs. predicție este determinat de o cantitate aferentă de incertitudine. Dacă trece ceva timp fără ca un obiect să fie măsurat, acel obiect este scos din lista de obiecte, din moment ce nu îl mai putem estima fără date actualizate de la senzor.
Urmând acești pași, putem reprezenta cu acuratețe mediul înconjurător, monitorizând poziția, viteza și orientarea obiectelor din vecinătatea vehiculului nostru.
Pentru a aduce mai multă valoare mediului înconjurător deja estimat, folosim mai mulți algoritmi de clasificare ce folosesc proprietăți diferite ale reflexiilor (RCS, viteză, distribuție etc.). Acest fapt ne ajută să diferențiem între diverși participanți la trafic, cum ar fi vehiculele sau pietonii. Unul din aceste modele de clasificare funcționează prin metoda statistică prin care încercăm să potrivim proprietățile cu cea mai apropiată clasă, având un grad de probabilitate ce devine din ce în ce mai fiabil în timp.
Per total, percepția RADAR joacă un rol important în sistemele avansate de asistență a șoferilor, facilitând funcții vitale precum Automatic Emergency Braking (AEB) sau Adaptive Cruise Control (ACC). Totuși, peisajul detecției obiectelor prin RADAR evoluează rapid. Metodele clasice de detecție sunt înlocuite de metode AI, ceea ce oferă acuratețe și adaptabilitate în medii complexe. Siguranța și fiabilitatea acestor sisteme bazate pe AI sunt încă evaluate, deoarece nu există standarde complet definite în acest sens.
În plus, deși tehnologia radar rămâne o tehnologie fundamentală pentru aceste aplicații, aceasta se folosește rar, în mod independent, în vehicule. Soluțiile moderne ADAS se bazează pe fuziunea mai multor senzori, combinând tehnologia RADAR cu camerele, LiDAR și alți senzori pentru a crea o percepție mai completă și mai corectă a mediului în care se conduce.
Bar-Shalom, Yakov and Rongli Xiao, Multitarget-Multisensor Tracking: Principles and Techniques. (1995). Multitarget-Multisensor Tracking: Principles and Techniques | Semantic Scholar
de Cornel Spînu
de Mihai Ureche
de Bianca Moga
