Modelos Vehículo-Conductor con técnicas de Inteligencia Artificial

Resumen

Esta tesis propone modelos vehículo-conductor basados en Inteligencia Artificial como estrategia para ganar precisión en la descripción de la relación entre el vehículo y el conductor bajo diferentes escenarios de conducción o maniobra. En el caso de su aplicación en Sistemas Avanzados de Asistencia a la Conducción (ADASs), el objetivo principal de los modelos es la determinación y predicción de la dinámica rotacional del vehículo según el comportamiento del conductor, con el fin de usar esta información en la evaluación de riesgo de accidentes (e.g. vuelco o derrape lateral). Por otro lado, en lo concerniente a las Estrategias de Manejo de Energía (EMSs), lo que se busca es hallar una predicción de la velocidad en el largo plazo, mediante modelos vehículo-conductor que relacionen las entradas ejercidas por el usuario (frenado, aceleración, ángulo y torque del volante, y rapidez) con el perfil de velocidad del vehículo (salida). Lo anterior con miras a calcular el balance de potencia para un vehículo eléctrico o híbrido eléctrico en horizontes de predicción amplios.

Este trabajo usa una recolección de datos experimentales de variables vehiculares provenientes de la conducción de cuatro personas en una pista de manejo que no contenía peatones, ni interacción con otros vehículos. La pista permitía maniobras de vueltas izquierda y derecha, con y sin peralte, así como tramos rectos y codos hacia la izquierda y hacia la derecha. Además, se les pedía hacer una maniobra de evasión de 16 obstáculos (también conocida como Prueba de Slalom). Estos datos se usaron en la derivación de los modelos vehículo-conductor para ambas perspectivas, así como para la programación de dichos modelos mediante técnicas de aprendizaje automático (ML, machine learning). Para las EMSs, los algoritmos empleados son: redes tipo Gated Recurrent Units (GRU), Long-Short Term Memory (LSTM) Vainilla y Transformer. Para el caso de ADASs, el Transformer se sustituyó por LSTM Codificador-Decodificador (o LSTM Encoder-Decoder). La elección de las técnicas de ML fue hecha tomando en consideración las áreas de oportunidad encontradas al revisar el estado del arte.

Los modelos ML propuestos para la perspectiva de EMSs presentan resultados muy notables para los cuatro sujetos a lo largo de un horizonte de predicción de 49 s. Por otra parte, para la perspectiva de ADASs, sólo para un sujeto no se alcanzó un buen nivel de predicción. El sujeto en el que falló la estimación tiene entrenamiento en conducción técnica, por lo que los resultados sugieren la necesidad de usar instrumentaciones adicionales de manera que se predigan ciertas interacciones que generen movimientos abruptos del sistema de tracción.

En cuanto a las contribuciones de la tesis para la perspectiva de EMSs está el considerar las acciones del conductor (además del ángulo del volante) como factores que influyen en la predicción del perfil de velocidad (o rapidez) del vehículo; otra es la predicción de la variable en un horizonte de tiempo largo, 49 s, el cual es amplio considerando la duración de las pruebas. Por otro lado, en lo concerniente a ADASs, una de las aportaciones es el manejo de un modelo vehículo-conductor de múltiples entradas y de múltiple salidas, además de que las salidas son referentes a variables relacionadas con el riego de derrape lateral o de vuelco de un vehículo. Dichos modelos son escasos en la literatura. Otra aportación para ADASs es el manejo de una mayor cantidad de entradas relacionadas con el conductor que las halladas en el estado del arte.

En lo concerniente a las áreas de oportunidad de la tesis, para la parte de EMSs, se tiene la restricción del tipo de prueba y que no hay tanta diversidad de maniobras. Otra es que el vehículo utilizado es un auto convencional, habría que experimentar con un vehículo híbrido. En lo referente a ADASs, se hallan lo limitado de las pruebas experimentales y el reducido número de participantes. Finalmente, los resultados revelan la necesidad de hacer pruebas adicionales con más sujetos, las cuales no fueron posibles dentro de esta tesis debido a la pandemia de COVID-19.