Beyond Line of Sight: Hybrid Validation of V2X Collective Perception in Complex Scenarios

Resumen Técnico: Más allá de la línea de visión: Validación híbrida de la percepción colectiva V2X en escenarios complejos

Planteamiento del problema
Los vehículos autónomos (AV) enfrentan limitaciones significativas en la conciencia situacional debido a las restricciones inherentes de los sensores a bordo, tales como la oclusión y un campo de visión (FoV) limitado. Si bien la Percepción Colectiva (CP) mediante comunicación V2X ofrece una solución al permitir que los vehículos "vean a través de los ojos de otros", la validación de estos sistemas sigue siendo un desafío. La investigación existente a menudo aísla la eficiencia de la comunicación de la fusión de la percepción o carece de métodos robustos para cuantificar la incertidumbre y la fiabilidad en escenarios de tráfico mixto y complejo. Además, existe una brecha entre las evaluaciones puramente simuladas y el despliegue en el mundo real, lo que requiere marcos de prueba híbridos que puedan cerrar los dominios virtual y físico proporcionando métricas de seguridad explicables.

Metodología
Los autores proponen un marco probabilístico y una metodología de validación híbrida diseñada para un escenario de navegación en una rotonda que involucra vehículos conectados y no conectados. El núcleo del enfoque es un algoritmo de fusión bayesiana que integra observaciones de sensores heterogéneos en una rejilla de ocupación probabilística compartida.

1. Arquitectura del sistema y entradas:
   El marco utiliza Vehículos Autónomos Conectados y Cooperativos (CCAV) que transmiten datos en tiempo real, incluyendo el estado del ego (posición, velocidad, rumbo), parámetros del FoV del sensor e información de objetos observados (posición, velocidad, rumbo). El sistema asume la disponibilidad de Mensajes de Percepción Colectiva (CPM) estandarizados por la ETSI, pero abstrae los aspectos de red como la latencia y la congestión.

2. Implementación algorítmica:
   El algoritmo opera sobre una rejilla discretizada de $N \times N$ que representa el entorno, donde cada celda contiene una probabilidad de ocupación. El proceso consta de cuatro pasos:

   • Localización por Filtro de Partículas: La posición de cada CCAV se estima utilizando un filtro de partículas basado en un modelo de movimiento cinemático (dirección de Ackermann) y datos de sensores a bordo (GPS/odometría). El filtro incorpora ruido aditivo para asegurar la robustez contra la degeneración de partículas.
   • Estimación del FoV: Un algoritmo personalizado implementado en GPU calcula las celdas de la rejilla visibles para cada CCAV basándose en su posición estimada y características del sensor. Los objetos percibidos se dilatan para compensar las incertidumbres de la medición.
   • Fusión Bayesiana: El paso central de la fusión aplica recursivamente la regla de Bayes para actualizar la probabilidad de ocupación de cada celda de la rejilla. Utiliza un modelo de sensor hacia adelante para ponderar las observaciones de múltiples agentes. Si un agente no puede observar una celda específica (fuera de su FoV), la probabilidad previa permanece sin cambios. Esto permite al sistema agregar evidencia de múltiples observadores mientras mantiene una representación probabilística de la incertidumbre.
   • Seguimiento (Tracking): La rejilla de ocupación se propaga en el tiempo utilizando velocidades estimadas para servir como priors para los pasos de tiempo subsiguientes, aunque la implementación actual restablece las probabilidades de las celdas a 0.5 (desconocido) en cada paso por simplicidad.

3. Evaluación de la fiabilidad en línea:
   El marco incluye mecanismos para evaluar la fiabilidad de la salida en tiempo real:

   • Fiabilidad de la localización: Derivada de la covarianza del filtro de partículas; las elipses de alta incertidumbre indican estimaciones de posición poco fiables.
   • Verificaciones de consistencia: El sistema detecta contradicciones internas (por ejemplo, un objeto reportado fuera del FoV estimado del agente) y contradicciones entre agentes (por ejemplo, informes de ocupación conflictivos en FoVs superpuestos).
   • Incertidumbre probabilística: Las celdas con probabilidades de ocupación cercanas a 0.5 se marcan como inciertas, lo que refleja la falta de datos o las observaciones conflictivas.

4. Validación híbrida:
   Para cerrar la brecha entre la simulación y la realidad, los autores emplean un entorno de prueba híbrido que combina el simulador CARLA con experimentación de vehículo en el bucle (vehicle-in-the-loop). Esta configuración permite realizar pruebas controladas basadas en escenarios bajo niveles variables de ruido de localización (de 0 a 2 metros).

Contribuciones clave

• Algoritmo de Fusión Probabilística: Un enfoque bayesiano que extiende el horizonte perceptual de los AV mediante la fusión de datos multi-agente en una rejilla de ocupación compartida, cuantificando explícitamente la incertidumbre a nivel de celda.
• Marco de Validación Híbrida: Una metodología reproducible que combina la simulación CARLA con la experimentación física para evaluar el rendimiento de la CP en escenarios de tráfico complejos (específicamente rotondas).
• Métricas de Fiabilidad: Un conjunto de indicadores en línea derivados del marco probabilístico para evaluar la confianza de la localización, la consistencia del FoV y las salidas de la fusión, abordando la necesidad de una validación de seguridad explicable.
• Análisis de Escalabilidad: Una evaluación del rendimiento del sistema a medida que el número de agentes cooperadores aumenta de uno (solo ego) a seis.

Resultos
Los experimentos se realizaron en un escenario de rotonda con tres configuraciones: solo ego, CP con tres agentes y CP con seis agentes, probados a través de niveles de ruido de localización de 0, 0.5, 1, 1.5 y 2 metros.

• Cobertura del Campo de Visión (FoV): El enfoque de percepción colectiva superó significativamente la detección de solo el ego. La cobertura conjunta del FoV aumentó aproximadamente un 260%, pasando de ~0.23 (solo ego) a ~0.86 (seis agentes).
• Recuperación (Recall) de Celdas Ocupadas: Bajo condiciones nominales de localización (0 m de ruido), la recuperación de las celdas ocupadas mejoró de 0.82 (solo ego) a 0.94 (seis agentes). Incluso con 2 metros de ruido de localización, la configuración de seis agentes mantuvo una recuperación de 0.80, en comparación con el 0.72 de la línea base de solo el ego.
• Precisión y Robustez: Aunque la precisión disminuyó ligeramente con más agentes (debido a la superposición de FoVs y la incertidumbre de la fusión), el sistema demostró una alta robustez. Las métricas de celdas no ocupadas se mantuvieron consistentemente altas (>0.98 de recuperación y >0.99 de precisión) en todas las configuraciones y niveles de ruido.
• Tolerancia al Ruido: La fusión bayesiana mitigó eficazmente los efectos de los errores de localización. La degradación del rendimiento para las configuraciones de CP bajo 2 metros de ruido fue significativamente menor que la de la línea base de solo el ego.

Significancia y Reivindicaciones
El artículo afirma proporcionar una base reproducible e interpretable para validar los sistemas de Percepción Colectiva. Al integrar la fusión probabilística con la evaluación basada en escenarios, el enfoque apoya el despliegue seguro y certificable de vehículos autónomos cooperativos. Los autores enfatizan que su método no trata la fiabilidad simplemente como una métrica general, sino que tiene en cuenta su localidad; el sistema puede identificar celdas específicas donde la percepción es fiable frente a aquellas donde es incierta. Esta granularidad es crucial para la conducción automatizada, donde una sola celda no fiable cerca de un actor puede ser crítica. El trabajo se posiciona como un paso hacia el razonamiento probabilístico explicable en la CP, abordando las brechas en la literatura actual respecto a la integración de la cuantificación de la incertidumbre en la validación de la seguridad y la estandarización de las infraestructuras de prueba híbridas.