Lo que V2G nos dice sobre los vehículos eléctricos y la red

El concepto de carreteras inteligentes no es nuevo. Incluye esfuerzos como semáforos que ajustan automáticamente su tiempo en función de los datos de los sensores y farolas que ajustan automáticamente su brillo para reducir el consumo de energía. PercepciónEndel que es coautor Liu es fundador y CEO, ha demostrado en su propia pista de pruebas, en Beijing, que el control de las farolas puede hacer que el tráfico sea un 40 por ciento más eficiente. (Liu y coautor Gaudiotex asesor de doctorado de Liu en la Universidad de California, Irvine, a menudo colaboran en proyectos de conducción autónoma).

Pero estos son cambios parciales. Proponemos un enfoque mucho más ambicioso que combina carreteras inteligentes y vehículos inteligentes en un sistema de transporte integrado y totalmente inteligente. La gran cantidad y precisión de la información combinada permitirá que dicho sistema alcance niveles incomparables de seguridad y eficiencia.

Los conductores humanos tienen un
tasa de accidente de 4,2 accidentes por millón de millas; los coches autónomos deben hacerlo mucho mejor para ganar aceptación. Sin embargo, hay casos de esquina, como puntos ciegos, que afectan tanto a los conductores humanos como a los automóviles autónomos, y actualmente no hay forma de manejarlos sin la ayuda de una infraestructura inteligente.

Poner mucha inteligencia en la infraestructura también reducirá el costo de los vehículos autónomos. Un vehículo totalmente autónomo sigue siendo bastante caro de construir. Pero gradualmente, a medida que la infraestructura se vuelva más poderosa, será posible transferir una mayor parte de la carga de trabajo computacional de los vehículos a las carreteras. Eventualmente, los vehículos autónomos deberán estar equipados solo con capacidades básicas de percepción y control. Estimamos que esta transferencia reducirá el costo de los vehículos autónomos en más de la mitad.

Así es como podría funcionar: es Beijing un domingo por la mañana, y las tormentas de arena han vuelto azul el sol y amarillo el cielo. Está conduciendo por la ciudad, pero ni usted ni ningún otro conductor en la carretera tiene una perspectiva clara. Pero cada automóvil, a medida que avanza, descubre una pieza del rompecabezas. Esa información, combinada con datos de sensores integrados en la carretera o cerca de ella y de retransmisiones de los servicios meteorológicos, se alimenta a un sistema informático distribuido que utiliza inteligencia artificial para construir un modelo único del entorno que puede reconocer objetos estáticos a lo largo de la carretera, así como objetos que se mueven a lo largo de la trayectoria proyectada de cada automóvil.

Dos fotos, una al lado de la otra, muestran una calle arbolada parcialmente oscurecida por el polvo amarillo.  En la foto de la derecha, un autobús estático se encuentra en el carril más a la derecha de los cuatro carriles y un sedán en movimiento está dos carriles a la izquierda.  Debajo de las fotos hay una simulación de la escena generada por computadora que muestra los árboles, la carretera, los vehículos y una línea amarilla proyectada hacia la derecha para indicar la probable trayectoria del sedán. El vehículo autónomo, en coordinación con el sistema de carretera, ve a través de una tormenta de arena que se arremolina en Beijing para distinguir un autobús estático y un sedán en movimiento. [top]. El sistema incluso indica su trayectoria prevista para el sedán detectado a través de una línea amarilla. [bottom]formando efectivamente un mapa semántico de alta definición.Shaoshan Liu

Debidamente ampliado, este enfoque puede prevenir la mayoría de los accidentes y atascos de tráfico, problemas que han afectado al transporte por carretera desde la introducción del automóvil. Puede proporcionar los objetivos de un automóvil autónomo autosuficiente sin exigir más de lo que cualquier automóvil puede proporcionar. Incluso en una tormenta de arena en Beijing, cada persona en cada automóvil llegará a su destino de manera segura y puntual.

Al combinar la potencia informática inactiva y el archivo de datos sensoriales, hemos podido mejorar el rendimiento sin imponer ninguna carga adicional a la nube.

Hasta la fecha, hemos implementado un modelo de este sistema en varias ciudades de China, así como en nuestra pista de prueba en Beijing. Por ejemplo, en Suzhou, una ciudad de 11 millones de habitantes al oeste de Shanghái, el despliegue se realiza en una vía pública con tres carriles a cada lado, y la fase uno del proyecto cubre 15 kilómetros de carretera. Se implementa un sistema de carretera cada 150 metros en la carretera, y cada sistema de carretera consta de una unidad informática equipada con un
Intel CPU y una GPU Nvidia 1080Ti, una serie de sensores (lidars, cámaras, radares) y un componente de comunicación (una unidad de carretera o RSU). Esto se debe a que LIDAR proporciona una percepción más precisa en comparación con las cámaras, especialmente de noche. Luego, las RSU se comunican directamente con los vehículos desplegados para facilitar la fusión de los datos del lado de la carretera y los datos del lado del vehículo en el vehículo.

Los sensores y relés a lo largo del borde de la carretera comprenden la mitad del sistema de conducción autónomo cooperativo, y el hardware de los vehículos constituye la otra mitad. En una implementación típica, nuestro modelo emplea 20 vehículos. Cada vehículo lleva un sistema informático, un conjunto de sensores, una unidad de control del motor (ECU) y, para conectar estos componentes, un bus de red de área de controlador (CAN). La infraestructura vial, como se describió anteriormente, consiste en un equipamiento similar pero más avanzado. La GPU Nvidia de alta gama del sistema de carretera se comunica de forma inalámbrica a través de su RSU, cuya contraparte en el automóvil se llama unidad a bordo (OBU). Esta comunicación de ida y vuelta facilita la fusión de datos en la carretera y datos del automóvil.

Una fotografía dispuesta verticalmente muestra una estructura blanca que consta de una caja, cerca de la parte inferior, un poste vertical que sostiene la caja y se extiende muy por encima de ella, con un cilindro azul en el poste, al nivel de la parte superior de la caja, y varias antenas y sensor desplegado a lo largo del poste y a lo largo de una viga transversal en la parte superior del mismo.Este despliegue, en un campus en Beijing, consta de un lidar, dos radares, dos cámaras, una unidad de comunicación en la carretera y una computadora en la carretera. Cubre los puntos ciegos en las esquinas y rastrea los obstáculos en movimiento, como peatones y vehículos, en beneficio del servicio de transporte autónomo que sirve al campus.Shaoshan Liu

La infraestructura recopila datos sobre el entorno local y los comparte de inmediato con los automóviles, eliminando así los puntos ciegos y, de lo contrario, ampliando la percepción de manera obvia. La infraestructura también procesa datos de sus propios sensores y de sensores en los automóviles para extraer el significado, produciendo lo que se denomina datos semánticos. Los datos semánticos podrían, por ejemplo, identificar un objeto como peatón y ubicar a ese peatón en un mapa. Luego, los resultados se envían a la nube, donde un procesamiento más elaborado fusiona esos datos semánticos con datos de otras fuentes para generar información de planificación y percepción global. Luego, la nube envía información de tráfico global, planes de navegación y comandos de control a los automóviles.

Cada automóvil en nuestra pista de prueba comienza en modo de conducción autónoma, es decir, un nivel de autonomía que pueden administrar los mejores sistemas de la actualidad. Cada automóvil está equipado con seis radares de ondas milimétricas para detectar y rastrear objetos, ocho cámaras para percepción bidimensional, un lidar para percepción tridimensional y GPS y guía inercial para ubicar el vehículo en un mapa digital. Los resultados de la percepción 2D y 3D, así como las salidas del radar, se fusionan para generar una vista completa de la carretera y su entorno inmediato.

A continuación, estos resultados de percepción se introducen en un módulo que realiza un seguimiento de cada objeto detectado (por ejemplo, un automóvil, una bicicleta o un neumático que rueda), dibujando una trayectoria que se puede enviar al siguiente módulo, que predice dónde se ubicará el objeto objetivo. Vamos. Finalmente, dichas predicciones se entregan a los módulos de planificación y control, que dirigen el vehículo autónomo. El coche crea un modelo de su entorno hasta 70 metros de distancia. Todo este cálculo se produce dentro del propio coche.

Mientras tanto, la infraestructura inteligente está haciendo el mismo trabajo de detección y seguimiento con radares, así como modelado 2D con cámaras y modelado 3D con lidar, fusionando finalmente esos datos en un modelo propio, para complementar lo que hace cada automóvil. . Debido a que la infraestructura está dispersa, puede modelar el mundo a una distancia de hasta 250 metros. Los módulos de seguimiento y predicción de los coches fusionarán los modelos más anchos y más estrechos en una vista completa.

La unidad a bordo del automóvil se comunica con su contraparte en la carretera para facilitar la fusión de datos en el vehículo. El estándar inalámbrico, llamado Cellular-V2X (por «vehicle-to-X»), no es diferente al que se usa en los teléfonos; la comunicación puede alcanzar hasta 300 metros, y la latencia, el tiempo que tarda un mensaje en llegar, es de unos 25 milisegundos. Este es el punto en el que muchos de los puntos ciegos del automóvil ahora están cubiertos por el sistema en la infraestructura.

Se admiten dos modos de comunicación: LTE-V2X, una variante del estándar celular reservada para intercambios de vehículo a infraestructura, y las redes móviles comerciales que utilizan el estándar LTE y el estándar 5G. LTE-V2X está dedicado a las comunicaciones directas entre la carretera y los automóviles en un rango de 300 metros. Aunque la latencia de comunicación es de solo 25 ms, es emparejado con un ancho de banda bajo, actualmente alrededor de 100 kilobytes por segundo.

Por el contrario, las redes comerciales 4G y 5G tienen un alcance ilimitado y un ancho de banda significativamente mayor (100 megabytes por segundo para enlace descendente y 50 MB/s de enlace ascendente para LTE comercial). Sin embargo, tienen una latencia mucho mayor, y eso supone un reto importante para la toma de decisiones momento a momento en la conducción autónoma.

Una escena de una carretera de varios carriles tiene edificios en el fondo y la parte trasera de un automóvil en primer plano.  A lo largo del carril más a la derecha hay dos estructuras al borde de la carretera, una blanca con señalización estándar y otra verde que consta de un poste vertical y una viga transversal horizontal en la parte superior del poste.  En el poste blanco se puede ver una caja;  otra caja similar está en el poste verde vertical;  y en el travesaño verde superior hay sensores.Se organiza un despliegue al borde de la carretera en una vía pública en Suzhou a lo largo de un poste verde que tiene un lidar, dos cámaras, una unidad de comunicación y una computadora. Amplía enormemente el alcance y la cobertura de los vehículos autónomos en la carretera.Shaoshan Liu

Tenga en cuenta que cuando un vehículo viaja a una velocidad de 50 kilómetros (31 millas) por hora, la distancia de frenado del vehículo será de 35 metros cuando el camino esté seco y de 41 metros cuando esté resbaladizo. Por tanto, el rango de percepción de 250 metros que permite la infraestructura dota al vehículo de un amplio margen de seguridad. En nuestra pista de prueba, la tasa de desconexión, la frecuencia con la que el conductor de seguridad debe anular el sistema de conducción automatizado, es al menos un 90 por ciento más baja cuando la inteligencia de la infraestructura está activada, de modo que puede aumentar el sistema a bordo del automóvil autónomo.

Los experimentos en nuestra pista de pruebas nos han enseñado dos cosas. En primer lugar, debido a que las condiciones del tráfico cambian a lo largo del día, las unidades de computación de la infraestructura están completamente en uso durante las horas pico, pero en gran medida están inactivas en las horas de menor actividad. Esta es más una característica que un error, ya que libera gran parte de la enorme potencia informática de carretera para otras tareas, como la optimización del sistema. En segundo lugar, descubrimos que, de hecho, podemos optimizar el sistema porque nuestro creciente tesoro de datos de percepción local se puede utilizar para ajustar nuestros modelos de aprendizaje profundo para agudizar la percepción. Al combinar la potencia informática inactiva y el archivo de datos sensoriales, hemos podido mejorar el rendimiento sin imponer ninguna carga adicional a la nube.

Es dificil hacer que la gente esté de acuerdo en construir un vasto sistema cuyos beneficios prometidos llegarán solo después de que se haya completado. Para resolver este problema del huevo y la gallina, debemos pasar por tres etapas consecutivas:

Etapa 1: conducción autónoma aumentada por infraestructura, en la que los vehículos fusionan los datos de percepción del lado del vehículo con los datos de percepción del borde de la carretera para mejorar la seguridad de la conducción autónoma. Los vehículos seguirán estando muy cargados con equipos de conducción autónoma.

Etapa 2: conducción autónoma guiada por infraestructura, en la que los vehículos pueden descargar todas las tareas de percepción a la infraestructura para reducir los costos de implementación por vehículo. Por razones de seguridad, las capacidades básicas de percepción permanecerán en los vehículos autónomos en caso de que la comunicación con la infraestructura falle o la infraestructura misma falle. Los vehículos necesitarán notablemente menos hardware de detección y procesamiento que en la etapa 1.

Etapa 3: conducción autónoma planificada por infraestructura, en la que la infraestructura se encarga tanto de la percepción como de la planificación, consiguiendo así la máxima seguridad, eficiencia en el tráfico y ahorro de costes. En esta etapa, los vehículos están equipados con capacidades informáticas y de detección muy básicas.

Los desafíos técnicos existen. El primero es la estabilidad de la red. A alta velocidad del vehículo, el proceso de fusión de datos del lado del vehículo y del lado de la infraestructura es extremadamente sensible a las fluctuaciones de la red. Usando redes comerciales 4G y 5G, hemos observado fluctuaciones de red que van de 3 a 100 ms, suficiente para evitar que la infraestructura ayude al automóvil. Aún más crítica es la seguridad: debemos asegurarnos de que un pirata informático no pueda atacar la red de comunicación o incluso la infraestructura misma para pasar información incorrecta a los automóviles, con consecuencias potencialmente letales.

Otro problema es cómo obtener un apoyo generalizado para la conducción autónoma de cualquier tipo, y mucho menos para una basada en carreteras inteligentes. En China, el 74 por ciento de las personas encuestadas está a favor de la rápida introducción de la conducción automatizada, mientras que en otros países, el apoyo público es más vacilante. Solo el 33 por ciento de los alemanes y el 31 por ciento de las personas en los Estados Unidos apoyan la rápida expansión de los vehículos autónomos. Quizás la cultura del automóvil bien establecida en estos dos países ha hecho que las personas se apeguen más a conducir sus propios automóviles.

Luego está el problema de los conflictos jurisdiccionales. En los Estados Unidos, por ejemplo, la autoridad sobre las carreteras se distribuye entre la Administración Federal de Carreteras, que opera las carreteras interestatales, y los gobiernos estatales y locales, que tienen autoridad sobre otras carreteras. No siempre está claro qué nivel de gobierno es responsable de autorizar, gestionar y pagar la mejora de la infraestructura actual a carreteras inteligentes. En los últimos tiempos, gran parte de la innovación en el transporte que ha tenido lugar en los Estados Unidos se ha producido a nivel local.

Por el contrario,
China ha trazado un nuevo conjunto de medidas para impulsar la investigación y el desarrollo de tecnologías clave para la infraestructura vial inteligente. Un documento de política publicado por el Ministerio de Transporte de China apunta a sistemas cooperativos entre vehículos e infraestructura vial para 2025. El gobierno chino tiene la intención de incorporar a la nueva infraestructura elementos inteligentes como redes de detección, sistemas de comunicaciones y sistemas de control en la nube. La cooperación entre fabricantes de automóviles, empresas de alta tecnología y proveedores de servicios de telecomunicaciones ha generado nuevas empresas de conducción autónoma en Beijing, Shanghái y Changsha, una ciudad de 8 millones de habitantes en la provincia de Hunan.

Un enfoque de conducción cooperativa infraestructura-vehículo promete ser más seguro, más eficiente y más económico que un enfoque de conducción autónoma estrictamente de vehículos. La tecnología está aquí y se está implementando en China. Para hacer lo mismo en los Estados Unidos y en otros lugares, los legisladores y el público deben adoptar el enfoque y abandonar el modelo actual de conducción autónoma solo de vehículos. En cualquier caso, pronto veremos estos dos enfoques muy diferentes de la conducción automatizada compitiendo en el mercado mundial del transporte.

De los artículos de su sitio

Artículos relacionados en la Web

¿Que te ha parecido?

Deja un comentario