Decision-making strategies for automated driving in urban environments

Resumen

La conducción automatizada está considerada como una de las tecnologías clave y uno de los principales avances tecnológicos que influyen y dan forma a nuestra movilidad y calidad de vida futuras. Tanto es así, que la mayor parte de la actividad actual de investigación y desarrollo en el campo de los Sistemas Inteligentes de Transporte (ITS) se centra en ella. La introducción de sistemas automáticos de control en vehículos puede mejorar enormemente la seguridad en la carretera, teniendo en cuenta que alrededor del 90% de los accidentes de tráfico son causados por errores humanos. En la actualidad, hay muchas soluciones, conocidas como sistemas avanzados de asistencia al conductor (ADAS), que son capaces de realizar diferentes tareas, como emitir alertas para advertir sobre posibles situaciones peligrosas, o incluso introducir control longitudinal y/o lateral en determinadas situaciones. Si bien se han realizado esfuerzos considerables en los ámbitos de la percepción y la localización, las representaciones digitales del entorno y la planificación en escenarios urbanos siguen siendo incompletas. Como resultado, comprender la relación espacio-temporal entre el vehículo en cuestión y las entidades pertinentes, a la vez que se encuentra limitado por la red de carreteras, es un reto muy difícil. Además, la planificación de movimiento se ve afectada significativamente en entornos urbanos, ya que el conocimiento sobre este entorno es generalmente incompleto y la incertidumbre asociada es alta. Asimismo, las predicciones de la ocupación futura de los vehículos cercanos deben influir de forma efectiva en la planificación de movimiento realizada por el vehículo. Con el objetivo de alcanzar el razonamiento abstracto a nivel humano y reaccionar con seguridad incluso en situaciones urbanas complejas, la conducción autónoma requiere métodos para generalizar situaciones impredecibles y razonar de forma oportuna. El creciente interés en niveles de automatización cada vez más altos conlleva el desarrollo de algoritmos capaces de reaccionar a los típicos escenarios de conducción de una manera segura y humana. En este sentido, esta tesis aborda el problema de la planificación de movimiento en entornos urbanos proponiendo una arquitectura de toma de decisiones y planificación con el objetivo de impulsar las capacidades de navegación de los vehículos automatizados, haciendo uso de mapas no detallados y libres. Para tal fin, el espacio navegable es obtenido dinámicamente a partir de la información de los mapas. Para hacer frente a su incertidumbre intrínseca y baja fidelidad, un sistema de detección de carriles basado en visión artificial actualiza y mejora dicho espacio navegable. A partir de ahí, un eficiente planificador local, que imita la conducción humana, determina una trayectoria segura, bajo un marco probabilístico. Un sistema de percepción basado en LiDAR es usado para identificar el escenario de conducción, y, eventualmente, replanificar la trayectoria, llevando en algunos casos a adaptar la ruta de alto nivel para alcanzar el destino dado. Las nuevas funcionalidades abarcadas por la arquitectura propuesta, presentan avances significativos con respecto a la arquitectura previa para conducción automatizada del Programa AUTOPIA, donde se ha desarrollado esta tesis. Además, con el fin de validar su diseño e implementación, la arquitectura ha sido ampliamente probada en uno de los vehículos prototipo de la flota de AUTOPIA en las instalaciones del Centro de Automática y Robótica (CAR) en Arganda del Rey, España. Numerosas pruebas realizadas en escenarios que imitan entornos urbanos reales y diferentes demostraciones prueban la robustez de la arquitectura propuesta al enfrentarse a diferentes situaciones complejas, tales como la evitación de obstáculos estáticos y dinámicos o el enrutamiento dinámico.