Vai al contenuto
ELECTRONICS ENGINEERINGelectronics-engineering.com
Automotive

ACC 2: sensori e configurazioni, solo camera, camera e radar, più radar

Configurazioni 1V, 1R1V, 5R1V, distanza dalla camera dimostrata con errore quadratico, tempo all'impatto dalla scala, radar FMCW, errore laterale del radar, casi difficili e oggetti fermi.

https://www.electronics-engineering.com/acc-sensori-camera-radar-configurazioni-errori-di-misura

Nessun voto ancora: sii il primo a votare questa pagina.

Un ACC è buono quanto quello che vede. Per seguire un veicolo servono tre numeri: la distanza x, la velocità relativa \dot x e la posizione laterale y, che dice se il veicolo è nella nostra corsia. Camera e radar misurano questi numeri in modi molto diversi, con errori che crescono con la distanza in modo diverso: per questo le configurazioni con più sensori non servono solo a vedere più lontano, ma a coprire i punti deboli di ciascuno. In questa lezione ricaviamo gli errori di misura dalla geometria e dalla fisica, e li useremo nella prossima per la fusione.

Le configurazioni

Copertura dei sensori in tre configurazioni
Tre configurazioni viste dall’alto: 1V, una sola camera frontale (circa ±26°, 120-150 m); 1R1V, camera più radar frontale con fascio lungo stretto (±9°, 250 m) e fascio corto largo (±45°, 80 m); 5R1V, in più quattro radar d’angolo (±60°) che coprono i lati e il retro.
ConfigurazioneSensoriPunti fortiLimiti
1Vuna cameracosto, classifica gli oggetti, vede le lineedistanza imprecisa da lontano, cieca con sole basso, nebbia, buio
1R1Vradar frontale + cameradistanza e velocità precise, funziona con pioggia e buioangolo del radar meno preciso, oggetti fermi ambigui
1V3R, 1V5R+ radar d’angolovede prima i veicoli che entrano in corsia (cut-in), cambio corsiapiù dati da fondere e calibrare
nV nR (+ lidar)camere intorno all’auto, più radarvisione a 360°, ridondanzacalcolo, costo, complessità

Il caso 1R1V è il più diffuso sulle auto di serie: radar e camera sono complementari. Le soluzioni “solo visione” usano più camere e reti neurali che stimano la distanza; sono possibili, ma la precisione della distanza resta il punto debole, come vedremo con i numeri.

La camera: distanza dal piano stradale

Una camera vede un’immagine, non una distanza. Il modo più usato per ricavarla con una sola camera è il punto di contatto del veicolo con la strada.

Geometria della misura di distanza con la camera
La camera è ad altezza H dalla strada, con distanza focale f (in pixel). Il punto in cui le ruote del veicolo toccano la strada, a distanza Z, appare nell’immagine \Delta y pixel sotto l’orizzonte. I due triangoli simili danno Z = f H / \Delta y.

Dimostrazione. Il raggio dalla camera al punto di contatto scende di H in una distanza Z; sul piano dell’immagine, a distanza f dal centro ottico, lo stesso raggio scende di \Delta y. I due triangoli sono simili, quindi \Delta y / f = H / Z, cioè

    \[ Z = \frac{f H}{\Delta y}. \]

Ora l’errore. Se il punto di contatto è stimato con un errore \sigma_y pixel, l’errore sulla distanza è la derivata per l’errore (propagazione al primo ordine):

    \[ \sigma_Z = \left|\frac{dZ}{d\Delta y}\right| \sigma_y = \frac{f H}{\Delta y^2}\,\sigma_y = \frac{Z^2}{f H}\,\sigma_y. \]

L’errore cresce con il quadrato della distanza. Con f = 1200 px, H = 1.3 m e un pixel di errore: 1.6 m a 50 m, 6.4 m a 100 m, 14 m a 150 m. A 100 m la camera non sa dire se il veicolo è a 94 o a 106 m, e tanto meno quanto velocemente si avvicina: derivare una distanza così rumorosa dà una velocità relativa inutilizzabile. In più, la formula vale solo se la strada è piana: una salita o il beccheggio dell’auto in frenata (un grado di beccheggio sposta l’orizzonte di 21 pixel) falsano \Delta y.

C’è un secondo modo, la larghezza apparente: un’auto larga W appare larga w = f W / Z pixel. Ma W non si conosce (un’utilitaria è 1.6 m, un camion 2.5 m): un errore del 10% su W è un errore del 10% sulla distanza.

Il tempo all’impatto senza conoscere la distanza

La camera ha però un’arma che il radar non ha. Derivando w = f W / Z nel tempo:

    \[ \dot w = -\frac{f W}{Z^2}\dot Z \quad\Rightarrow\quad \frac{w}{\dot w} = -\frac{Z}{\dot Z} = TTC. \]

Il rapporto tra la larghezza dell’immagine e la sua velocità di crescita è il tempo all’impatto (TTC), e non dipende né da W né da f. Le funzioni di frenata d’emergenza basate solo sulla camera usano proprio questo: per la sicurezza conta quanto tempo manca, non quanti metri.

La posizione laterale invece la camera la misura bene: un oggetto a colonna u dal centro dell’immagine sta a y = Z u / f, con un errore di circa Z \sigma_u / f: 12 cm a 100 m. La camera, inoltre, vede le linee di corsia, che serviranno nella lezione 4 per prevedere dove andrà la nostra auto.

Il radar FMCW

Il radar automobilistico a 77 GHz trasmette rampe di frequenza (chirp) e confronta l’eco con il segnale trasmesso. Ne abbiamo visto il funzionamento in dettaglio nella lezione sul radar FMCW automobilistico; qui ci servono le tre formule e la loro origine.

Rampe di frequenza del radar FMCW
Rampe trasmesse (blu) e ricevute (rosso): l’eco torna dopo il tempo di volo \tau = 2R/c, quindi in ogni istante le due frequenze differiscono della frequenza di battimento f_b = S\tau, con S pendenza della rampa. Il moto del bersaglio aggiunge lo spostamento Doppler f_D.
  • distanza: f_b = S \tau = S \cdot 2R/c, quindi R = c f_b / (2S). La risoluzione (la minima differenza di distanza tra due bersagli separabili) è \Delta R = c/(2B), con B l’escursione di frequenza: con B = 1 GHz, 15 cm;
  • velocità radiale: l’eco di un bersaglio che si muove a velocità v_r ha frequenza spostata di f_D = 2 v_r / \lambda; a 77 GHz \lambda = c/f \approx 3.9 mm. Il radar misura la velocità relativa direttamente, senza derivare la distanza, con errori di qualche cm/s;
  • angolo: con più antenne riceventi (e più trasmittenti, MIMO) la differenza di fase tra due antenne a distanza d è \Delta\varphi = 2\pi d \sin\theta / \lambda. La precisione tipica è di qualche decimo di grado.

Il punto debole è proprio l’angolo: un errore \sigma_\theta diventa un errore laterale

    \[ \sigma_y \approx R\,\sigma_\theta, \]

che cresce linearmente con la distanza: con 0.3° (0.0052 rad), 0.26 m a 50 m, 0.52 m a 100 m, 0.79 m a 150 m. Una corsia è larga 3.5 m: a 150 m il radar fatica a dire in quale corsia si trova un veicolo.

Errori di misura di camera e radar
Deviazione standard della posizione misurata in funzione della distanza, calcolata con i parametri della simulazione. A sinistra, la distanza: costante e piccola per il radar (15 cm), quadratica per la camera (scala logaritmica). A destra, la posizione laterale: lineare per il radar, molto più piccola per la camera. La linea tratteggiata a 0.5 m è un errore che rende già incerta l’assegnazione alla corsia.

Il grafico è la ragione della configurazione 1R1V: il radar è preciso dove la camera è debole (distanza, velocità relativa) e la camera è precisa dove il radar è debole (posizione laterale). La lezione 3 mostrerà che il filtro di Kalman prende automaticamente il meglio di ciascuno.

I casi difficili

SituazioneCameraRadar
sole basso, abbagliamento, buiodegrada o ciecanon influenzato
pioggia forte, nebbia, nevedegrada moltodegrada poco (spruzzi, neve sul sensore)
veicolo fermo in corsialo riconosce come veicoloeco uguale a tombini, cartelli, ponti: tutti fermi
galleria, guard-raillinee spesso visibiliriflessioni multiple, bersagli fantasma
veicolo molto vicino che tagliaspesso fuori dal campo visivofascio stretto: lo vede tardi, servono radar d’angolo
veicoli insoliti (rimorchi, trasporti eccezionali)la classificazione può sbagliareli vede, la forma è incerta

Il caso più importante per l’ACC è il veicolo fermo. Per il radar tutti gli oggetti fermi si avvicinano alla velocità -v della nostra auto: un’auto ferma in coda, un tombino, la struttura di un ponte e un cartello hanno la stessa velocità relativa. Senza un’altra informazione, frenare per ogni eco ferma vuol dire frenare per niente (falso positivo), ignorarle tutte vuol dire non fermarsi dietro una coda. Le soluzioni che vedremo nella lezione 4 sono la conferma della camera e la memoria degli oggetti visti in movimento. I radar più recenti (detti 4D o imaging) misurano anche l’elevazione e distinguono meglio un ponte da un’auto, ma il problema resta.

Che cosa deve dare il sensore alla fusione

Ogni sensore manda alla centralina ADAS, a ogni ciclo, una lista di oggetti con misure e incertezze. Nel codice:

def radar_measure(prm, rng, x, y, vx):
    """Polar measurement of a target at (x, y): (range, azimuth, range rate) or None."""
    r, th = sqrt(x * x + y * y), atan2(y, x)
    if r > prm.r_max or abs(th) > prm.fov or rng.random() > prm.p_det:
        return None                          # out of the beam or missed detection
    rr = vx * cos(th)
    return (r + rng.normal(0, prm.sigma_r), th + rng.normal(0, prm.sigma_th), rr + rng.normal(0, prm.sigma_rr))


def camera_sigmas(prm, x):
    """sigma_x = x^2 / (f h) sigma_px (ground plane), sigma_y ~ x / f sigma_px"""
    return x * x / (prm.f * prm.h) * prm.sigma_px, max(0.05, x / prm.f * prm.sigma_px * 1.5)

Le incertezze non sono un dettaglio: il filtro di Kalman pesa ogni misura con l’inverso della sua varianza, e un sensore che dichiara un errore troppo piccolo prende il sopravvento anche quando sbaglia. Nella prossima lezione costruiamo il tracciatore che unisce le due liste in un’unica lista di oggetti affidabili.

Iscriviti
Notificami
guest
0 commenti
Vecchi
Più recenti Le più votate
0
Esprimete la vostra opinione commentando.x