La simulación en la conectividad de vehículos y la Inteligencia Artificial

Conectar información a través de una infraestructura de red inalámbrica de alta velocidad para que los datos puedan analizarse y compartirse podría muy bien impulsar el futuro de los vehículos autónomos. Se deben considerar varios factores para alcanzar altos niveles de autonomía, incluida la tecnología de sensores avanzada, la determinación precisa de la ubicación del vehículo, la información cartográfica actualizada, la percepción local de otros vehículos y peatones, y la planificación y toma de decisiones. Para que te hagas una idea de la magnitud de estas interacciones, en 2019 había 31 millones de vehículos operando con algún nivel de automatización. Para 2025, casi el 60 % de las ventas mundiales de vehículos nuevos funcionarán con una autonomía de nivel dos.1

En este nivel, hemos hecho avances limitados hacia la autonomía total, una enorme tarea computacional que sin duda involucrará numerosas aplicaciones en el vehículo que requieren una respuesta casi en tiempo real. Toda esta actividad estará coordinada por inteligencia artificial (IA) y un alto nivel de conectividad respaldado por simulación en cada paso, desde la validación de seguridad hasta la verificación del rendimiento de la antena y el sensor del mundo real. Pero una cosa es segura: la simulación avanzada de la conectividad del vehículo, la percepción de los sensores, el intercambio de información y la capacitación en la toma de decisiones de la IA tendrán un gran impacto en la entrega final de vehículos autónomos.

Conectividad de vehículos: el puente entre IA y AV

Es necesario que se produzcan muchas conversaciones entre un vehículo autónomo (AV) y otros elementos dentro de un ecosistema de conducción autónoma, habilitado por vehículo a vehículo (V2V), vehículo a infraestructura (V2I), vehículo a red (V2N) , tecnologías inteligentes de vehículo a persona (V2P) y de vehículo a todo (V2X) para garantizar la seguridad. Todas estas tecnologías inteligentes se basan en una conectividad constante de baja latencia para expandir la percepción más allá de lo que está directamente frente al vehículo. Esto es especialmente cierto en los entornos de telecomunicaciones densos de 5G y más allá del futuro, donde se puede intercambiar una gran cantidad de información.

“Los entornos completamente autónomos del futuro estarán dictados por una red de comunicaciones más grande que coordinará el movimiento de los vehículos”, dice Christophe Bianchi, tecnólogo jefe de Ansys. “El vehículo en la ciudad habla con la ciudad, habla con los otros vehículos, y todo eso implica una misión de ir de un lugar a otro con seguridad. Entonces, ¿cómo se simulan todos los eventos, todo lo que sucede en el entorno, además de toda la comunicación requerida, incluida la calidad de las señales entre todos estos parámetros diferentes? Esa es una misión para el software de ingeniería de misión digital”.

Por supuesto, ahora estamos comenzando a ver algunas de estas interacciones inteligentes. Autotalks, un pequeño aparato que se conecta al manillar de tu bicicleta para evitar el riesgo de colisión, es solo un ejemplo de la conectividad V2X en acción. Este sistema se conecta a los vehículos y a la infraestructura de vehículos relacionada como parte de un ecosistema de movilidad más amplio, de modo que todos los vehículos, incluidas las bicicletas, estarán conectados y hablando con la infraestructura y entre sí, monitoreando el tráfico y compartiendo información crítica en tiempo real.

El servicio confiable y la cobertura son las métricas más importantes con las que se medirá el éxito de Autotalks y otras tecnologías conectadas. La simulación permite a los diseñadores de 5G lograr estos objetivos al ayudarlos a modelar con precisión el rendimiento real de las antenas de ondas milimétricas y de formación de haz, optimizando la potencia, el rendimiento y el costo del sistema en chips (SoC) de señal mixta y la aplicación. procesadores También aumenta la confiabilidad del producto a través del análisis electrotérmico, termomecánico y del sistema de paquete de chips.

“Ansys brinda confiabilidad y rendimiento a todo el ecosistema 5G, desde dispositivos hasta redes y centros de datos”, dice el Dr. Larry Williams, ingeniero distinguido de Ansys. “Las empresas de alta tecnología Fortune 500, incluidas las principales empresas de 5G, están utilizando nuestras herramientas y flujos de trabajo de simulación multifísica y de semiconductores para ofrecer conectividad 5G a gran escala”.

La adopción de la tecnología sin conductor también provocará un cambio de paradigma en la industria, de la propiedad del vehículo a la del usuario. Con esta realización, los fabricantes de equipos originales (OEM) y los proveedores de movilidad buscan crear flujos de ingresos recurrentes a través de modelos de servicio más detallados. La única forma de hacerlo es manteniendo una conexión con el usuario, en este caso, el cliente/conductor. La ubicación constante y el intercambio de horarios del cliente/conductor pueden conducir a recomendaciones de servicio personalizadas de los proveedores, lo que en consecuencia desbloquea flujos de ingresos y oportunidades adicionales.

Entonces, además de ser un facilitador tecnológico para la seguridad de la conducción autónoma, la conectividad también es un habilitador de nuevos modelos de negocios. Los OEM monetizarán la enorme cantidad de información que surge de estas interacciones digitales, como información en tiempo real sobre el estado del vehículo o las preferencias de conducción, en forma de subservicios o suscripciones. La simulación será un factor clave para optimizar estas nuevas experiencias conectadas, no solo para la autonomía, sino también para cualquier subsistema crítico del vehículo, como los sistemas de administración de baterías.

“En el futuro, por ejemplo, nuestra capacidad para construir gemelos digitales híbridos que combinen modelos de simulación e información de sensores en tiempo real que se ejecutan en la nube o en el borde brindará a los OEM una imagen muy precisa de lo que sucede dentro de la batería”, dice Bianchi. . “Esto les permite ver y comprender lo que sucede en el paquete de baterías y anticipar o detectar una falla que puede conducir a una carga deficiente, todo lo cual se puede comunicar instantáneamente al usuario a través de una alerta de servicio”.

Inteligencia artificial: el cerebro de las aplicaciones

La inteligencia artificial se basa en los datos, lo cual es bueno para la automoción porque los conocimientos basados en datos, junto con el aprendizaje automático (ML), han acelerado la tecnología de conducción autónoma. Un gran desafío relacionado con los sistemas avanzados de asistencia al conductor (ADAS) y las aplicaciones autónomas es que AI/ML requiere un conjunto de datos masivo que cubra todos los casos marginales y funcione en cohesión con los sistemas basados en reglas para lograr un mejor rendimiento.

En última instancia, es a través de sistemas de toma de decisiones basados en IA/ML que trabajan en estrecha colaboración con sistemas basados en reglas para vehículos autónomos que se prioriza la complejidad de operar de manera segura dentro de un entorno de conducción real para la seguridad. A veces, los sistemas AI/ML calculan las puntuaciones de riesgo de cualquier maniobra del conductor, lo que les da el control necesario para tomar una decisión.

“En la IA/ML automotriz, uno de los desafíos críticos es que el descubrimiento de esas reglas se convierte en un problema difícil cuando los datos no cubren todo el espacio correctamente”, dice Jay Pathak, director sénior de Investigación y Desarrollo de Ansys. “En el camino, múltiples factores están en juego, y el conjunto de datos que surge de cualquier interacción en el camino es un reflejo de todos estos factores ambientales que ocurren juntos; mientras que, para descubrirlos todos independientemente unos de otros, simplemente no tenemos los datos. Esto presenta un gran desafío en la comunidad de aprendizaje automático automotriz”.

Es importante reconocer el potencial de AI/ML para resolver estos problemas. A pesar de los avances realizados con OEM como Mercedes Benz en apoyo de la validación ADAS, aún no hemos alcanzado un nivel de madurez que permita obtener los datos necesarios para respaldar la autonomía total. Esto implicará un cambio de big data a datos útiles, así como métodos de aprendizaje no supervisados aumentados por simulaciones para crear dinámicas desafiantes en conjuntos de datos que de otro modo serían difíciles de encontrar en situaciones reales.

Para enfrentar estos desafíos, debe encontrar una forma inteligente de introducir el aprendizaje automático en los sistemas que operan en medio de muchas interrupciones en la carretera, con muchas reglas por descubrir. Los fabricantes de equipos originales utilizan mucho la simulación y los solucionadores no lineales para guiar los datos que informan este nivel de percepción. Todos los desafíos independientes asociados con la funcionalidad AV deben dividirse en subtareas que pueden abordarse mediante la simulación utilizando un simulador dedicado a cada una de estas dimensiones y alimentado por datos de lidars, radares y sensores para informar la percepción.

Otra área en la que AI/ML está teniendo un profundo impacto es en la anotación de mapas de conducción del mundo real y datos de sensores reales. No solo se utilizan motores AI/ML para anotar con precisión los mapas. También se utilizan para entrenar y probar los algoritmos de percepción, utilizando datos de mapeo detallados, categorizados y codificados por colores, lo que a su vez conduce a resultados de percepción sólidos y una mayor seguridad.

Y, dado que aspiramos a lograr la plena autonomía, los vehículos del futuro se volverán irreconocibles para los estándares actuales. Ciertos cambios estructurales afectarán el reposicionamiento de los sistemas de recopilación de datos que informan la percepción del vehículo, ya que los vehículos futuros deben diseñarse teniendo en cuenta la integración de sensores. Por ejemplo, un radar integrado detrás de la fascia delantera debe poder hacer que las señales mmWave se propaguen a través de esa fascia sin que la pintura u otros materiales las interrumpan. Son situaciones que se pueden analizar de manera rápida y eficiente en entornos de simulación virtual.