ADAS y conducción autónoma: fundamentos de la detección

Ganancias:

• Capacidad para explicar las funciones de la cámara, el radar, el LiDAR y la fusión de sensores en la cadena de detección y los niveles de automatización SAE.
• Capacidad para crear etiquetado de datos, definición de escenarios y métricas de evaluación para la detección, clasificación y seguimiento de objetos.
• Capacidad para evaluar críticamente casos extremos, equilibrio falso positivo/negativo y margen de seguridad en la salida del modelo de detección.

La mayoría de los vehículos actuales tienen funciones como advertencia de cambio de carril, frenado automático de emergencia o control de crucero adaptativo. Todos estos están bajo el paraguas de ADAS (Sistemas Avanzados de Asistencia al Conductor). En el corazón de estos sistemas y de la conducción autónoma se encuentra la percepción: la forma en que el vehículo "ve" el mundo que lo rodea con sensores y lo "comprende" con inteligencia artificial. En esta unidad, cubriremos la cadena de detección, los sensores, los niveles de automatización y el tema más crítico, los límites de seguridad.

Una advertencia desde el principio: esta área es crítica para la seguridad. Si el modelo de detección no detecta a un peatón, el resultado puede ser fatal. Es por eso que cada salida de IA aquí debe estar rodeada de procesos de ingeniería de seguridad (ISO 26262 y SOTIF en las próximas unidades).

Sensores: ojos, oídos y radar.

Una pila de conducción autónoma combina diferentes sensores porque cada uno tiene fortalezas y debilidades:

• Cámara: La cámara "ve" mejor el color, el texto (señal de tráfico), la línea del carril y el tipo de objeto. Pero por la noche, la niebla, el fuerte resplandor del sol y la estimación de distancias son pobres.
• Radar (detección y alcance de radio): mide la distancia y la velocidad con ondas de radio. Se ve menos afectado por la lluvia/niebla y mide la velocidad directamente (con el efecto Doppler); pero su resolución es baja, lo que dificulta distinguir "¿es un peatón o una caja?"
• LiDAR (detección y alcance de luz): dispara un láser y produce una "nube de puntos" tridimensional precisa del entorno; Da muy bien distancia y forma. Pero es caro y puede verse afectado por una fuerte niebla o lluvia.
• Ultrasónicos: De corto alcance, como los sensores de aparcamiento.

Dado que ninguno de los dos es suficiente por sí solo, se realiza una fusión de sensores: al combinar los datos de diferentes sensores, la debilidad de cada uno se compensa con la fuerza del otro. Por ejemplo, la cámara dice "peatonal", el radar dice "a 12 metros, acercándose a 5 km/h"; Fusion combina los dos y crea una pista confiable.

Consejo: al evaluar una afirmación de detección, "¿qué sensor puede verlo y qué tan bien?" preguntar. Si la estimación de distancia de la cámara por la noche es deficiente, una decisión de distancia basada en una sola cámara es cuestionable.

Cadena de detección

La cadena típica desde los datos sin procesar del sensor hasta la decisión es la siguiente:

1. Detección: encontrar objetos en la imagen/nube de puntos ("aquí hay una herramienta").
2. Clasificación: Determinación del tipo de objeto (peatón, bicicleta, vehículo, señal).
3. Seguimiento: seguir el objeto entre fotogramas, estimando su velocidad y dirección.
4. Fusión: combinación de sensores para crear un modelo mundial consistente.
5. Predicción: "¿Este peatón cruzará la calle?"
6. Planificación y control: Decisión y mando de dirección/freno/acelerador.

Inteligencia artificial (especialmente aprendizaje profundo) 1-3. muy fuerte en pasos; 5-6. Los escalones están cada vez más rodeados de reglas de ingeniería y lógica de seguridad.

Niveles de automatización SAE

La autonomía no es una cuestión de "sí o no", es gradual. El estándar SAE J3016 define seis niveles:

Nivel

Nombre

¿Quién conduce?

ejemplo

0

Sin automatización

todos conducen

Sólo advertencia (advertencia de punto ciego)

1

Soporte al conductor

conductor + soporte único

Crucero adaptativo O mantenimiento de carril

2

Automatización parcial

Conductor (supervisión constante)

Velocidad + carril juntos, conductor responsable

3

Automatización condicional

Sistema (bajo ciertas condiciones)

Bajo ciertas condiciones, el sistema funciona, el conductor está listo para tomar el control.

4

alta automatización

Sistema (en área específica)

Sin conductor en área definida

5

Automatización completa

Sistema (en todas las condiciones)

Sin conductor en todas partes (todavía no)

Precaución: El malentendido más peligroso es el Nivel 2. En el Nivel 2, el vehículo admite dirección y velocidad, pero el conductor mantiene supervisión y responsabilidad constantes. Confundir el sistema con "piloto automático" y no prestar atención ha provocado accidentes mortales. El nivel 2 no significa "sin conductor".

Métricas de evaluación: falso positivo y falso negativo

Dos tipos de errores son críticos al evaluar un modelo de detección:

• Falso positivo: Pensar que hay algo que no existe. Por ejemplo, pensar que la sombra de un puente es un “obstáculo” y frenar innecesariamente. Molesto y a veces peligroso (colisión por alcance).
• Falso negativo (falso negativo/miss): No poder ver algo que existe. Por ejemplo, no ver a un peatón real. Este es el error más mortal en la conducción autónoma.

Métricas que resumen estas:

• Precisión: cuánto de lo que marcaste es realmente correcto.
• Recuerdo (sensibilidad): ¿Cuánto de lo que realmente existe has capturado?
• mAP (precisión promedio media): métrica compuesta común para la detección de objetos.

La recordación (que no se pierda ningún peatón) es vital en cuestiones como la detección de peatones en la conducción autónoma; Aumentar esto a veces aumenta los falsos positivos. Esta compensación es una decisión de ingeniería de seguridad, no pura precisión del modelo.

Casos extremos y la cola larga

Lo más difícil de la conducción autónoma no son las situaciones comunes, sino las raras y extrañas: la señal medio visible bajo la nieve, el camión volcado, un peatón disfrazado, muebles caídos en la carretera. Estas situaciones raras pero peligrosas se denominan cola larga. Si bien un modelo puede ser perfecto para millones de millas "normales", puede fallar en una situación extrema que nunca antes había visto. Es por eso que las pruebas basadas en escenarios, la simulación y la validación en el mundo real son infinitas.

Mini estudios de casos

Caso 1 - El valor de la fusión. Mientras probaba el frenado automático de emergencia, un equipo de ADAS descubrió que era lento detectar un vehículo de color oscuro delante de él bajo un sol brillante solo con la cámara. Cuando se agregan datos de radar (el radar no se ve afectado por el deslumbramiento), el sistema detecta el vehículo 0,4 segundos antes; Esto significa una distancia de frenado de aproximadamente 10 metros a 90 km/h. Resultado: Fusion cerró el punto ciego del sensor único.

Caso 2 - Balanza de precisión/recuperación. Cuando se reduce el umbral del modelo de detección de peatones, la recuperación aumenta del 96% al 99%, pero aumentan los falsos positivos (sombras, arbustos), lo que conduce a frenadas innecesarias. El equipo de seguridad toma la decisión: evitar a los peatones es una prioridad, pero la comodidad se mantiene eliminando falsos positivos con lógica de fusión y seguimiento. Conclusión: La selección de métricas es una decisión de ingeniería/seguridad, no existe un único "número correcto".

Caso 3 - Sorpresa del caso Edge. Si bien un modelo tuvo un 99,8% de éxito en su conjunto de validación, confundió una foto de un peatón gigante detrás de un camión que llevaba un anuncio de neumáticos para nieve en el campo con un "peatón real" y frenó repentinamente. El equipo agrega este caso extremo a la biblioteca de escenarios y vuelve a entrenar el modelo. Conclusión: la larga cola nunca "termina"; Se requiere una recopilación constante de escenarios.

plantillas de mensajes

Plantilla 1: Generación de una lista de escenarios:

Rol: Usted es el ingeniero de casos de prueba de ADAS. Tarea: Producir escenarios de prueba desafiantes (casos extremos) para el frenado automático de emergencia. Contexto: Urbano, 30-50 km/h, mixto peatón y ciclista. Restricción: Priorizar los escenarios raros/peligrosos, no frecuentes; escriba el comportamiento correcto esperado para cada escenario. Salida: Escenario | condición | comportamiento esperado | nivel de riesgo.

Plantilla 2: esquema de la guía de etiquetado:

Rol: Líder de calidad del etiquetado de datos. Tarea: Redactar un borrador de reglas de coherencia para el etiquetado de peatones. Contexto: Hay peatones parcialmente visibles, sentados, en sillas de ruedas y en grupos. Salida: Regla | ejemplo | tabla de calificaciones estatales límite.

Plantilla 3 - Interpretación de métricas:

Rol: Experto en evaluación de visión por computadora. Tarea: Interpretar los resultados de mi detección de peatones. Contexto: precisión 0,93, recuperación 0,90, la mayoría de los errores se producen de noche o bajo la lluvia. Restricción: enfatizar la importancia del retiro para la seguridad; Dígame bajo qué condiciones se requiere verificación adicional. Salida: Comentario + áreas prioritarias de mejora.

Plantilla 4: esquema de la lógica de fusión:

Rol: Eres un ingeniero de fusión de sensores. Tarea: Sugerir un borrador de lógica de decisión cuando la cámara y el radar entran en conflicto. Contexto: El radar ve un objeto pequeño en movimiento a 15 m mientras la cámara dice "no peatones". Restricción: Aplicar el principio de supuesto a favor de la seguridad (lado seguro). Salida: Tabla de decisiones + justificación.

Aviso débil / Aviso fuerte

Aviso débil:

¿Es seguro mi modelo de vehículo autónomo?

Sin contexto; "seguro" no está definido; La IA sólo habla en términos generales y puede dar una confianza engañosa.

Potente mensaje:

Rol: Usted es el consultor de evaluación de seguridad de ADAS. Tarea: crear una lista de verificación para cuestionar las vulnerabilidades de mi modelo de detección de peatones. Contexto: Sistema Urbano Nivel 2; El recuerdo cae de noche y bajo la lluvia; Sólo hay cámara + radar, no LiDAR. Restricción: No declarar "seguro"; especificar bajo qué condiciones el sistema está en su límite y qué pruebas adicionales se requieren. Producto: Área de riesgo | por qué | prueba recomendada | tabla de importancia.

Errores comunes

• Confundir el nivel 2 con "sin conductor". La responsabilidad recae en el conductor; Esta idea errónea es fatal.
• Apoyándose en un único sensor. Cada sensor tiene un punto ciego; La fusión es esencial.
• Simplemente mirando la precisión promedio. 99% de éxito, 1% de peatones perdidos podrían ser fatales; Los casos extremos y de recuperación son críticos.
• Ignorando los casos extremos. La larga cola nunca termina; La recopilación de escenarios es continua.
• Dejando la decisión de seguridad al modelo. Las decisiones sobre umbrales y equilibrios son responsabilidad de la ingeniería de seguridad.

En resumen

• En el corazón de ADAS y la detección de conducción autónoma se encuentran la cámara, el radar, el LiDAR y la fusión de sensores; Cada sensor tiene diferentes fortalezas y debilidades.
• La cadena de detección consta de detección, clasificación, seguimiento, fusión, predicción y control; La IA es fuerte en los primeros pasos.
• Los niveles de SAE varían de 0 a 5; En el Nivel 2, la responsabilidad recae en el conductor.
• El falso negativo (secuestro de un peatón) es el error más fatal; Los casos extremos y de recuperación tienen prioridad.
• Las decisiones de seguridad son responsabilidad de ingeniería; La precisión del modelo no es el único criterio.

Tarea de aplicación

Seleccione una función ADAS (por ejemplo, asistencia para mantenerse en el carril). (1) Escriba en una tabla qué sensores admiten esta función y qué tan bien. (2) Genere 5 escenarios de casos extremos con la Plantilla 1 y especifique el comportamiento seguro esperado para cada uno. (3) Compare los resultados de falso positivo y falso negativo para esta función. (4) Enumere qué pruebas independientes se requieren antes de afirmar que el modelo es "seguro".

lista de verificación

• [ ] Evalué las fortalezas/debilidades de los sensores según su función.
• [] También he enumerado los escenarios de casos finales (cola larga).
• [] Comparé resultados falsos positivos/negativos por motivos de seguridad.
• [] Tomé en cuenta la importancia crítica para la seguridad de Recall.
• [ ] Aclaré el nivel SAE y quién es el responsable.
• [] Preparé un plan de pruebas independiente antes de afirmar que era "seguro".