Sistema de toma de decisiones basado en modelo para cambios de carril en vehículos autónomos

Abstract

En las últimas décadas se ha presentado un gran incremento en la congestión de tráfico urbano tanto en grandes ciudades en países desarrollados, como en aquellos en vías de desarrollo, generando también un incremento en la tasa de accidentalidad. Con el rápido crecimiento de las tecnologías de la información, y las comunicaciones y la electrónica, los avances investigativos en la caracterización del tráfico vehicular y mejoras en la capacidad de cómputo y simulación computacional, una de las soluciones más prometedoras para enfrentar estos problemas consiste en el mejoramiento de la infraestructura de movilidad basado en el modelado matemático y la simulación de la dinámica vehicular. Por otro lado, los vehículos poseen niveles de autonomía cada vez mayores y capacidad de comunicarse con otros vehículos (comunicaciones vehículo a vehículo, V2V) y con la infraestructura de gestión de tráfico (comunicaciones vehículo a infraestructura, V2I), de manera que estas tecnologías también aportan no solo a la reducción de la congestión sino a la disminución de las tasas de accidentalidad. Los sistemas de toma de decisiones para la gestión de tráfico, los sistemas de asistencia al conductor y los vehículos autónomos permiten mejorar los tiempos de viaje, la confiabilidad y robustez para mejorar la experiencia de conducción y la seguridad. Una de las principales características de estos sistemas es que se basan en un modelo de predicción que les permite anticipar el estado de los vehículos y su entorno con el fin de reducir la congestión y prevenir accidentes, entre otros. El modelado de la dinámica de vehículos se puede dividir en modelos longitudinales, que describen el comportamiento de aceleración y frenado, y modelos laterales, los cuales describen los cambios de dirección del vehículo. Estos modelos han sido aplicados en sistemas de control enfocados en la seguridad activa, sistemas avanzados de asistencia al conductor (ADAS) y vehículos autónomos. Algunas aplicaciones incluyen el control de crucero, sistemas de alerta de desvío de carril y sistemas de evasión de obstáculos. En la actualidad también se han desarrollado diferentes aplicaciones para cambios de carril autónomos y semi-autónomos. Sin embargo, existen aún desafíos en cuanto a la inclusión de diferentes tipos de vehículos y criterios de confort para la ejecución de la maniobra en relación con características como la relación peso-potencia. En este trabajo se presenta un sistema de toma de decisiones basado en modelo para cambios de carril en venículos autónomos que considera diferentes tipos de vehículos y modos de conducción, con el cual es posible caracterizar la trayectoria de la maniobra. Este sistema se compone de dos partes, las cuales conforman un sólo sistema de toma de decisiones: un sistema para la generación de trayectorias de cambio de carril utilizando optimización basada en un modelo de predicción y una red neuronal que utiliza estas trayectorias en un esquema de aprendizaje supervisado.

Abstract: In the last decades, urban traffic congestion has increased not only in big cities of developed countries, but in those of developing ones, which leads also to an increased accident rate. With the fast growing of information and communication technologies and electronics, research advances on road traffic characterization and improvements in computing capacity and simulation, one of the most promising solutions to face the congestion problem consists on the improvement of the mobility infrastructure based on mathematical modeling and simulation of vehicle dynamics. On the other hand, vehicles have increasing levels of autonomy and the capacity of communicating with others (Vehicle to Vehicle, V2V) and with the infrastructure (Vehicle to Infrastructure, V2I), so that these technologies improve not only the congestion reduction but also the rates of accidents. The decision-making systems for traffic management, driving assistance systems and autonomous vehicles allow to improve travel times and reliability, allowing a better driving experience and security. One of the main features of these systems relies in the fact that they are based on prediction models that permits to anticipate the state of vehicles and their environment with the aim of reducing congestion and prevent accidents, among others. Vehicle dynamics modeling can be divided into longitudinal models, which describe the behavior of acceleration and braking, and lateral models, which describe the direction changes of the vehicle. These models have been applied in control systems focused on active safety, advanced driving assistance systems (ADAS) and autonomous vehicles. Currently, different applications for autonomous and semi-autonomous lane changes have also been developed. However, some challenges remain in regards to the inclusion of different vehicle types and comfort criteria for the execution of the maneuver based on characteristics such as the power-to-weight ratio. In this work, a lane changing model-based decision-making system for autonomous vehicles is presented, which considers different types of vehicles and driving modes and adequately characterized the trajectory of the maneuver. This system is composed of two parts, which conform a single decision-making system: one system for generating lane changing trajectories using a prediction model-based optimization and a neural network that utilizes these trajectories in a supervised learning scheme.