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

Sintesi Tecnica: Oltre la Linea di Vista: Validazione Ibrida della Percezione Collettiva V2X in Scenari Complessi

Definizione del Problema
I veicoli autonomi (AV) affrontano limitazioni significative nella consapevolezza situazionale a causa dei vincoli intrinseci dei sensori di bordo, come l'occlusione e un campo visivo (FoV) limitato. Sebbene la Percezione Collettiva (CP) tramite comunicazione V2X offra una soluzione, permettendo ai veicoli di "vedere attraverso gli occhi degli altri", la validazione di questi sistemi rimane una sfida. La ricerca esistente spesso isola l'efficienza della comunicazione dalla fusione della percezione o manca di metodi robusti per quantificare incertezza e affidabilità in scenari di traffico misto e complessi. Inoltre, esiste un divario tra le valutazioni puramente simulate e l'implementazione nel mondo reale, rendendo necessaria una metodologia di test ibrida capace di colmare il divario tra i domini virtuale e fisico fornendo al contempo metriche di sicurezza spiegabili.

Metodologia
Gli autori propongono un framework probabilistico e una metodologia di validazione ibrida progettata per uno scenario di navigazione in una rotatoria che coinvolge veicoli sia connessi che non connessi. Il nucleo dell'approccio è un algoritmo di fusione bayesiana che integra osservazioni sensoriali eterogenee in una griglia di occupazione probabilistica condivisa.

1. Architettura del Sistema e Input:
   Il framework utilizza Veicoli Autonomi Connessi e Cooperativi (CCAV) che trasmettono dati in tempo reale, inclusi lo stato dell'ego (posizione, velocità, direzione), i parametri del FoV dei sensori e le informazioni sugli oggetti osservati (posizione, velocità, direzione). Il sistema assume la disponibilità di Messaggi di Percezione Collettiva (CPM) standardizzati ETSI, ma astrae gli aspetti di rete come latenza e congestione.

2. Implementazione Algoritmica:
   L'algoritmo opera su una griglia discretizzata $N \times N$ che rappresenta l'ambiente, dove ogni cella contiene una probabilità di occupazione. Il processo prevede quattro fasi:

   • Localizzazione tramite Particle Filter: La posizione di ogni CCAV è stimata utilizzando un filtro particellare basato su un modello di moto cinematico (sterzata di Ackermann) e dati dei sensori di bordo (GPS/odometria). Il filtro incorpora un rumore additivo per garantire la robustezza contro la degenerazione delle particelle.
   • Stima del FoV: Un algoritmo personalizzato implementato su GPU calcola le celle della griglia visibili per ogni CCAV in base alla sua posizione stimata e alle caratteristiche dei sensori. Gli oggetti percepiti sono dilatati per tenere conto delle incertezze di misurazione.
   • Fusione Bayesiana: Il passaggio centrale di fusione applica ricorsivamente la regola di Bayes per aggiornare la probabilità di occupazione di ogni cella della griglia. Utilizza un modello di sensore in avanti per pesare le osservazioni provenienti da molteplici agenti. Se un agente non può osservare una specifica cella (fuori dal suo FoV), la probabilità a priori rimane invariata. Ciò consente al sistema di aggregare le evidenze da più osservatori mantenendo al contempo una rappresentazione probabilistica dell'incertezza.
   • Tracking: La griglia di occupazione viene propagata nel tempo utilizzando le velocità stimate per servire come a priori per i passi temporali successivi, sebbene l'attuale implementazione azzeri le probabilità delle celle a 0.5 (sconosciuto) ad ogni passo per semplicità.

3. Valutazione dell'Affidabilità Online:
   Il framework include meccanismi per valutare l'affidabilità dell'output in tempo reale:

   • Affidabilità della Localizzazione: Derivata dalla covarianza del particle filter; ellissi di incertezza elevata indicano stime di posizione inaffidabili.
   • Controlli di Coerenza: Il sistema rileva autocontraddizioni (ad esempio, un oggetto riportato al di fuori del FoV stimato dell'agente) e contraddizioni tra agenti (ad esempio, report di occupazione conflittuali in FoV sovrapposti).
   • Incertezza Probabilistica: Le celle con probabilità di occupazione vicine a 0.5 vengono segnalate come incerte, riflettendo sia dati mancanti che osservazioni contrastanti.

4. Validazione Ibrida:
   Per colmare il divario tra simulazione e realtà, gli autori impiegano un ambiente di test ibrido che combina il simulatore CARLA con la sperimentazione Vehicle-in-the-Loop. Questa configurazione consente test controllati basati su scenari sotto diversi livelli di rumore di localizzazione (da 0 a 2 metri).

Principali Contributi

• Algoritmo di Fusione Probabilistica: Un approccio bayesiano che estende l'orizzonte percettivo degli AV fondendo i dati multi-agente in una griglia di occupazione condivisa, quantificando esplicitamente l'incertezza a livello di cella.
• Framework di Validazione Ibrida: Una metodologia riproducibile che combina la simulazione CARLA e la sperimentazione fisica per valutare le prestazioni della CP in scenari di traffico complessi (specificamente le rotatorie).
• Metriche di Affidabilità: Un insieme di indicatori online derivati dal framework probabilistico per valutare l'affidabilità della localizzazione, della coerenza del FoV e degli output di fusione, affrontando la necessità di una validazione della sicurezza spiegabile.
• Analisi della Scalabilità: Un'valutazione delle prestazioni del sistema all'aumentare del numero di agenti cooperanti da uno (solo ego) a sei.

Risultati
Gli esperimenti sono stati condotti in uno scenario di rotatoria con tre configurazioni: solo ego, CP con tre agenti e CP con sei agenti, testati attraverso livelli di rumore di localizzazione di 0, 0.5, 1, 1.5 e 2 metri.

• Copertura del Campo Visivo (Field-of-View): L'approccio della percezione collettiva ha superato significativamente la percezione solo ego. La copertura congiunta del FoV è aumentata di circa il 260%, passando da ~0.23 (solo ego) a ~0.86 (sei agenti).
• Recall delle Celle Occupate: In condizioni di localizzazione nominali (0 m di rumore), il richiamo (recall) per le celle occupate è migliorato da 0.82 (solo ego) a 0.94 (sei agenti). Anche con 2 metri di rumore di localizzazione, la configurazione a sei agenti ha mantenuto un recall di 0.80, rispetto allo 0.72 della baseline solo ego.
• Precisione e Robustezza: Sebbene la precisione sia leggermente diminuita con l'aumento degli agenti (a causa dei FoV sovrapposti e dell'incertezza della fusione), il sistema ha dimostrato un'alta robustezza. Le metriche delle celle non occupate sono rimaste costantemente elevate (>0.98 recall e >0.99 precisione) in tutte le configurazioni e i livelli di rumore.
• Tolleranza al Rumore: La fusione bayesiana ha mitigato efficacemente gli effetti degli errori di localizzazione. Il degrado delle prestazioni per le configurazioni CP sotto i 2 metri di rumore è stato significativamente inferiore rispetto alla baseline solo ego.

Significatività e Rivendicazioni
Il documento sostiene di fornire una base riproducibile e interpretabile per la validazione dei sistemi di Percezione Collettiva. Integrando la fusione probabilistica con la valutazione basata su scenari, l'approccio supporta il dispiegamento sicuro e certificabile dei veicoli autonomi cooperativi. Gli autori sottolineano che il loro metodo non tratta semplicemente l'affidabilità come una metrica generale, ma ne tiene conto della località; il sistema può identificare specifiche celle della griglia dove la percezione è affidabile rispetto a quelle in cui è incerta. Questa granularità è cruciale per la guida automatizzata, dove una singola cella inaffidabile vicino a un attore può essere critica. Il lavoro si posiziona come un passo verso il ragionamento probabilistico spiegabile nella CP, affrontando le lacune nella letteratura attuale riguardanti l'integrazione della quantificazione dell'incertezza nella validazione della sicurezza e la standardizzazione delle infrastrutture di test ibride.