Usando algoritmo baseado em dados de IA para auxiliar no desenvolvimento de ADAS

Enhancing ADAS SIL Development through AI Data-Driven Applications.

CAIANO, S. R.; LOPES, Y. G. D. M.

Trabalhos selecionados para publicação apenas:

Uma das tendências mais marcantes da indústria automotiva é a busca pelo desenvolvimento de veículos inteligentes. Extensos esforços têm sido exercidos no processo de desenvolvimento de Sistemas Avançados de Assistência ao Motorista (ADAS), que incluem sensores, atuadores e sistemas de feedbackA robustez do hardware e do software é crucial para a aplicação segura do ADAS. O ADAS Software-in-the-Loop (SIL) desempenha um papel essencial neste processo de validação e verificação, uma vez que testes reais de veículos em estradas são perigosos e caros. No entanto, os desafios atuais do ADAS SIL residem no alto tempo computacional e na complexidade do modelo, tornando o ajuste do controlador, a calibração do modelo e a adaptação de cenários tarefas difíceis dentro do processo de desenvolvimento do ADAS.Este artigo tem como objetivo descrever métodos baseados em dados aplicados em um ambiente de simulação para superar estes desafios: \"otimização livre de gradiente para ajuste de controlador\"" e \""algoritmos de aprendizagem bayesianos para criação de cenários adaptativos\"". Ao aproveitar o poder da IA, procuramos melhorar a inteligência, a fiabilidade e a adaptabilidade do processo de desenvolvimento do sistema ADAS, contribuindo assim para experiências de condução mais seguras e autónomas."

One of the most striking trends in the automotive industry is the pursuit of developing intelligent vehicles. Extensive efforts have been exerted on the development process of Advanced Driver Assistance Systems (ADAS), which includes sensors, actuators, and feedback systems. The robustness of both the hardware and software are crucial for the safe application of ADAS. ADAS Software-in-the-Loop (SIL) plays an essential role in this validation and verification process, as real vehicle road testing is both dangerous and expensive. However, the current challenges of ADAS SIL lie in the high computational time and complexity of the model, making controller tuning, model calibration, and scenario adaptation difficult tasks within the ADAS development process. This article aims to describe Data-driven methods applied in a simulation environment to overcome these challenges: \"gradient-free optimization for controller tuning\"" and \""Bayesian learning algorithms for creating adaptive scenarios\"". By leveraging the power of AI, we seek to enhance the intelligence, reliability, and adaptability of ADAS system development process, thereby contributing to safer and more autonomous driving experiences."

Palavras-chave: - -

DOI: 10.5151/simea2024-PAP34

Referências bibliográficas

• [1] "[1] S. Raviteja e R. Shanmughasundaram, “Advanced Driver Assitance System (ADAS)”, em 2018 Second International Conference on Intelligent Computing and Control Systems (ICICCS), Madurai, India, jun. 2018, p. 737–740. doi: 10.1109/ICCONS.2018.8663146.
• [2] K. Bengler, K. Dietmayer, B. Farber, M. Maurer, C. Stiller, e H. Winner, “Three Decades of Driver Assistance Systems: Review and Future Perspectives”, IEEE Intell. Transp. Syst. Mag., vol. 6, no 4, p. 6–22, 2014, doi: 10.1109/MITS.2014.2336271.
• [3] K. A. Brookhuis, D. De Waard, e W. H. Janssen, “Behavioural impacts of Advanced Driver Assistance Systems–an overview”, Eur. J. Transp. Infrastruct. Res., 2019, doi: 10.18757/EJTIR.2001.1.3.3667.
• [4] A. Katriniok, J. P. Maschuw, F. Christen, L. Eckstein, e D. Abel, “Optimal vehicle dynamics control for combined longitudinal and lateral autonomous vehicle guidance”, em 2013 European Control Conference (ECC), Zurich, jul. 2013, p. 974–979. doi: 10.23919/ECC.2013.6669331.
• [5] H. Rizk, A. Chaibet, e A. Kribèche, “Model-Based Control and Model-Free Control Techniques for Autonomous Vehicles: A Technical Survey”, Appl. Sci., vol. 13, no 11, p. 6700, maio 2023, doi: 10.3390/app13116700.
• [6] P. Kaur e R. Sobti, “Current challenges in modelling advanced driver assistance systems: Future trends and advancements”, em 2017 2nd IEEE International Conference on Intelligent Transportation Engineering (ICITE), Singapore, Singapore, set. 2017, p. 236–240. doi: 10.1109/ICITE.2017.8056916.
• [7] S. Stevic, M. Krunic, M. Dragojevic, e N. Kaprocki, “Development and Validation of ADAS Perception Application in ROS Environment Integrated with CARLA Simulator”, em 2019 27th Telecommunications Forum (TELFOR), Belgrade, Serbia, nov. 2019, p. 1–4. doi: 10.1109/TELFOR48224.2019.8971063.
• [8] D. Garikapati e S. S. Shetiya, “Autonomous Vehicles: Evolution of Artificial Intelligence and the Current Industry Landscape”, Big Data Cogn. Comput., vol. 8, no 4, p. 42, abr. 2024, doi: 10.3390/bdcc8040042.
• [9] G. Hamza, M. Z. Es-sadek, e Y. Taher, “Artificial Intelligence In Self-Driving: Study of Advanced Current Applications”, Int. J. Eng. Trends Technol., vol. 71, no 8, p. 225–242, ago. 2023, doi: 10.14445/22315381/IJETT-V71I8P220.
• [10] M. Kathiresh e R. Neelaveni, Orgs., Automotive Embedded Systems: Key Technologies, Innovations, and Applications. Cham: Springer International Publishing, 2021. doi: 10.1007/978-3-030-59897-6.
• [11] IPG Automotive, “CarMaker User’s Guide Version 11.1.1”. 2023.
• [12] J. Leonard et al., “A Perception-Driven Autonomous Urban Vehicle”, J. Field Robot., vol. 25, p. 727–774, out. 2008, doi: 10.1002/rob.20262.
• [13] H. Zheng, J. Betz, e R. Mangharam, “Gradient-free Multi-domain Optimization for Autonomous Systems”. arXiv, 27 de fevereiro de 2022. Acesso em: 13 de maio de 2024. [Online]. Disponível em: http://arxiv.org/abs/2202.13525
• [14] M. Mitchell, “Melanie Mitchell”, ACM SIGEVOlution, vol. 8, no 2, p. 4–4, mar. 2016, doi: 10.1145/2907674.2907678.
• [15] A. Lambora, K. Gupta, e K. Chopra, “Genetic Algorithm- A Literature Review”, em 2019 International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon), Faridabad, India, fev. 2019, p. 380–384. doi: 10.1109/COMITCon.2019.8862255.
• [16] B. Shahriari, K. Swersky, Z. Wang, R. P. Adams, e N. de Freitas, “Taking the Human Out of the Loop: A Review of Bayesian Optimization”, Proc. IEEE, vol. 104, no 1, p. 148–175, jan. 2016, doi: 10.1109/JPROC.2015.2494218.
• [17] J. Tang, A. Pal, W. Dai, C. Archer, J. Yi, e G. Zhu, “Stochastic Bayesian optimization for predicting borderline knock”, Int. J. Engine Res., vol. 24, no 3, p. 793–807, mar. 2023, doi: 10.1177/14680874211065237."

Como citar:

CAIANO, S. R.; Ygor Galbier de Medeiros Lopes; "Usando algoritmo baseado em dados de IA para auxiliar no desenvolvimento de ADAS", p-202-208. In: Anais do XXXI Simpósio Internacional de Engenharia Automotiva . São Paulo: Blucher, 2024.
ISSN 23577592, DOI 10.5151/simea2024-PAP34