Sintesi Tecnica: Classificazione Binaria della Superficie Stradale mediante Machine Learning su Segnali di Veicoli di Produzione durante la Fase di Crociera

Definizione del Problema

La stima accurata e in tempo reale dell'attrito tra pneumatico e strada è fondamentale per i sistemi di sicurezza del veicolo, inclusi l'avviso di collisione, il controllo della velocità di crociera adattivo e la frenata d'emergenza autonoma (AEB). Gli attuali sistemi AEB spesso assumono un valore di attrito su superficie asciutta per evitare falsi positivi, il che limita la loro capacità di reagire precocemente su superfici scivolose come neve e ghiaccio.

I metodi tradizionali per la stima dell'attrito si basano su stimatori ricorsivi basati sulla dinamica (ad esempio, i Minimi Quadrati Ricorsivi) che calcolano la pendenza dello scorrimento (slip slope) per inferire la rigidezza dello pneumatico. Tuttavia, questi metodi presentano limitazioni significative:

1. Dipendenza dallo scorrimento: Richiedono uno scorrimento microscopico per funzionare efficacemente. Durante le condizioni di crociera, dove lo scorrimento è minimo o inesistente, questi stimatori diventano inefficaci.
2. Limitazioni dei sensori: I sensori di grado di produzione (come i sensori di velocità delle ruote) faticano a misurare o stimare accuratamente il micro-scorrimento necessario per distinguere tra diverse superfici stradali in scenari a bassa eccitazione.
3. Variabilità ambientale: Fattori come la temperatura, l'usura degli pneumatici e la pressione di gonfiaggio complicano la correlazione tra la rigidezza dello pneumatico e i livelli di aderenza.

La sfida centrale affrontata in questo lavoro è l'incapacità di classificare in modo affidabile le condizioni della superficie stradale (specificamente distinguendo tra stati ad alta aderenza e a bassa aderenza) utilizzando esclusivamente segnali di bordo del veicolo durante la fase di crociera a bassa eccitazione.

Metodologia

Gli autori propongono un framework basato sui dati per correlare il comportamento della dinamica del veicolo con le condizioni della superficie stradale. Lo studio utilizza un dataset composto da circa 10 ore di dati su neve/ghiaccio e 20 ore di dati su asciutto/umido raccolti da un veicolo elettrico a trazione integrale equipaggiato con pneumatici invernali. I dati sono stati campionati a 100 Hz.

Pre-elaborazione e Etichettatura dei Dati

• Etichettatura: Un sensore ottico interno è stato utilizzato per etichettare automaticamente i buffer di serie temporali come "grip" (asciutto/umido) o "slip" (neve/ghiaccio). Le condizioni di bagnato sono state escluse a causa della difficoltà nel misurare lo spessore del velo d'acqua e della simile risposta dello pneumatico tra superfici asciutte e bagnate nel regime lineare.
• Normalizzazione: È stata applicata una normalizzazione min-max globale per vincolare i segnali tra 0 e 1, preservando le differenze di magnitudo relativa essenziali per l'analisi delle serie temporali.
• Finestratura (Windowing): È stato utilizzato un approccio a finestra scorrevole per raggruppare brevi buffer di segnali del veicolo.

Due Approcci Complementari

Lo studio valuta due diverse architetture di machine learning:

1. Modello XGBoost basato su Feature

• Feature di Input: Selezionate in base alla letteratura per rilevare la scivolosità durante la crociera:
  • Rapporto tra la velocità delle ruote motrici e di quelle non motrici.
  • Root Mean Square (RMS) del rapporto di scorrimento (slip ratio).
  • RMS della derivata del rapporto di scorrimento.
  • RMS dell'accelerazione longitudinale.
• Vincoli: Il dataset è stato vincolato a buffer di 4 secondi in cui la mediana dell'accelerazione longitudinale era inferiore a 0,05G, la differenza di velocità delle ruote era inferiore a 2 kph e i tassi di sterzata/imbato (yaw) erano entro specifici limiti di bassa eccitazione.
• Algoritmo: È stato utilizzato un metodo d'insieme basato su Extreme Gradient Boosting (XGBoost) per apprendere funzioni discriminanti non lineari dai selezionati set di feature.

2. Rete Neurale Convoluzionale 1D (1D CNN) End-to-End

• Input: Buffer di serie temporali multi-canale (durata di 2 secondi, stride di 0,1s) contenenti 13 canali: velocità delle ruote, coppie delle ruote, accelerazioni longitudinale/laterale/verticale, angolo di sterzo e velocità di imbardata.
• Architettura: Una 1D CNN progettata per apprendere direttamente dal dato grezzo le differenze nei pattern temporali e nei pattern di frequenza impliciti, evitando il costo computazionale delle trasformazioni esplicite nel dominio della frequenza.
• Vincoli: I buffer sono stati vincolati a una mediana di accelerazione < 0,1G, differenza di velocità delle ruote < 5 kph e limiti più ampi per sterzata e imbardata rispetto al modello basato su feature.

Risultati Chiave

Prestazioni del Modello basato su Feature

• Metriche del Test Set: Ha raggiunto un recall del 98% per la classe grip e un recall del 92% per la classe slip. La precisione è stata del 92,5% per il grip e del 97,9% per lo slip.
• Importanza delle Feature: La "RMS della derivata del rapporto di scorrimento" è stata la feature più importante (punteggio: 0,4059), seguita dal "Rapporto tra velocità motrici/non motrici" (0,2748).
• Osservazione: Sebbene le singole feature mostrassero una variazione minima tra le classi durante la crociera, il metodo d'insieme ha saputo apprendere con successo i termini di interazione discriminanti.

Prestazioni del Modello 1D CNN

• Metriche del Test Set: Ha raggiunto un recall del 98,85% per la classe grip e un recall dell'89,03% per la classe slip. La precisione è stata del 90,0% per il grip e del 98,7% per lo slip.
• Confronto: La CNN è stata più conservativa nella previsione della classe slip rispetto al modello basato su alberi.
• Interpretabilità (GradCAM): La CNN si è basata pesantemente sui canali di accelerazione (Longitudinale: 0,2654, Laterale: 0,1224). Gli autori osservano che i dati di accelerazione IMU possono essere rumorosi (a causa della qualità del manto stradale, del rumore del motore, delle vibrazioni del telaio), suggerendo un rischio di overfitting sul rumore piuttosto che sulle firme fisiche dell'aderenza.

Test nel Mondo Reale ed Embedded

• Generalizzazione: Entrambi i modelli hanno dimostrato la capacità di rilevare la neve in test non visti con minimi falsi positivi su superfici asciutte. Il modello basato su alberi ha mostrato un rilevamento della neve leggermente migliore ma aveva un dominio operativo più ristretto. La CNN operava in un intervallo più ampio di condizioni ma mostrava sensibilità ai falsi positivi durante gli eventi di accelerazione/frenata.
• Fattibilità in Tempo Reale: Entrambi gli algoritmi sono stati implementati su hardware Raspberry Pi, raggiungendo tempi di inferenza inferiori a 100 millisecondi. Una logica di smoothing utilizzando un buffer circolare è stata impiegata per stabilizzare gli output, risultando in un ritardo di rilevamento stimato di circa 3 secondi.

Significato e Rivendicazioni

Il documento sostiene che la classificazione dello stato stradale (grip/slip) durante la crociera a bassa eccitazione può essere eseguita utilizzando esclusivamente segnali di bordo di produzione fattibili.

I contributi chiave e le limitazioni evidenziate dagli autori includono:

• Fattibilità: I metodi basati sui dati offrono un'alternativa valida agli stimatori tradizionali basati sulla fisica quando lo scorrimento è insufficiente per i calcoli dinamici.
• Scalabilità: A differenza dei metodi tradizionali che possono essere specifici per un veicolo, i modelli basati sui dati hanno il potempo di scalare su diverse piattaforme veicolari e di pneumatici.
• Rivendicazioni Moderate: Gli autori dichiarano esplicitamente che questo è un primo passo. Essi riconoscono diverse limitazioni:
  • Il problema è semplificato alla classificazione binaria (grip vs slip), escludendo bagnato, fango/slush e transizioni di superficie.
  • La valutazione su percorsi non visti è qualitativa; metriche specifiche come il ritardo di rilevamento in scenari split-mu e la robustezza attraverso diversi tipi di pavimentazione non sono ancora quantificate.
  • La strategia di divisione train/test che utilizza finestre scorrevoli potrebbe introdurre sovrapposizione temporale (data leakage), richiedendo un esame più rigoroso.
  • Gli aspetti di integrazione in produzione e la conformità ASPICE non sono affrontati.

Gli autori concludono che, sebbene promettenti, i lavori futuri dovranno estendere la ricerca alla classificazione multi-classe, quantificare le prestazioni in tempo reale in scenari complessi (es. jump-mu) e validare la robustezza attraverso diverse condizioni di guida prima che tali metodi possano essere certificati per applicazioni critiche per la sicurezza.