Resumen Técnico: Clasificación Binaria de la Superficie de Rodadura mediante Aprendizaje Automático utilizando Señales de Vehículos de Producción durante el Crucero

Planteamiento del Problema

La estimación precisa en tiempo real de la fricción entre el neumático y la carretera es crítica para los sistemas de seguridad vehicular, incluyendo la advertencia de colisión, el control de crucero adaptativo y el frenado autónomo de emergencia (AEB). Los sistemas AEB actuales suelen asumir un valor de fricción de superficie seca para evitar falsos positivos, lo que limita su capacidad de reacción ante superficies resbaladizas como la nieve y el hielo.

Los métodos tradicionales para estimar la fricción dependen de estimadores recursivos basados en la dinámica (por ejemplo, Mínimos Cuadrados Recurrentes) que calculan la pendiente de deslizamiento para inferir la rigidez del neumático. Sin embargo, estos métodos enfrentan limitaciones significativas:

1. Dependencia del Deslizamiento: Requieren un micro-deslizamiento para funcionar eficazmente. Durante las condiciones de crucero, donde el deslizamiento es mínimo o inexistente, estos estimadores se vuelven ineficaces.
2. Limitaciones de los Sensores: Los sensores de grado de producción (como los sensores de velocidad de rueda) tienen dificultades para medir o estimar con precisión el micro-deslizamiento necesario para distinguir entre diferentes superficies de rodadura en escenarios de baja excitación.
3. Variabilidad Ambiental: Factores como la temperatura, el desgaste de los neumáticos y la presión de inflado complican la correlación entre la rigidez del neumático y los niveles de agarre.

El desafío central abordado en este trabajo es la incapacidad de clasificar de manera confiable las condiciones de la superficie de la carretera (específicamente distinguiendo entre estados de alto agarre y bajo agarre) utilizando únicamente señales de vehículos a bordo durante el crucero de baja excitación.

Metodología

Los autores proponen un marco basado en datos para correlacionar el comportamiento de la dinámica del vehículo con las condiciones de la superficie de la carretera. El estudio utiliza un conjunto de datos que comprende aproximadamente 10 horas de datos de nieve/hielo y 20 horas de datos de seco/húmedo recolectados de un vehículo eléctrico de tracción total equipado con neumáticos de invierno. Los datos fueron muestreados a 100 Hz.

Preprocesamiento y Etiquetado de Datos

• Etiquetado: Se utilizó un sensor óptico interno para etiquetar automáticamente los búferes de series temporales como "agarre" (seco/húmedo) o "deslizamiento" (nieve/hielo). Las condiciones húmedas fueron excluidas debido a la dificultad de medir el espesor de la película de agua y la similitud en el comportamiento del neumático de las superficies secas y húmedas en el régimen lineal.
• Normalización: Se aplicó una normalización global min-max para acotar las señales entre 0 y 1, preservando las diferencias de magnitud relativa esenciales para el análisis de series temporales.
• Ventaneo (Windowing): Se utilizó un enfoque de ventana deslizante para procesar lotes cortos de señales del vehículo.

Dos Enfoques Complementarios

El estudio evalúa dos arquitecturas distintas de aprendizaje automático:

1. Modelo XGBoost Basado en Características

• Características de Entrada: Seleccionadas según la literatura para detectar la falta de agarre durante el crucero:
  • Relación de velocidades de ruedas motrices frente a no motrices.
  • Raíz Cuadrática Media (RMS) de la relación de deslizamiento (slip ratio).
  • RMS de la derivada de la relación de deslizamiento.
  • RMS de la aceleración longitudinal.
• Restricciones: El conjunto de datos se restringió a búferes de 4 segundos donde la aceleración longitudinal mediana era menor a 0.05G, la diferencia de velocidad de rueda era inferior a 2 kph, y las tasas de dirección/guiñada estaban dentro de límites específicos de baja excitación.
• Algoritmo: Se utilizó un método de ensamble basado en el Gradiente de Extremo de Potenciación (XGBoost) para aprender funciones discriminativas no lineales a partir de las características seleccionadas.

2. Red Neuronal Convolucional (CNN) 1D de Extremo a Extremo

• Entrada: Búferes de series temporales multicanal (duración de 2 segundos, paso de 0.1s) que contienen 13 canales: velocidades de rueda, torques de rueda, aceleraciones longitudinal, lateral y vertical, ángulo de dirección y tasa de guiñada.
• Arquitectura: Una CNN 1D diseñada para aprender diferencias de patrones temporales e implícitos de frecuencia directamente de los datos brutos, evitando el costo computacional de las transformaciones explícitas en el dominio de la frecuencia.
• Restricciones: Los búferes se restringieron a una aceleración mediana < 0.1G, diferencia de velocidad de rueda < 5 kph, y límites de dirección/guiñada más amplios en comparación con el modelo basado en características.

Resultados Clave

Rendimiento del Modelo Basado en Características

• Métricas del Conjunto de Prueba: Logró un 98% de recall para la clase de agarre y un 92% de recall para la clase de deslizamiento. La precisión fue del 92.5% para agarre y 97.9% para deslizamiento.
• Importancia de las Características: El "RMS de la derivada de la relación de deslizamiento" fue la característica más importante (puntuación: 0.4059), seguida de la "Relación de velocidades de motrices/no motrices" (0.2748).
• Observación: Aunque las características individuales mostraron una variación mínima entre clases durante el crucero, el método de ensamble logró aprender términos de interacción discriminativos.

Rendimiento del Modelo CNN 1D

• Métricas del Conjunto de Prueba: Logró un 98.85% de recall para la clase de agarre y un 89.03% de recall para la clase de deslizamiento. La precisión fue del 90.0% para agarre y 98.7% para deslizamiento.
• Comparación: La CNN fue más conservadora al predecir la clase de deslizamiento en comparación con el modelo basado en árboles.
• Interpretabilidad (GradCAM): La CNN dependió fuertmente de los canales de aceleración (Longitudinal: 0.2654, Lateral: 0.1224). Los autores señalan que los datos de aceleración de la IMU pueden ser ruidosos (debido a la calidad del pavimento, ruido del motor, vibraciones del chasis), lo que sugiere un riesgo de sobreajuste al ruido en lugar de a las firmas físicas de agarre.

Pruebas en el Mundo Real y en Sistemas Embebidos

• Generalización: Ambos modelos demostraron la capacidad de detectar nieve en ejecuciones de prueba no vistas con mínimos falsos positivos en superficies secas. El modelo basado en árboles mostró una detección de nieve ligeramente mejor pero tenía un dominio operativo más estrecho. La CNN operó en un rango más amplio de condiciones pero mostró sensibilidad a falsos positivos durante eventos de aceleración/frenado.
• Viabilidad en Tiempo Real: Ambos algoritmos se implementaron en hardware Raspberry Pi, logrando tiempos de inferencia inferiores a 100 milisegundos. Se empleó una lógica de suavizado mediante un búfer circular, lo que resultó en un retraso de detección estimado de aproximadamente 3 segundos.

Significancia y Reivindicaciones

El artículo afirma que la clasificación del estado de la carretera (agarre/deslizamiento) durante el crucero de baja excitación puede realizarse utilizando únicamente señales de a bordo factibles para la producción.

Las contribuciones clave y las limitaciones destacadas por los autores incluyen:

• Viabilidad: Los métodos basados en datos ofrecen una alternativa viable a los estimadores tradicionales basados en la física cuando el deslizamiento es insuficiente para cálculos dinámicos.
• Escalabilidad: A diferencia de los métodos tradicionales que pueden ser específicos para cada vehículo, los modelos basados en datos tienen el potencial de escalar a través de diferentes plataformas de vehículos y neumáticos.
• Reivindicaciones Moderadas: Los autores declaran explícitamente que este es un primer paso. Reconocen varias limitaciones:
  • El problema se simplifica a una clasificación binaria (agarre vs. deslizamiento), excluyendo condiciones de humedad, lodo y transiciones de superficie.
  • La evaluación en conducciones no vistas es cualitativa; métricas específicas como el retraso de detección en escenarios de $\mu$ dividido (split-mu) y la robustez a través de diversos tipos de pavimento aún no se han cuantificado.
  • La estrategia de división de entrenamiento/prueba mediante ventanas deslizantes puede introducir solapamiento temporal (fuga de datos), lo que requiere un examen más riguroso.
  • No se abordan los aspectos de integración en producción ni el cumplimiento de ASPICE.

Los autores concluyen que, aunque son prometedores, el trabajo futuro debe extenderse a la clasificación multiclase, cuantificar las métricas de rendimiento en tiempo real en escenarios complejos (por ejemplo, salto de $\mu$) y validar la robustez a través de diversas condiciones de conducción antes de que estos métodos puedan ser certificados para aplicaciones críticas de seguridad.