Implementazione di una metodologia di test Vehicle-in-the-Loop ibrida per le funzioni di guida automatizzata

I sistemi avanzati di assistenza alla guida (ADAS) e i sistemi di guida automatizzata (AD) richiedono test approfonditi in una vasta gamma di scenari di guida prima di poter essere utilizzati in sicurezza nei veicoli di produzione. Questi test possono rappresentare una sfida significativa per gli ingegneri automobilistici a causa dei limiti dei due ampi approcci comunemente utilizzati oggi. Il primo approccio, che prevede il test delle funzionalità AD e ADAS solo attraverso la simulazione, è efficace per lo sviluppo iniziale dell’algoritmo ma non riesce a catturare le dinamiche reali del veicolo e gli effetti relativi all’hardware che possono influenzare sostanzialmente le prestazioni dell’algoritmo. Sebbene condurre test su un veicolo reale elimini queste limitazioni, questo secondo approccio è più dispendioso in termini di tempo, denaro e difficile da replicare, per non parlare del fatto che è potenzialmente pericoloso per determinati scenari di guida.

Per colmare il divario tra i test di sola simulazione e quelli a bordo del veicolo, il mio team di Ricerca sui veicoli virtuali ha implementato un approccio di test ibrido. Questo approccio è definito incorporando test Vehicle-in-the-Loop che combinano un veicolo reale con veicoli virtuali in un quadro di cosimulazione, consentendo test sicuri e realistici delle funzionalità ADAS e AD in scenari di traffico simulato (Figura 1). In uno scenario di frenata improvvisa, ad esempio, questo approccio di test ibrido può essere applicato per eseguire test di un sistema di frenata di emergenza automatica che tenga conto pienamente della massa reale del veicolo, della dinamica del sistema di frenatura, dei ritardi hardware e di altre sfumature che sono molto difficili o impossibili da catturare nei modelli, il tutto senza rischiare un tamponamento nel mondo reale.

Abbiamo convalidato la nostra metodologia di test ibrida testando le funzionalità ADAS sviluppate internamente utilizzando la progettazione Model-Based con MATLAB^® e Simulink^®. Queste funzionalità includono il tracciamento laterale e longitudinale, nonché funzioni di decisione sul cambio di corsia per supportare le funzionalità di controllo automatico della velocità adattivo (ACC), assistenza al mantenimento della corsia (LKA) e pianificazione della traiettoria (TP). La progettazione Model-Based ci ha consentito di modellare, simulare e generare rapidamente codice per le funzioni ADAS, il che ha consentito di concentrare i nostri sforzi sulla convalida del test ibrido come approccio piuttosto che sui dettagli di codifica e implementazione di basso livello.

Come funziona il test ibrido

Nei test ibridi, un veicolo reale dotato di software e hardware AD o ADAS opera su un terreno di prova chiuso, privo di altri veicoli o ostacoli. Invece di rilevare e rispondere al traffico del mondo reale, il software di controllo interagisce con un ambiente virtuale che viene continuamente aggiornato in tempo reale mentre il veicolo si muove sul terreno di prova. Nella nostra configurazione, il veicolo di prova è una Ford^® Mondeo Hybrid dotata di kit ADAS che consente il pieno controllo dell'acceleratore, del freno, dello sterzo e del cambio del veicolo. Il terreno di prova è la pista di prova ÖAMTC Lang/Lebring vicino a Graz, in Austria (Figura 2). Inoltre, l'ambiente virtuale si basa su Simulation of Urban MObility (SUMO), un pacchetto open source di simulazione del traffico continuo, con l'ambiente statico, inclusi segnali stradali, coordinate di corsia e altri elementi infrastrutturali, definiti utilizzando la specifica del formato ASAM OpenDRIVE^®.

Mentre il veicolo di prova si muove sulla pista a più corsie, la sua posizione, velocità e orientamento vengono acquisiti tramite GPS e altri sensori di bordo. Queste informazioni vengono trasmesse all'ambiente virtuale in esecuzione su un PC industriale nel veicolo, dove vengono utilizzate per orientare il veicolo di prova (veicolo dell'ego) all'interno della simulazione del traffico. Basandosi sulla simulazione dell'ego Vehicle e della sua posizione rispetto ai veicoli virtuali e agli elementi statici dell'infrastruttura, l'ambiente virtuale genera una serie di elenchi di oggetti e informazioni di rilevamento della corsia, che vengono inviate tramite un'interfaccia CAN bus al software di controllo ADAS in esecuzione su hardware in tempo reale MicroAutoBox dSPACE^®. Il software di controllo utilizza gli elenchi di oggetti e le informazioni sulla corsia per prendere decisioni su frenata, accelerazione, cambi di corsia e pianificazione della traiettoria, prima di inviare i segnali necessari per eseguire tali decisioni agli attuatori dello sterzo, dell'acceleratore e dei freni del veicolo tramite il bus CAN ( Figura 3).

Modellazione, simulazione e generazione di codice per le funzioni ADAS

Abbiamo iniziato a sviluppare i componenti ACC, LKA e di pianificazione della traiettoria della nostra funzione ADAS, che abbiamo soprannominato Motorway Chauffeur (MWC), utilizzando una serie di modelli Simulink sviluppati dai nostri colleghi per un'altra applicazione ADAS. Abbiamo adattato questi modelli per utilizzare gli elenchi di oggetti e le informazioni sulle corsie provenienti dall'ambiente virtuale e abbiamo eseguito una serie di simulazioni a circuito chiuso sul desktop per verificare la funzionalità di base del sistema (Figura 4). Abbiamo anche eseguito simulazioni dei nostri modelli di controllo ADAS con IPG CarMaker utilizzando la piattaforma di integrazione Model.CONNECT.

Dopo aver testato le nostre funzioni ADAS tramite simulazione, abbiamo utilizzato Embedded Coder^® per generare codice C++ dai nostri modelli e quindi distribuire il codice sull'hardware di destinazione MicroAutoBox in preparazione ai test a bordo del veicolo.

Conduzione di test a bordo del veicolo e risultati di post-elaborazione

Abbiamo installato l'intera configurazione hardware, compreso l'hardware MicroAutoBox e il PC industriale, nel veicolo di prova (Figura 5). Con questa configurazione, abbiamo condotto numerosi test sul campo di prova per valutare una varietà di funzioni ADAS e AD, inclusi cambi di corsia e cambiamenti di velocità in risposta ai messaggi informativi dall'infrastruttura al veicolo (IVIM) in presenza di traffico virtuale.

Dopo i test drive, abbiamo utilizzato MATLAB per analizzare i dati registrati dai sensori di bordo e per generare grafici che mostravano la velocità, l'angolo di sterzata e la posizione del veicolo nel tempo (Figura 6). Questa analisi è stata fondamentale per i nostri obiettivi di ricerca, poiché ci ha consentito di utilizzare i test Vehicle-in-the-Loop per valutare gli indicatori chiave di prestazione (KPI) della funzionalità ADAS.

La post-elaborazione dei dati in MATLAB è stata determinante anche per analizzare i problemi che abbiamo scoperto durante i nostri test. Ad esempio, in un test abbiamo sostituito i dati dell'elenco di oggetti provenienti dall'ambiente virtuale con dati simili provenienti direttamente da una telecamera MobilEye ADAS. Scambiando i dati simulati con i dati del sensore reale, abbiamo notato oscillazioni nei segnali di controllo. La nostra analisi ha rivelato che il problema derivava da un ritardo di circa 300 millisecondi nei dati di rilevamento della corsia. Dopo aver introdotto lo stesso ritardo nel nostro modello Simulink, le simulazioni successive hanno mostrato oscillazioni simili. Potremmo quindi modificare il nostro algoritmo di controllo per tenere conto di questo ritardo e rigenerare il codice per risolvere il problema.

Passaggi successivi

Il nostro team continua a sviluppare la metodologia di test ibrida che abbiamo implementato. Stiamo attualmente esplorando diversi miglioramenti, incluso l'uso di visualizzazioni 3D per scenari di traffico al posto delle attuali visualizzazioni a volo d'uccello. Un altro miglioramento pianificato è l’inclusione di modelli di sensori fisici nel quadro di simulazione, che supporteranno lo sviluppo e il test “vehicle-in-the-loop” degli algoritmi di percezione e consentiranno l’ulteriore integrazione dei sensori di bordo nei test ibridi.