Por Jesús Fraile Ardanuy, IPTC-UPM
Octubre 2019
La aparición del automóvil clásico, dotado de motor de combustión interna, a finales del siglo XIX y su posterior generalización mundial, ha producido un profundo cambio en nuestra sociedad, favoreciendo el desarrollo de la economía global, aumentando la libertad individual y constituyendo uno de los símbolos de progreso. Pero el automóvil también ha traído una serie de efectos colaterales muy negativos tales como la contaminación atmosférica y acústica, especialmente en núcleos urbanos, el aumento del consumo energético de combustibles fósiles, fomentando el cambio climático a nivel global debido a la emisión de gases de efecto invernadero (GEI) durante su combustión, el empeoramiento del entorno urbano producido por el aumento del tráfico rodado y la construcción de nuevas infraestructuras viarias en detrimento de espacio para sus habitantes. De entre todos estos efectos negativos, es importante destacar las consecuencias de los accidentes de tráfico, no sólo en términos de fallecidos y heridos, sino también por los elevados costes sanitarios y las pérdidas de productividad producidas por las bajas laborales. Sólo en la UE, fallecieron en el último año más de 25.000 personas, y el error humano fue la causa de 9 de cada 10 accidentes.
Con objeto de reducir los accidentes y mejorar la seguridad vial, la industria automovilística ha ido introduciendo distintos dispositivos de seguridad activa (Driving Assistance Systems, DAS) en los vehículos desde mediados del siglo XX, tales como el regulador de velocidad (1948), los sistemas antibloqueo de frenos (1978), el control de tracción (1986) y estabilidad (1987), el control de velocidad adaptativo (1995), los sistemas de aviso de cambio involuntario de carril (2001), etc. Todos estos sistemas ayudan a reducir el número de accidentes, facilitando el control del vehículo en condiciones adversas, pero el conductor sigue siendo el responsable final de sus acciones y por ello, desde los primeros tiempos de la automoción siempre se soñó con la posibilidad de que el vehículo se pudiera conducir de forma autónoma, sin ayuda del conductor.
Entre los años 20 y 30 del siglo XX, se desarrollaron algunos prototipos iniciales de vehículos radiocontrolados, como el famoso American Wonder de Francis P. Houdina, que sorprendió en 1925 a los habitantes de la ciudad de Nueva York al circular desde Broadway a la 5ª Avenida. Pero no fue hasta 1987 cuando el profesor Ernst Dickmanns y su equipo de la Bundeswehr University de Munich desarrollaron el primer vehículo autónomo moderno, que podía alcanzar los 100 km/h sin tráfico. La UE se mostró muy interesada en sus resultados y arrancó el proyecto EUREKA PROMETHEUS para promover la investigación en el campo de vehículos autónomos. Los trabajos continuaron y en 1994 dos automóviles autónomos condujeron más de 1000 km por autopista alrededor de París con pequeñas intervenciones por parte del conductor, demostrando la posibilidad de circular autónomamente en entornos más complejos, adelantando por sí mismo incluso a vehículos más lentos. En 1995, un vehículo desarrollado por Dickmanns fue capaz de realizar un viaje de ida y vuelta de Múnich a Copenhague (más de 1500 km), alcanzando más de 180 km/h en las Autobahns alemanas, con un porcentaje de conducción autónoma del 95% (con un tiempo medio entre intervenciones humanas de 9 km). Ese mismo año, un vehículo desarrollado por la Universidad Carnegie Mellon (denominado NavLab5), fue capaz de cruzar Estados Unidos de costa a costa (4800 km) maniobrando de forma autónoma el volante durante el 98.2% del tiempo, mientras que un operador humano controlaba únicamente el acelerador y el freno.
El punto de inflexión se produjo a principios de este siglo, cuando la Agencia de Proyectos de Investigación Avanzados del Departamento de Defensa de Estados Unidos (conocida por sus siglas en inglés, Defense Advanced Research Projects Agency, DARPA), organizó una serie de competiciones denominadas “Grandes Retos” para fomentar la investigación en esta área, aportando elevados premios para los equipos concursantes. El primer Gran Reto se celebró el 13 de marzo de 2004 y el objetivo era recorrer 228 km de forma completamente autónoma por el desierto de Nevada. Participaron 15 equipos, pero ninguno fue capaz de alcanzar la meta. Dieciocho meses después, el 8 de octubre de 2005, se presentaron 195 equipos para realizar otro recorrido de 212 km y, esta vez, el equipo de la Universidad de Stanford logró el objetivo de recorrer esta distancia de forma completamente autónoma en menos de 7 horas, ganando así el premio de 2 millones de dólares. En 2007, DARPA aumentó la complejidad de la propuesta y organizó el reto “Urban Challenge” para navegar 96,6 km en un entorno urbano, respetando todas las normas de tráfico y compartiendo la vía con otros vehículos, tanto autónomos como conducidos por personas. En este caso, 6 equipos lograron finalizar la prueba, siendo el ganador el equipo de la Universidad Carnegie Mellon liderado por Sebastian Thurn.
Gracias al desarrollo de estos retos, comenzó la colaboración entre distintos fabricantes de automóviles y las universidades, creándose centros de investigaciones comunes como el Autonomous Driving Collaborative Resarch Lab entre General Motors y la Universidad Carnegie Mellon, o el Volkswagen Automotive Innovation Lab, entre Volkswagen y la Universidad Stanford, acelerando la investigación y desarrollo en este campo. Durante este periodo, otras empresas de sectores tecnológicos como Google, Baidu, Intel, Samsung o Apple comenzaron a abrir nuevas líneas de negocio centrado en la movilidad autónoma y a desarrollar sus primeros prototipos.
La transición desde la conducción clásica hacia la conducción plenamente autónoma se está haciendo de forma gradual y con objeto de establecer una clasificación clara, la Sociedad de Ingenieros de Automoción (Society of Automotive Engineers, SAE) estableció en 2014 el estándar J3016, donde se definen varios niveles de automatización, que posteriormente han sido adoptado por toda la industria. Esta norma define 6 niveles, desde un nivel inicial sin automatización hasta la automatización plena y están relacionados con la atención requerida por el conductor, así como por su propia acción sobre el vehículo. Cuando menor es su atención sobre la conducción y menor son las acciones realizadas por éste, el nivel de automatización aumenta.
En el Nivel 0 (sin automatización), el conductor tiene el control absoluto de la conducción y es responsable de todas las acciones de control, de forma que los vehículos no tienen ningún tipo de ayuda que afecte a su velocidad o dirección. Pueden avisar de la existencia de obstáculos, pero no pueden sustituir al conductor. Un ejemplo de estos sistemas son los avisadores de ángulos muertos en los espejos retrovisores.
En el Nivel 1 (conducción asistida), el conductor dispone de ciertas ayudas que facilitan la conducción, pero tiene que supervisar todas las actividades. El vehículo sólo puede actuar sobre el control longitudinal (acelerador-freno) o lateral (volante), pero no en ambos sistemas a la vez. Un ejemplo de este nivel es el control de velocidad adaptativo.
En el Nivel 2 (automatización parcial), el vehículo puede actuar de forma autónoma sobre el volante y los pedales. En este nivel, el conductor sigue siendo el responsable del vehículo y debe llevar las manos en el volante, permaneciendo permanentemente atento, porque se puede requerir su acción en cualquier momento, cuando el vehículo no sepa manejar alguna situación. El sistema autónomo debe desactivarse cuando el control pase a realizarlo el conductor manualmente. Un ejemplo de este nivel son los sistemas de aparcamiento automático o el sistema Autopilot implementado por Tesla.
En el Nivel 3, el vehículo puede realizar funciones automatizadas analizando el entorno que le rodea. Incluye adelantamiento autónomo, pudiendo accionar el intermitente, cambiar de carril, adelantar y volver a su carril. Permite soltar el volante en atascos urbanos y en autopista a velocidades inferiores a 60 km/h. El conductor sigue siendo responsable del vehículo, pero puede soltar las manos del volante con garantías de seguridad, dándole un margen de tiempo para que el conductor responda antes de desactivarse. Un ejemplo de este sistema es el control automático en atascos, instalado en el Audi A8 de 2019.
El Nivel 4 representa el nivel de alta automatización. En este nivel, los automóviles son capaces de hacer prescindible al conductor y éste pasa ser un pasajero, aunque es aconsejable que el vehículo siga disponiendo de controles. El vehículo analiza el entorno y puede guiarse de forma segura hasta el destino. El entorno por el que circula el vehículo es un ámbito controlado y es habitual que se disponga de comunicación entre vehículos (vehículo-vehículo, V2V) y entre el vehículo y la infraestructura (V2I). El conductor podría tomar el control en momentos puntuales frente a eventos no programados, cuando se sale de una determinada área geográfica o bien existe una situación de emergencia. La mayor parte de los prototipos desarrollados en este nivel se están utilizando como lanzaderas en entornos bien estructurados y predecibles (parques empresariales, campus universitarios, etc.). En una escala mayor, algunas empresas como Waymo, han implementado servicios de taxi autónomo en entornos urbanos conocidos.
El último nivel, Nivel 5, es el de la automatización plena. En este caso, los vehículos no disponen de ningún sistema de control (sin volante ni pedales) y ya no se distingue el conductor de cualquier otro pasajero. Las órdenes de guiado se pueden realizar a través de la voz o de dispositivos móviles en entornos completamente variables. No es posible validar todos los escenarios posibles para alcanzar este nivel de autonomía y por ello será necesario disponer de herramientas de simulación basado en gemelos digitales (Virtual Testing-Digital Twins) para validar estos equipos mediante la generación de escenarios sintéticos, basados en información real (tráfico, estado de las carreteras, clima, etc.).
Para poder desarrollar estos niveles de automatización, el diseño de estos vehículos se basa en el esquema medir-planear-controlar, típico de otros sistemas de navegación robótica y por ello los vehículos están dotados de tres módulos funcionales: el módulo de percepción, el módulo de decisión-planificación de ruta, y el módulo de control.
Módulo de percepción. Permite conocer el entorno por donde se desplaza el vehículo, así como su posición y velocidad en dicho entorno. Este módulo dispone de una serie de sensores que permite detectar elementos estáticos tales como las calzadas, aceras, líneas que definen los carriles, pasos de cebra, señales y obstrucciones que puedan aparecer en la trayectoria del vehículo (tales como obras, accidentes, tráfico, etc.). También debe detectar elementos dinámicos, como otros vehículos con los que está compartiendo la vía, (otros automóviles, motocicletas, tractores, camiones, autobuses, ciclistas, peatones, etc.), siendo necesario detectar no sólo su posición y velocidad sino también estimar su movimiento futuro, que en algunos casos puede ser muy errático. Finalmente, el módulo de percepción debe ser capaz de localizar la posición y velocidad del propio vehículo en relación a su entorno, para conocer dónde está éste situado.
Existen distintos tipos de sensores para realizar estas tareas de monitorización del entorno del vehículo. Las cámaras de vídeo permiten reconocer las señales de tráfico, así como las líneas de los carriles, otros vehículos y peatones que se encuentran dentro de su campo de visión. Son dispositivos baratos, pero requieren de un sofisticado sistema de procesamiento para realizar la interpretación visual de los datos y están muy limitados por las condiciones ambientales (iluminación, niebla, lluvia, nieve, etc.).
El Lidar (Light Detection and Ranging), es otro sistema instalado habitualmente en los vehículos autónomos, que mediante la emisión de rayos de luz infrarrojos y su recepción al reflejarse en los objetos próximos, permite escanear el entorno, creando mapas tridimensionales en tiempo real con más de 2 millones de puntos por segundo en un campo de 360º con precisiones centimétricas. Sus principales limitaciones son su alcance (alrededor de 200 metros), su comportamiento frente a determinados materiales con baja reflectividad, y su elevado precio.
El Radar (Radio detecting and ranging) utiliza señales radio para examinar el entorno. Tiene un alcance mucho mayor que el Lidar y es más barato, pero tiene mayores limitaciones debido a su reflectividad, ya que identifica bien los objetos metálicos, como otros vehículos próximos, pero hacen invisible a otros objetos, como los peatones, situados en su campo de visión.
Además de estos sensores es habitual utilizar ultrasonidos para la detección de objetos próximos (en el rango de 1-10 metros) e infrarrojos, para detectar la presencia de peatones, ciclistas o animales, especialmente durante la noche o en situaciones lumínicas adversas.
La mayor parte de estos sensores son complementarios entre sí, y por ello, es necesario integrar sus medidas mediante algoritmos de fusión de datos, que permiten interpretar correctamente el entorno. Esta es una de las partes más complicadas de todo el proceso y están basadas en técnicas de inteligencia artificial y machine learning, en las que las compañías tecnológicas tienen una gran ventaja sobre los fabricantes de automóviles clásicos. Por esta razón, se han establecido múltiples acuerdos de colaboración entre ambos tipos de compañías.
Para realizar la geolocalización del vehículo, se utilizan sistemas de posicionamiento global por satélite (GPS) con resoluciones de metros, combinado con otros sistemas inerciales tales como giróscopos y acelerómetros, que permiten calcular su posición, orientación y velocidad de forma más precisa, sin necesidad de referencias externas.
Al aumentar el número de sensores, la complejidad de los algoritmos, la capacidad del cálculo y el precio de estos sistemas aumentan de forma significativa. Existe una forma de reducir esta complejidad agregada al vehículo y que consiste en recibir información de los automóviles próximos y de la propia infraestructura. De esta forma, el vehículo autónomo no debe extraer el conocimiento, sino que debe ayudarse de la información relevante recibida de su alrededor. Diversos organismos internacionales han formulado varios estándares de comunicación para estas aplicaciones como el estándar de comunicación de corta distancia dedicado (Dedicated Short-Range Communications, DSRC) basado en el protocolo IEEE 802.11p, desarrollado específicamente para aplicaciones de comunicación entre vehículos que requieren baja latencia, alta fiabilidad y autenticación. La Federal Communications Commission (FCC) estadounidense ha reservado la banda de 5.875 a 5.905 GHz para este tipo de aplicaciones. En la UE se está desarrollando el European Telecommunications Standards Institute-Intelligent Transport Systems –G5 (ETSI ITS-G5) un estándar basado en IEEE 802.11p similar al DSRC americano, reservando una banda de frecuencias en la banda de 5.9 GHz. En Japón, se utiliza un protocolo en otra banda (760 MHz) con un estándar distinto (Association of Radio Industries and Businesses, ARIB-STD-109), basado también en IEEE802.11p, pero con cambios más significativos en la capa física.
Módulo de toma de decisiones y planificación de rutas. Una vez conocido el entorno por donde se mueve el vehículo y su localización exacta, es necesario tomar varias decisiones en distintos horizontes temporales para generar la trayectoria deseada y hacer que el vehículo se desplace de forma segura, cumpliendo todas las normas de tráfico y evitando accidentes. A escala más alta, es necesario fijar cómo se puede ir desde un punto A a otro B. Esto proceso se realiza a partir de los mapas, utilizando algoritmos similares a los de los navegadores y actualizando la información de tráfico en tiempo real, permitiendo recalcular las rutas en función de dicha información. La salida de esta primera planificación es la indicación de las vías por las que debe circular el vehículo para alcanzar su destino. El segundo nivel, es el de corto plazo, y es donde el sistema debe decidir cuándo debe realizar un determinado giro en un cruce o si es necesario (y posible) realizar un cambio de carril para situarse mejor en un cruce próximo. Finalmente, el tercer nivel temporal es el inmediato. El sistema debe decidir qué maniobras debe realizar (acelerar, frenar, girar, etc.) frente a la situación del entorno más inmediato (señales, semáforos, peatones, etc.).
Módulo de control. Su misión consiste en ejecutar las acciones programadas en el módulo anterior, actuando sobre los dispositivos que generan los movimientos adecuados. Habitualmente se dividen en dos categorías, el control longitudinal y el control lateral. En el primero, se regula la velocidad del vehículo, manteniendo la distancia con los vehículos próximos mientras que el segundo se encarga de mantener el vehículo centrado en su carril manteniendo su estabilidad y confortabilidad para distintas velocidades, cargas, vientos y condiciones de la vía, actuando sobre el volante.
El vehículo autónomo va a suponer una auténtica revolución global. Por un lado cambiará el modelo de propiedad, ya que no será necesario adquirir un vehículo, sino que la movilidad se convertirá en otra commodity más, pagando únicamente por el servicio prestado (Mobility As A Service, MAAS) y evitando disponer de un activo que está parado el 90% de su tiempo. Si los vehículos autónomos son compartidos, se reducirá significativamente el espacio reservado para el aparcamiento en las ciudades, ganando capacidad para otros usos (carriles bici, mayores áreas peatonales en las calles, etc.). Se reducirá el número de vehículos circulando y se coordinarán mediante la comunicación entre ellos y la infraestructura, mejorando el tráfico y evitando las pérdidas económicas asociadas.
Al reducir (o evitar) accidentes de tráfico, habrá una reducción de gastos (en seguros del automóvil, gastos médicos, bajas laborales, gastos en los servicios de emergencias, etc.) y del consumo de energía, ya que los vehículos serán más ligeros, al no requerir todos los elementos de protección pasiva que disponen actualmente y circular de forma más fluida, evitando aceleraciones y frenadas bruscas, que disparan el consumo.
El coste del transporte se reducirá significativamente, al eliminar todos aquellos puestos de trabajo relacionados con la conducción profesional (conductores de camiones y autobuses, taxistas, etc.), afectando a toda la cadena de valor logística asociada, y se reducirá la contaminación acústica y medioambiental, particularmente en entornos urbanos, al circular un menor número de vehículos y utilizar una propulsión completamente eléctrica.
El vehículo autónomo mejorará la calidad de vida de los ancianos, niños y adolescentes menores de 18 años, y personas con alguna discapacidad que les impida conducir por sí mismas, dotándoles de una mayor autonomía y reduciendo su aislamiento social, dándoles acceso a servicios esenciales.
Pero, pese a los avances producidos en los últimos años, existen todavía una serie de desafíos sobre los que es necesario seguir trabajando:
Inversión. Es necesario realizar inversiones muy importantes en infraestructuras a todos los niveles (europeos, nacionales, regionales y locales), para permitir un despliegue masivo de vehículos autónomos. Además, debe producirse una estandarización de todos los equipos, tanto en los vehículos como en las infraestructuras, que faciliten el transporte en modo autónomo entre distintas regiones.
Legislativos. Actualmente, el conductor del vehículo a motor es el responsable de los daños causados a personas o bienes producidos durante su conducción, pero en un vehículo autónomo se plantean situaciones de responsabilidad mucho más complejas que deben resolverse antes de que estos vehículos lleguen al mercado.
Seguridad vial. Los vehículos autónomos deberán convivir con el resto de vehículos en la vía y por ello será necesario armonizar las normas de tráfico actuales. En las pruebas realizadas hasta ahora en entornos reales, se ha observado que muchos conductores se vuelven más agresivos hacia los vehículos autónomos, ya que son conscientes de que estos vehículos frenarán en el último momento para evitar accidentes.
Ciberseguridad. Dependiendo del nivel de automatización, los conductores y los pasajeros de estos vehículos están continuamente monitorizados. Las normas de protección de datos de la UE seguirán vigentes en este sector, pero todavía no existen medidas específicas para garantizar su privacidad. Por otro lado, estos vehículos serán muy vulnerables a los ataques cibernéticos, pudiendo acceder a su control de forma remota y por ello requerirán de sistemas de protección específicos.
Éticas. Los vehículos deberán tomar decisiones de forma autónoma que pueden afectar a la integridad física de sus pasajeros o de las personas situadas en su entorno (otros conductores, peatones, etc.). IEEE está desarrollando una serie de estándares (P7000) para tener en cuenta cuestiones éticas que afectan a ciertos desarrollos tecnológicos. En particular, el estándar P7009 es aplicable en este entorno ya que está centrado en el diseño seguro de los sistemas autónomos y semi-autónomos.
vehículo autónomo automatización sensores fusión Newsletter septiembre-octubre 2019 Tecnología