A Host Centred Method for Grid-Based Relative Motion Modelling and Time to Collision Estimation

Sintesi Tecnica: Un Metodo Centrato sull'Host per la Modellazione del Moto Relativo su Griglia e la Stima del Tempo di Collisione

Definizione del Problema
I moderni sistemi avanzati di assistenza alla guida (ADAS) si affidano fortemente a una precisa previsione delle collisioni per garantire la sicurezza del veicolo. Sebbene i sistemi di percezione basati su telecamere abbiano dominato la ricerca recente, essi sono intrinsecamente suscettibili a condizioni ambientali avverse come pioggia, nebbia, abbagliamento e scarsa illuminazione. Al contrario, le tecnologie di rilevamento prive di visione — tra cui Radar, sensori a Ultrasuoni e LiDAR — offrono misurazioni di distanza robuste in diverse condizioni, ma richiedono rappresentazioni spaziali specifiche per essere utilizzate efficacemente per l'evitamento delle collisioni. Gli algoritmi esistenti spesso si concentrano sulla percezione basata su telecamera o su architetture di deep learning complesse che richiedono ingenti risorse computazionali e di memoria. Vi è la necessità di un metodo che sfrutti la robustezza dei sensori privi di visione minimizzando al contempo l'overhead computazionale, specificamente attraverso una rappresentazione spaziale strutturata che faciliti l'accurata stima del Tempo di Collisione (TTC) senza fare affidamento su dati visivi.

Metodologia
Il documento propone un approccio centrato sull'host e basato su griglia per la stima del moto relativo e la previsione della collisione. La metodologia è strutturata attorno a tre componenti principali:

1. Rappresentazione dell'Ambiente Basata su Griglia:
   L'ambiente circostante il veicolo host viene discretizzato in una griglia spaziale di $100\text{ m} \times 100\text{ m}$ con una risoluzione di $1\text{ m}$ ($\Delta g = 1\text{ m}$). Il veicolo host è fissato all'origine $(0,0)$ di questo sistema di coordinate. I veicoli target sono rappresentati dalla loro occupazione all'interno di specifiche celle della griglia. Questo sistema di riferimento centrato sull'host semplifica il modello di moto relativo, poiché le coordinate del target rappresentano direttamente il vettore di posizione relativa rispetto all'host.

2. Modellazione del Moto Relativo e Stima dello Stato:
   Per affrontare i limiti delle misurazioni discrete della griglia (come le stime di velocità a "effetto scalino" e il rumore di misurazione), il sistema impiega un Filtro di Kalman Esteso (EKF).

   • Vettore di Stato: Lo stato di moto del target è modellato tramite un vettore quadridimensionale $s_k = [r_{x,k}, r_{y,k}, v_{x,k}, v_{y,k}]^T$, che rappresenta la posizione e la velocità relativa in entrambi gli assi.
   • Modello di Moto: Si assume un modello a velocità costante per brevi intervalli di tempo. La matrice di transizione dello stato propaga la posizione in base alla velocità, mentre la velocità è assunta costante tra i passi, con il rumore di processo che tiene conto delle accelerazioni non modellate.
   • Filtraggio: L'EKF elabora le osservazioni discrete dei sensori per stimare stati di moto continui sub-cella. Esso esegue un passaggio di predizione basato sul modello di moto e un passaggio di aggiornamento utilizzando le misurazioni dei sensori (posizioni derivate dalla distanza) per correggere la stima dello stato e ridurre l'incertezza.

3. Stima del Tempo di Collisione (TTC):
   Il TTC è derivato analiticamente dagli stati di moto continui stimati dall'EKF.

   • Il moto relativo è modellato come $r(t) = r_k + v_k t$.
   • Una collisione è definita come il punto in cui l'ampiezza del vettore di posizione relativa si avvicina a zero ($\|r(t)\| = 0$).
   • Elevando al quadrato l'ampiezza del vettore di posizione relativa, gli autori derivano un'equazione quadratica nel tempo: $(r_k \cdot r_k) + 2(r_k \cdot v_k)t + (v_k \cdot v_k)t^2 = 0$.
   • Risolvendo questa equazione quadratica si ottiene il valore del TTC, selezionando la radice positiva più piccola come la previsione fisicamente significativa.

Contributi Chiave

• Framework per Sensori Privi di Visione: Il documento stabilisce una base matematica per la previsione delle collisioni utilizzando solo misurazioni di distanza basate su sensori (Radar, Ultrasuoni, LiDAR), riducendo la dipendenza dai sistemi a telecamera.
• Semplificazione della Griglia Centrata sull'Host: Fissando l'host all'origine della griglia, il metodo semplifica le equazioni del moto relativo, eliminando la necessità di esplicita sottrazione delle coordinate durante l'esecuzione.
• Stima del Moto Sub-Cella: L'integrazione dell'EKF consente di stimare stati di posizione e velocità continui da osservazioni di griglia discrete da $1\text{ m}$, mitigando gli errori di quantizzazione inerenti al tracciamento basato su griglia.
• Derivazione Analitica del TTC: Il documento fornisce una soluzione quadratica in forma chiusa per il TTC basata sugli stati relativi derivati dalla griglia, evitando la necessità di metodi numerici iterativi o simulazioni complesse.

Risultati e Dichiarazioni di Prestazione
Il documento non presenta una validazione sperimentale rispetto a dataset reali o benchmark comparativi rispetto ad altri algoritmi in termini di metriche di accuratezza (ad esempio, RMSE); invece, i risultati si concentrano sui vantaggi teorici e computazionali dell'architettura proposta:

• Efficienza Computazionale: Si afferma che il metodo ha requisiti di memoria significativamente inferiori rispetto ai moderni sistemi basati su deep learning. Gli autori stimano l'impronta di memoria tra 20–100 KB (inclusa la griglia di occupazione $100 \times 100$ e la matrice di covarianza $4 \times 4$ per l'EKF).
• Confronto: Questo è messo a confronto con le architetture di deep learning (CNN, RNN, Transformer) che tipicamente richiedono tra 100 MB e 4 GB di memoria.
• Implicazioni Hardware: La bassa impronta computazionale e di memoria suggerisce che il metodo sia adatto per l'implementazione su hardware con risorse limitate, potenzialmente riducendo il costo dei sistemi di evitamento delle collisioni.

Significatività
La significatività di questo lavoro risiede nella fornitura di un'alternativa leggera e matematicamente rigorosa alle soluzioni ADAS pesanti sulla visione. Dimostrando che un'accurata stima del TTC può essere ottenuta attraverso una rappresentazione su griglia centrata sull'host combinata con il filtraggio probabilistico (EKF), il documento sostiene la validità di sistemi di previsione delle collisioni robusti e a basso costo. L'approccio è particolarmente rilevante per scenari in cui le condizioni ambientali degradano le prestazioni delle telecamere o dove i vincoli hardware precludono l'uso di grandi reti neurali. Gli autori pongono questo metodo come una base pratica per l'implementazione di algoritmi di previsione delle collisioni che diano priorità all'affidabilità ed all'efficienza rispetto alla complessità dei modelli di deep learning.