Resumen Técnico: CIVAT – Un banco de pruebas en miniatura para la validación de la conducción autónoma cooperativa multiagente

Planteamiento del problema

Aunque las tecnologías de conducción autónoma han avanzado significativamente, la mayor parte del progreso se centra en vehículos independientes. La conducción autónoma cooperativa, que depende de la colaboración en tiempo real entre los vehículos y la infraestructura inteligente de carretera, sigue siendo un problema desafiante que requiere una validación rigurosa. Los métodos de validación existentes enfrentan una dicotomía:

• Bancos de pruebas a escala real (p. ej., M-City, K-City) ofrecen entornos realistas pero requieren una inversión masiva, un espacio extenso y son logísticamente exigentes, particularmente para probar interacciones multiagente con infraestructura inteligente.
• Las simulaciones (p. ej., CARLA) son rentables pero tienen dificultades para replicar las realidades físicas de la dinámica del vehículo, las características de los sensores y los problemas de comunicación.
• Los bancos de pruebas en miniatura existentes a menudo carecen de infraestructura inteligente equipada con capacidades de detección, computación en el borde (edge computing) y comunicación, o dependen fuertemente de sistemas externos de captura de movimiento en lugar de la percepción basada en el vehículo o la infraestructura.

Existe una brecha crítica para una plataforma rentable y escalable que integre vehículos autónomos con infraestructura inteligente (detección, computación, comunicación) para validar algoritmos de conducción cooperativa en entornos controlados y realistas.

Metodología: El banco de pruebas CIVAT

Los autores proponen CIVAT (Cooperative Intelligent V2X Autonomous Testbed), un banco de pruebas en miniatura a escala 1:15 diseñado para cerrar la brección entre las instalaciones a escala real y las simulaciones. El sistema se basa en las leyes de escalado del teorema $\pi$ de Buckingham, asegurando que los vehículos a escala exhiban un comportamiento similar al de sus contrapartes a escala real.

1. Diseño Físico

• Mapa: Un mapa urbano de 6 m $\times$ 5.5 m (escalado de una intersección del mundo real de 90 m $\times$ 82.5 m) que presenta una intersección de cuatro vías sin semáforo, islas de canalización y una autopista circundante. La superficie utiliza un material con una calificación de 60 BPN para replicar la fricción del asfalto.
• Vehículos: Vehículos autónomos a escala 1:15 basados en un chasis ZD RACING con dirección Ackermann.
  • Hardware: Equipados con un Jetson Orin NX (computación), RealSense D435 (cámara de profundidad), myAHRS+ IMU y NUCLEO-G431KB MCU.
  • Costo: Aproximadamente $1,507 por unidad.
  • Cinemática: Modelada mediante un modelo de bicicleta con suposiciones de no deslizamiento para la predicción de trayectoria.
• Infraestructura Inteligente: Un poste central (1 m de altura) equipado con:
  • Detección: LiDAR 3D Ouster OS-Dome.
  • Computación: Estación de trabajo ASUS PE6000 (CPU Intel i9-12900E, GPU NVIDIA RTX 4090).
  • Rol: Actúa como un agente activo con recursos dedicados de detección y computación, distintos de la infraestructura pasiva (semáforos/señales).

2. Arquitectura de Comunicación

• Red: Utiliza IEEE 802.11ax (Wi-Fi 6) para interconectar todos los vehículos y la infraestructura.
• Protocolo: Implementa un marco de publicación-suscripción ROS2 para emular el paso de mensajes V2X.
  • V2V: Limitado a un rango de 3 m para emular restricciones realistas.
  • V2I: Cubre el área de la intersección.
• Estándares: Se adhiere a SAE J3216 Clase B para mensajes de vehículos y SAE J2735 como base, con extensiones personalizadas para metadatos de la infraestructura.

3. Arquitectura de Software

• Módulo CAV: Extiende el flujo de trabajo autónomo estándar incorporando la planificación cooperativa. Los vehículos reciben mensajes de sus vecinos e infraestructura para ajustar la velocidad y la trayectoria utilizando el Modelo de Conductor Inteligente (IDM).
• Módulo de Infraestructura:
  • Percepción: Ejecuta PointPillars para la detección de objetos 3D en tiempo real a partir de datos LiDAR.
  • Identificación de HV: Un proceso de tres pasos para distinguir Vehículos Conducidos por Humanos (HV) de Vehículos Autónomos Conectados (CAV) y falsos positivos, mediante el cruce de referencias entre las detecciones LiDAR, los mensajes transmitidos por los CAV y la memoria temporal.
  • Gestión de Intersecciones: Un algoritmo basado en prioridades que coordina las velocidades de los vehículos.
    • Totalmente CAV: Utiliza una regla de Primero en Llegar, Primero en Servir (FIFS) con predicción cinemática para resolver conflictos.
    • Tráfico Mixto: Asigna la prioridad más alta a los HV identificados, prediciendo sus regiones ocupadas y ajustando las velocidades de los CAV para ceder el paso.

Contribuciones Clave

1. Diseño de Banco de Pruebas Novedoso: El diseño e implementación de CIVAT, el primer banco de pruebas en miniatura que integra infraestructura inteligente con LiDAR 3D dedicado y computación en el borde junto con vehículos autónomos.
2. Integración de Hardware: Desarrollo de una plataforma de vehículo escalable y de bajo costo con sensores a bordo y un nodo de infraestructura de alto rendimiento capaz de realizar percepción y planificación complejas.
3. Validación de Tráfico Mixto: Un caso de estudio que demuestra la gestión de intersecciones centrada en la infraestructura que coordina con éxito a los CAV y a los HV no conectados utilizando una combinación de comunicación V2I y percepción basada en la infraestructura.

Resultados Experimentales

El sistema fue validado mediante experimentos de percepción de infraestructura y gestión de intersecciones.

1. Percepción de Infraestructura

• Conjunto de Datos: Se construyó CIVAT-SI, que contiene 3,888 fotogramas de entrenamiento y 1,120 fotogramas de validación con hasta cinco vehículos.
• Precisión: El modelo PointPillars logró un 0.984 AP@0.3 y un 0.972 AP@0.5.
• Limitaciones: La precisión de la detección disminuyó en regiones ocluidas, áreas de nube de puntos dispersas o cuando los vehículos estaban en proximidad cercana (lo que provocó falsos positivos/negativos).

2. Gestión de Intersecciones

• Escenario Totalmente CAV: Coordinó con éxito cinco CAV utilizando la prioridad FIFS, ajustando las velocidades para evitar colisiones mientras se mantenía el flujo.
• Escenario de Tráfico Mixto: Gestionó con éxito un escenario con cuatro CAV y un HV.
  • El sistema identificó al HV (que carecía de comunicación) mediante LiDAR y filtrado de mensajes.
    • Los CAV cedieron automáticamente el paso al HV.
  • Robustez: El sistema demostró que la comunicación V2I compensa los errores de percepción (por ejemplo, los falsos positivos se filtraron utilizando los datos de mensajes), mientras que la percepción de la infraestructura compensa la falta de comunicación de los HV.

3. Desempeño en Tiempo Real

• El tiempo de computación promedio total para el marco de gestión de la intersección fue de 31.79 ms (máximo 40.39 ms) en un ciclo de 10 Hz (100 ms).
• Cuello de Botella: La detección de objetos representó el 99.3% del tiempo de ejecución (31.58 ms promedio). Los módulos de coordinación (identificación de HV y gestión) fueron insignificantes (< 1.2 ms máximo), confirmando la aplicabilidad en tiempo real del sistema.

Significancia y Reivindicaciones

El artículo afirma que CIVAT proporciona una plataforma rentable y escalable para validar algoritmos de conducción cooperativa, abordando las limitaciones tanto de los costosos bancos de pruebas a escala real como de las simulaciones imperfectas.

• Infraestructura Activa: Demuestra la viabilidad de tratar la infraestructura como un agente activo con su propia detección y computación, en lugar de solo un guía pasivo.
• Realidad de Tráfico Mixto: El banco de pruebas permite la validación de algoritmos en escenarios de tráfico mixto (CAV y HV), un requisito crítico para el despliegue cercano al futuro donde la conectividad total aún no está garantizada.
• Utilidad Educativa: La plataforma ya ha sido desplegada para el KAIST Mobility Challenge, sirviendo como un banco de pruebas educativo.

Los autores concluyen que, si bien el sistema actual depende de la captura de movimiento para la localización, el trabajo futuro integrará la localización basada en sensores a bordo (SLAM) y emulará las deficiencias de V2X (retraso, jitter, pérdida de paquetes) para mejorar aún más el realismo.