Tecnologías para la localización de vehículos autónomos

Aunque a veces tratemos el vehículo autónomo como una tecnología, lo cierto es que es una combinación compleja y sofisticada de muchas diferentes tecnologías y algoritmos, de diversas naturalezas, que de forma coordinada producen ese alarde tecnológico que es el coche auto dirigido.

En un post reciente, veíamos la arquitectura de tecnologías que nos proponían Saoshan Liu, Liyun Li, Shuan Wu y Jean-Luc Gaudiot en su libro 'Creating autonomous vehicle systems'.

Siguiendo esa misma fuente, quisiera hacer ahora un resumen / listado de las tecnologías que en relación a la localización del vehículo nos proponen estos mismos autores.

• GNSS ('Global Navigation Satellite System'):: Se trata de una localización apoyándose en el uso de satélites, siendo GPS ('Global Positioning System') el caso más popular, pero existiendo otros como Galileo o Baidu. En este tipo de sistemas, un conjunto de satélites emiten señales que, cuando son captadas por un receptor, en este caso en el vehículo, le permiten estimar la posición, la velocidad y la hora. Aunque en teoría estos sistemas pueden dar una localización perfecta, en la práctica existen fuentes diversas de error que pueden conducir a errores de hasta 5 metros. De cara a una conducción por humanos no se trata de un error demasiado notable, pero sí lo es para el caso del vehículo autónomo, por lo que necesita añadir otras tecnologías que complementen GNSS.


• SBAS ('Satellite Based Augmentation Systems'): son sistemas que complementan a los GNSS para reducir el efecto de los errores. Se basan en complementar el GNSS con la existencia de estaciones de referencia con unas coordenadas claramente conocidas. Los errores generados por GNSS se transfieren a un centro que genera correcciones diferenciales que, a su vez, se transmiten a través de satélites geoestacionarios.


• RTK ('Real Time Kinematic and differential GNSS'): Con todo y lo anterior, es difícil garantizar errores de menos de dos metros. Sin embargo, para que un vehículo autónomo se mantenga en una carretera o vía, el error no puede superar los decímetros. Esto lo puede conseguir RTK que se basa en la instalación de receptores GNSS en estaciones base de localización perfectamente conocida. Con esto, se puede calcular el error entre la información obtenida a partir del GNSS y la conocida de la estación base e informar al vehículo de ese error. Con esto se pueden conseguir errores finales por debajo del decímetro.


• PPP ('Precise Point Positioning'): Aunque RTK proporciona la precisión necesaria, es una solución que resulta algo cara. Como alternativa surge PPP. También utiliza unas estaciones de referencia que reciben señal del GNSS en tiempo real y calculan las correcciones que habría que aplicar a los resultados. Además, elimina otras fuentes de error como el error ionosférico y troposférico. PPP se diferencia de RTK en que proporciona un posicionamiento absoluto, no relativo como ocurre en el caso de RTK, y en que no necesita acceso a las observaciones de estaciones cercanas.


• INS ('Inertial Navigation Systems'): Se trata de de la incorporación de las llamadas IMU ('Inertial Measurement Units') que mediante el uso de acelerómetros y giróscopos proporcionan información de aceleración tanto lineal como angular respectivamente, con lo que obtenemos una visión del movimiento relativo. Esta información se puede combinar con la procedente de GNSS mejorando la información de conjunto.


• LiDAR ('Light Detection And Ranging'): Se trata de un sistema que emite luz láser intermitente y mide la luz reflejada mediante un sensor. Con ello, se puede generar una representación 3D del objetivo.


• HD Maps ('High Definition Maps'): La idea de los mapas de alta definición es que el coche autónomo conozca por anticipado la información de la ruta de forma que sólo tenga que estar pendiente de variaciones respecto a esa ruta, en lugar de tener que descubrir toda la realidad a medida que avanza. La forma en que se plantea su uso es que el vehículo disponga de ese mapa digital y luego utilice LiDAR para localizar al vehículo en ese mapa.


• Odometría visual: Se trata de estimar el movimiento del vehículo a partir de la información de cámaras. De alguna forma se trata de analizar cómo cambian las imágenes del entorno para a partir de ello deducir el movimiento del vehículo. Para ello se debe procesar las imágenes en tiempo real, extraer características clave, comparar y deducir el movimiento. Existen variantes estéreo, monoculares o inerciales


• Odometría de las ruedas y 'Dead recknoning': La odometría de las ruedas deduce el movimiento mediante sensores situados en las ruedas del vehículo. Por su parte 'dead reckoning' (expresión que procede realmente de 'deduction reckoning') es una técnica no muy compleja para anticipar la posición de un vehículo a partir de una posición anterior e información de dirección y velocidad del movimiento.

Estas tecnologías que hemos mencionado no se usan de forma aislada sino que los vehículos autónomos combinan varias de ellas.

Por supuesto, el conocimiento de todas éstas tecnologías, tanto en sí mismas como en la forma en que se combinan entre sí, requeriría una explicación bastante más profunda (análisis que, por cierto, realizan los autores en el libro), pero a pesar de ello y, aunque sea sólo como referencia y curiosidad, me ha parecido interesante el mencionarlas en este breve listado.