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

Resumo Técnico: Além da Linha de Visão: Validação Híbrida de Percepção Coletiva V2X em Cenários Complexos

Definição do Problema
Veículos Autônomos (AVs) enfrentam limitações significativas na consciência situacional devido às restrições inerentes aos sensores embarcados, como oclusão e um Campo de Visão (FoV) limitado. Embora a Percepção Coletiva (CP) via comunicação V2X ofereça uma solução ao permitir que os veículos "vejam através dos olhos de outros", validar esses sistemas permanece desafiador. Pesquisas existentes frequentemente isolam a eficiência da comunicação da fusão de percepção ou carecem de métodos robustos para quantificar incerteza e confiabilidade em cenários de tráfego misto complexos. Além disso, existe uma lacuna entre as avaliações puramente simuladas e a implantação no mundo real, necessitando de estruturas de teste híbridas que possam fazer a ponte entre os domínios virtual e físico, fornecendo métricas de segurança explicáveis.

Metodologia
Os autores propõem uma estrutura probabilística e uma metodologia de validação híbrida projetada para um cenário de navegação em rotatória envolvendo veículos conectados e não conectados. O núcleo da abordagem é um algoritmo de fusão Bayesiana que integra observações de sensores heterogêneos em uma grade de ocupação probabilística compartilhada.

1. Arquitetura do Sistema e Entradas:
   A estrutura utiliza Veículos Autônomos Conectados e Cooperativos (CCAVs) que disseminam dados em tempo real, incluindo estado do ego (posição, velocidade, direção), parâmetros de FoV do sensor e informações de objetos observados (posição, velocidade, direção). O sistema assume a disponibilidade de Mensagens de Percepção Coletiva (CPM) padronizadas pela ETSI, mas abstrai aspectos de rede como latência e congestionamento.

2. Implementação Algorítmica:
   O algoritmo opera em uma grade discretizada $N \times N$ que representa o ambiente, onde cada célula contém uma probabilidade de ocupação. O processo envolve quatro etapas:

   • Localização por Filtro de Partículas: A posição de cada CCAV é estimada usando um filtro de partículas baseado em um modelo de movimento cinemático (direção Ackermann) e dados de sensores embarcados (GPS/odometria). O filtro incorpora ruído aditivo para garantir robustez contra a degeneração de partículas.
   • Estimativa de FoV: Um algoritmo customizado implementado em GPU calcula as células da grade visíveis para cada CCAV com base em sua posição estimada e características do sensor. Os objetos percebidos são dilatados para considerar as incertezas de medição.
   • Fusão Bayesiana: A etapa central de fusão aplica recursivamente a regra de Bayes para atualizar a probabilidade de ocupação de cada célula da grade. Utiliza um modelo de sensor direto para ponderar as observações de múltiplos agentes. Se um agente não consegue observar uma célula específica (fora de seu FoV), a probabilidade a priori permanece inalterada. Isso permite que o sistema agregue evidências de múltiplos observadores enquanto mantém uma representação probabilística da incerteza.
   • Rastreamento: A grade de ocupação é propagada ao longo do tempo usando velocidades estimadas para servir como priors para passos de tempo subsequentes, embora a implementação atual resete as probabilidades das células para 0,5 (desconhecido) em cada etapa para fins de simplicidade.

3. Avaliação de Confiabilidade Online:
   A estrutura inclui mecanismos para avaliar a confiabilidade da saída em tempo real:

   • Confiabilidade de Localização: Derivada da covariância do filtro de partículas; elipses de incerteza elevadas indicam estimativas de posição pouco confiáveis.
   • Verificações de Consistência: O sistema detecta autocontradições (ex: um objeto reportado fora do FoV estimado do agente) e contradições entre agentes (ex: relatórios de ocupação conflitantes em FoVs sobrepostos).
   • Incerteza Probabilística: Células com probabilidades de ocupação próximas a 0,5 são sinalizadas como incertas, refletindo dados ausentes ou observações conflitantes.

4. Validação Híbrida:
   Para unir simulação e realidade, os autores utilizam um ambiente de teste híbrido combinando o simulador CARLA com experimentação vehicle-in-the-loop. Esta configuração permite testes controlados baseados em cenários sob níveis variados de ruído de localização (0 a 2 metros).

Principais Contribuições

• Algoritmo de Fusão Probabilística: Uma abordagem Bayesiana que estende o horizonte perceptual de AVs ao fundir dados de múltiplos agentes em uma grade de ocupação compartilhada, quantificando explicitamente a incerteza ao nível da célula.
• Estrutura de Validação Híbrida: Uma metodologia reproduzível que combina simulação CARLA e experimentação física para avaliar o desempenho de CP em cenários de tráfego complexos (especificamente rotatórias).
• Métricas de Confiabilidade: Um conjunto de indicadores online derivados da estrutura probabilística para avaliar a confiabilidade da localização, consistência de FoV e saídas de fusão, abordando a necessidade de validação de segurança explicável.
• Análise de Escalabilidade: Uma avaliação do desempenho do sistema conforme o número de agentes cooperativos aumenta de um (apenas o ego) para seis.

Resultos
Experimentos foram conduzidos em um cenário de rotatória com três configurações: apenas ego, CP com três agentes e CP com seis agentes, testados através de níveis de ruído de localização de 0, 0,5, 1, 1,5 e 2 metros.

• Cobertura do Campo de Visão (FoV): A abordagem de percepção coletiva superou significativamente a detecção apenas pelo ego. A cobertura conjunta do FoV aumentou aproximadamente 260%, subindo de ~0,23 (apenas ego) para ~0,86 (seis agentes).
• Recall de Células Ocupadas: Sob condições nominais de localização (0 m de ruído), o recall para células ocupadas melhorou de 0,82 (apenas ego) para 0,94 (seis agentes). Mesmo com 2 metros de ruído de localização, a configuração de seis agentes manteve um recall de 0,80, comparado a 0,72 para a linha de base apenas ego.
• Precisão e Robustez: Embora a precisão tenha diminuído ligeiramente com mais agentes (devido a FoVs sobrepostos e incerteza de fusão), o sistema demonstrou alta robustez. As métricas de células não ocupadas permaneceram consistentemente altas (>0,98 de recall e >0,99 de precisão) em todas as configurações e níveis de ruído.
• Tolerância ao Ruído: A fusão Bayesiana mitigou efetivamente os efeitos dos erros de localização. A degradação no desempenho das configurações de CP sob 2 metros de ruído foi significativamente menor do que a da linha de base apenas ego.

Significância e Alegações
O artigo afirma fornecer uma base reproduzível e interpretável para validar sistemas de Percepção Coletiva. Ao integrar a fusão probabilística com a avaliação baseada em cenários, a abordagem apoia o implante seguro e certificável de veículos autônomos cooperativos. Os autores enfatizam que seu método não trata a confiabilidade meramente como uma métrica geral, mas considera sua localidade; o sistema pode identificar células específicas onde a percepção é confiável versus aquelas onde é incerta. Essa granularidade é crucial para a condução automatizada, onde uma única célula não confiável próxima a um ator pode ser crítica. O trabalho posiciona-se como um passo em direção ao raciocínio probabilístico explicável em CP, abordando lacunas na literatura atual relativas à integração da quantificação de incerteza na validação de segurança e à padronização de infraestruturas de teste híbrido.