Resumo Técnico: Classificação Binária de Superfície de Estrada Usando Aprendizado de Máquina em Sinais de Veículos de Produção Durante o Cruzeiro

Declaração do Problema

A estimativa precisa em tempo real da fricção entre pneu e estrada é crítica para sistemas de segurança veicular, incluindo alerta de colisão, controle de cruzeiro adaptativo e frenagem autônoma de emergência (AEB). Os sistemas de AEB atuais frequentemente assumem um valor de fricção de superfície seca para evitar falsos positivos, o que limita sua capacidade de reagir precocemente em superfícies escorregadias como neve e gelo.

Métodos tradicionais para estimar a fricção dependem de estimadores recursivos baseados em dinâmica (ex: Mínimos Quadrados Recursivos) que calculam a inclinação do escorregamento (slip slope) para inferir a rigidez do pneu. No entanto, esses métodos enfrentam limitações significativas:

1. Dependência de Escorregamento: Eles exigem microescorregamento para funcionar efetivamente. Durante condições de cruzeiro, onde o escorregamento é mínimo ou inexistente, esses estimadores tornam-se ineficazes.
2. Limitações de Sensores: Sensores de nível de produção (como sensores de velocidade das rodas) têm dificuldade em medir ou estimar com precisão o microescorregamento necessário para distinguir diferentes superfícies de estrada em cenários de baixa excitação.
3. Variabilidade Ambiental: Fatores como temperatura, desgaste do pneu e pressão de inflação complicam a correlação entre a rigidez do pneu e os níveis de aderência.

O desafio central abordado neste trabalho é a incapacidade de classificar confiavelmente as condições da superfície da estrada (especificamente distinguindo estados de alta aderência e baixa aderência) usando apenas sinais de veículos embarcados durante o cruzeiro de baixa excitação.

Metodologia

Os autores propõem uma estrutura baseada em dados para correlacionar o comportamento da dinâmica do veículo com as condições da superfície da estrada. O estudo utiliza um conjunto de dados composto por aproximadamente 10 horas de dados de neve/gelo e 20 horas de dados de seco/úmido coletados de um veículo elétrico com tração integral equipado com pneus de inverno. Os dados foram amostrados a 100 Hz.

Pré-processamento e Rotulagem de Dados

• Rotulagem: Um sensor óptico interno foi usado para rotular automaticamente buffers de séries temporais como "aderência" (seco/úmido) ou "escorregamento" (neve/gelo). As condições úmidas foram excluídas devido à dificuldade em medir a espessura do filme de água e à semelhança do comportamento do pneu em superfícies molhadas no regime linear.
• Normalização: A normalização global min-max foi aplicada para limitar os sinais entre 0 e 1, preservando as diferenças de magnitude relativa essenciais para a análise de séries temporais.
• Janelamento: Uma abordagem de janela deslizante foi usada para agrupar buffers curtos de sinais do veículo.

Duas Abordagens Complementares

O estudo avalia duas arquiteturas distintas de aprendizado de máquina:

1. Modelo XGBoost Baseado em Características (Features)

• Características de Entrada: Selecionadas com base na literatura para detectar escorregamento durante o cruzeiro:
  • Razão entre as velocidades das rodas tracionadas vs. não tracionadas.
  • Raiz Quadrada Média (RMS) da razão de escorregamento (slip ratio).
  • RMS da derivada da razão de escorregamento.
  • RMS da aceleração longitudinal.
• Restrições: O conjunto de dados foi restringido a buffers de 4 segundos onde a mediana da aceleração longitudinal era menor que 0,05G, a diferença de velocidade das rodas era inferior a 2 kph e as taxas de direção/guinada estavam dentro de limites específicos de baixa excitação.
• Algoritmo: Um método de conjunto baseado em Extreme Gradient Boosting (XGBoost) foi utilizado para aprender funções discriminativas não lineares a partir das características selecionadas.

2. Rede Neural Convolucional (CNN) 1D End-to-End

• Entrada: Buffers de séries temporais multicanais (duração de 2 segundos, passo de 0,1s) contendo 13 canais: velocidades das rodas, torques das rodas, acelerações longitudinal/lateral/vertical, ângulo de direção e taxa de guinada.
• Arquitetura: Uma CNN 1D projetada para aprender diferenças de padrões temporais e de frequência implícita diretamente dos dados brutos, evitando o custo computacional de transformações explícitas no domínio da frequência.
• Restrições: Os buffers foram restringidos a mediana de aceleração < 0,1G, diferença de velocidade das rodas < 5 kph, e limites de direção/guinada mais amplos em comparação ao modelo baseado em características.

Principais Resultados

Desempenho do Modelo Baseado em Características

• Métricas do Conjunto de Teste: Alcançou 98% de recall para a classe de aderência e 92% de recall para a classe de escorregamento. A precisão foi de 92,5% para aderência e 97,9% para escorregamento.
• Importância das Características: A "RMS da derivada da razão de escorregamento" foi a característica mais importante (pontuação: 0,4059), seguida pela "Razão entre velocidades de rodas tracionadas/não tracionadas" (0,2748).
• Observação: Embora as características individuais tenham mostrado variação mínima entre as classes durante o cruzeiro, o método de conjunto conseguiu aprender termos de interação discriminativos.

Desempenho do Modelo CNN 1D

• Métricas do Conjunto de Teste: Alcançou 98,85% de recall para a classe de aderência e 89,03% de recall para a classe de escorregamento. A precisão foi de 90,0% para aderência e 98,7% para escorregamento.
• Comparação: A CNN foi mais conservadora na previsão da classe de escorregamento em comparação ao modelo baseado em árvores.
• Interpretabilidade (GradCAM): A CNN dependeu fortemente dos canais de aceleração (Longitudinal: 0,2654, Lateral: 0,1224). Os autores observam que os dados de aceleração da IMU podem ser ruidosos (devido à qualidade do pavimento, ruído do motor, vibrações do chassi), sugerindo um risco de sobreajuste (overfitting) ao ruído em vez de assinaturas físicas de aderência.

Testes em Mundo Real e Embarcados

• Generalização: Ambos os modelos demonstraram a capacidade de detectar neve em execuções de teste não vistas com mínimos falsos positivos em superfícies secas. O modelo baseado em árvores mostrou uma detecção de neve ligeiramente melhor, mas possuía um domínio operacional mais estreito. A CNN operou em uma gama mais ampla de condições, mas mostrou sensibilidade a falsos positivos durante eventos de aceleração/frenagem.
• Viabilidade em Tempo Real: Ambos os algoritmos foram implementados em hardware Raspberry Pi, alcançando tempos de inferência abaixo de 100 milissegundos. Uma lógica de suavização usando um buffer circular foi empregada para estabilizar as saídas, resultando em um atraso de detecção estimado de aproximadamente 3 segundos.

Significância e Alegações

O artigo afirma demonstrar que a classificação do estado da estrada (aderência/escorregamento) durante o cruzeiro de baixa excitação pode ser realizada usando apenas sinais de veículos de produção viáveis.

Contribuições e limitações principais destacadas pelos autores incluem:

• Viabilidade: Métodos baseados em dados oferecem uma alternativa viável aos estimadores tradicionais baseados em física quando o escorregamento é insuficiente para cálculos dinâmicos.
• Escalabilidade: Diferente dos métodos tradicionais que podem ser específicos para cada veículo, modelos baseados em dados têm o potencial de escalar para diferentes plataformas de veículos e pneus.
• Alegações Modestas: Os autores declaram explicitamente que este é um passo inicial. Eles reconhecem diversas limitações:
  • O problema é simplificado para classificação binária (aderência vs. escorregamento), exclução de condições úmidas, lama e transições de superfície.
  • A avaliação em conduções não vistas é qualitativa; métricas específicas como atraso de detecção em cenários de split-mu e robustez através de diversos tipos de pavimentação ainda não foram quantificadas.
  • A estratégia de divisão treino/teste envolvendo janelas deslizantes pode introduzir sobreposição temporal (vazamento de dados/data leakage), exigindo um exame mais rigoroso.
  • Aspectos de integração em produção e conformidade ASPICE não foram abordados.

Os autores concluem que, embora promissores, trabalhos futuros devem estender a classificação para múltiplas classes, quantificar métricas de desempenho em tempo real em cenários complexos (ex: jump-mu) e validar a robustez através de diversas condições de condução antes que esses métodos possam ser certificados para aplicações críticas de segurança.