ADAS Elevated: Aprovechamiento de las técnicas de fusión temprana para una detección nocturna superior

Técnicas de fusión

Al fusionar los flujos de datos de los sensores de múltiples sensores y diferentes modalidades de detección, el objetivo es lograr un mejor rendimiento del sistema que cuando se usan sensores por separado. Esto se aplica no solo a la precisión y confiabilidad de la detección, sino también al rendimiento computacional. Las técnicas de fusión han evolucionado desde el enfoque clásico con la introducción de herramientas de aprendizaje automático e inteligencia artificial. Las siguientes técnicas discutidas en este texto son de particular interés para ADAS:

• Fusión tardía
  Este es el enfoque clásico en el que la fusión tiene lugar más tarde en la cadena de procesamiento de datos de un sistema de sensores. Esto a menudo se conoce como fusión de alto nivel, que esencialmente significa lo mismo.
  
  Los sensores individuales procesan los datos en un grado mayor antes de que se produzca la fusión, normalmente en el punto en el que los algoritmos de percepción han clasificado algo como objeto. Estos objetos se clasifican en diferentes clases semánticas (por ejemplo, automóvil, peatón, ciclista) que son relevantes para un entorno de tráfico. Luego, los objetos, con sus atributos derivados (por ejemplo, posición, orientación, velocidad), se pasan al algoritmo de fusión.
  
  La información se puede utilizar en un algoritmo de seguimiento, en el que el sistema calcula una predicción de ruta que se utiliza, por ejemplo, en funciones de prevención de colisiones como el frenado autónomo de emergencia (AEB).
  
  El beneficio de un sistema que utiliza la fusión tardía es que cuando ambas fuentes brindan información sobre un objeto, puede confiar en la salida, lo que da como resultado una alta confiabilidad para el sistema. El inconveniente es que cada modalidad de sensor necesita proporcionar datos y, en condiciones difíciles, por ejemplo, si una cámara está expuesta al resplandor del sol, a veces no hay suficiente señal para realizar la detección.
  
  Esta técnica encaja bien con una arquitectura ADAS que consiste en sensores inteligentes en la que la toma de decisiones está descentralizada.

• Fusión temprana
  Para la fusión temprana, hay dos variantes que consideramos. Uno es de nivel medio, donde uno de los sensores proporciona datos de objetos y el otro proporciona datos de pasos anteriores en la cadena de procesamiento (generalmente píxeles de un generador de imágenes o detecciones de un radar).
  
  El otro es la fusión de bajo nivel, donde todos los sensores proporcionan datos de los primeros pasos, y el proceso de fusión también realiza la clasificación de objetos. El beneficio de la fusión temprana es que cada sensor no tiene que clasificar el objeto por sí mismo. En la práctica, esto significa que en algunos casos en los que existen condiciones desafiantes para el sistema de sensores, puede combinar información menos segura de cada modalidad de detección en una detección confiable.
  
  Este enfoque se ha vuelto más interesante ahora con la arquitectura centralizada, donde los sensores pueden pasar datos de alta densidad a través de una conexión de gran ancho de banda a una unidad de cómputo central (sin procesar datos en objetos). En general, esto puede resultar en un sistema de percepción más eficiente, y el desarrollo ha sido posible gracias a las mejoras en los SOC y las herramientas de IA.

Protección de los peatones a través de la fusión temprana del radar térmico y de imágenes

Para comprender el potencial de la fusión temprana relacionada con ADAS, podemos analizar la necesidad de abordar los accidentes de peatones en la oscuridad. En los EE. UU., las muertes nocturnas de peatones han aumentado en los últimos 15 años, y casi todo el aumento se ha derivado a las carreteras arteriales urbanas, donde el 76% de los accidentes fatales ocurren después del anochecer, según un informe de AAA. La tecnología de cámara actual que opera en el espectro de luz visible tiene problemas en condiciones de poca luz y el riesgo de falsos positivos aumenta al aumentar la sensibilidad.

Magna explora la fusión temprana de sensores de radar térmicos y de imágenes como una alternativa robusta, rentable y de alta disponibilidad. Los sensores térmicos detectan a los peatones a través de registros de calor, mientras que el radar de imágenes proporciona estimaciones espaciales detalladas. La combinación de datos sin procesar de ambos sensores permite la evaluación de objetos en tiempo real en la oscuridad.

La fusión temprana del radar térmico y de imágenes puede mejorar la seguridad de los peatones y ofrecer beneficios de costo y escalabilidad. Sin embargo, siguen existiendo desafíos para la aceptación del mercado. La industria necesita valorar esta tecnología en lo que respecta a la disponibilidad y la confiabilidad. Las soluciones de sistemas con radar térmico y de imágenes requieren altos volúmenes de producción y adopción en el mercado para respaldar la rentabilidad.

Dada la evolución de las tecnologías ADAS y las próximas normas de seguridad, la industria está preparada para superar estas barreras. Es probable que la fusión de ADAS evolucione rápidamente, mejorando la seguridad y la eficiencia en las soluciones de movilidad.

*Este documento se tradujo con Microsoft Translator.