Sistema experto de frenada de un vehículo automóvil basado en redes neuronales artificiales

Resumen

Hoy en día, el gran avance en la industria del automóvil se debe, desde el punto de vista de la seguridad, al continuo desarrollo de sistemas inteligentes de ayuda a la conducción. Este auge es consecuencia de la sensibilización de los fabricantes y su propósito de construir vehículos cada vez más seguros a fin de reducir el número de víctimas en los accidentes de tráfico que se producen cada día en las carreteras. Los sistemas inteligentes interactúan con el conductor ayudándole a practicar una conducción más segura, tomando el control del vehículo en caso de ser necesario. Debido a que la mayoría de los accidentes de tráfico se deben al conductor humano, el desarrollo de estos sistemas ayuda a incrementar la seguridad y confort de los pasajeros. Los vehículos inteligentes están equipados con interfaces de usuario altamente avanzadas que pueden reaccionar ante las decisiones y necesidades del conductor, mejorando de esta manera la dinámica vehicular atendiendo a la situación de conducción y evitando posibles colisiones fortuitas. Esta tecnología permite actualmente tomar decisiones sobre la conducción con un nivel de resolución superior al humano a la hora de, por ejemplo, realizar una frenada de emergencia ante un imprevisto. Con esta Tesis Doctoral se pretende que, en un futuro, se pueda realizar el control automático del sistema de frenado atendiendo a todas las circunstancias de circulación que rodean a un vehículo en las que se pueda ver implicado dicho sistema, y no solamente en situaciones potenciales de peligro. De esta manera se busca optimizar el rendimiento del vehículo, mejorar la experiencia de conducción, aumentar la seguridad de los pasajeros y disminuir la probabilidad de que ocurra un accidente de tráfico. La contribución del comportamiento humano en los accidentes de tráfico es un área de estudio de especial interés a la hora de abordar el problema de la seguridad vial. Se pretende en esta Tesis Doctoral que el vehículo sea capaz de reproducir los hábitos y las formas de actuación de los conductores durante la maniobra de frenada de un vehículo, pero corrigiendo los posibles fallos humanos ligados a distracciones, falta de visibilidad o tiempos de reacción. En primer lugar, se determinan las variables que se van a medir durante la realización de los ensayos experimentales que permitirán caracterizar la frenada de un vehículo automóvil y su posterior control. Las variables que se analizan son: tiempo de frenado (el que transcurre desde que el conductor presiona el pedal de freno hasta que el vehículo se detiene completamente, no se evalúa el tiempo de reacción del conductor ni el tiempo que emplea para levantar el pie del pedal de freno), distancia de frenado, deceleración del vehículo, fuerza sobre el pedal de freno ejercida por el conductor, deformación que sufre el vástago de fijación de la mordaza del sistema de frenos y la presión en los latiguillos que accionan cada uno de los bombines que actúan sobre las pastillas de freno. Para la medición de estas variables se embarcan en un vehículo los siguientes sensores: galga extensométrica ubicada en uno de los vástagos de fijación de la mordaza del sistema de frenos, sensores de presión incorporados en los circuitos hidráulicos independientes de las ruedas delanteras y una célula de carga instalada sobre el pedal de freno. Igualmente se han embarcado un receptor GPS y una unidad de medición inercial (IMU) sobre el automóvil. También se utiliza un termopar para conocer la temperatura en el disco de freno durante la realización de los ensayos experimentales. Con el vehículo instrumentado con los sensores capaces de proporcionar en tiempo real información sobre el sistema de frenado se llevan a cabo una serie de ensayos en condiciones controladas. Las condiciones de contorno que se tuvieron en cuenta fueron: neumáticos fríos, temperatura del disco de freno al inicio de una tanda de ensayos comprendida en el intervalo 18 – 31 ºC, segunda persona en el asiento delantero de copiloto encargada de controlar el sistema de adquisición de datos y, por último, se realiza la frenada con el motor desembragado. En cuanto a las condiciones de la pista fueron: suelo plano, uniforme y seco. El conductor realiza, siguiendo una trayectoria rectilínea, una serie de frenadas con el vehículo hasta detenerlo. Se proponen tres tipos de frenada: mantenida, progresiva y de emergencia, las cuales abarcan todas las circunstancias de circulación en las que el sistema de frenado puede verse implicado. La frenada de tipo mantenida se caracteriza por ser constante y continuada. Se consigue ejerciendo una presión de una sola vez en el pedal y manteniéndola constante hasta que el vehículo se detiene. La frenada de tipo progresiva se determina por ser suave. En un primer momento el conductor realiza una presión suave y, progresivamente, se va aumentando hasta que el vehículo se detiene. Por último, la frenada de tipo emergencia se identifica por ser rápida y brusca. Se consigue presionando el pedal de freno con firmeza hasta el final de su recorrido, provocando así la máxima intensidad de frenada posible. Estos tres tipos de frenada se repiten para un rango de velocidades de ensayo comprendido de 20 a 80 km/h, en incrementos de 10 km/h. Cada ensayo está caracterizado por la combinación entre velocidad de ensayo y tipo de frenada. Los ensayos en pista se realizan prestando especial atención a las condiciones de contorno a fin de obtener resultados válidos y extrapolables. El objetivo de estos ensayos es el de relacionar la velocidad de circulación, tipo de frenada realizada y el factor humano con la lectura de los distintos sensores con los que se ha instrumentado el vehículo. Las formas de las curvas de deformación, presión, fuerza ejercida en el pedal de freno y deceleración obtenidas mediante las lecturas de los distintos sensores proporcionan información interesante y permiten diferenciar de forma clara los parámetros de ensayo a partir de las mismas. En todos los casos, los valores máximos registrados se alcanzan en las frenadas de tipo emergencia, seguidos de los recogidos en las frenadas de tipo progresiva y los valores mínimos se dan en las frenadas de tipo mantenida. La tendencia de estos valores es crecer a medida que aumenta la velocidad de ensayo. Finalmente, en cuanto a la influencia del factor humano, debido a la disparidad en los resultados obtenidos, se puede determinar que cada conductor tiene una forma preferida de realizar cada uno de los tipos de frenada que se han estudiado. Mediante un sistema de estimación basado en Redes Neuronales Artificiales se pronostica el comportamiento de los distintos sistemas en función de las condiciones de contorno que gobiernan la maniobra de frenada. El sistema es capaz de simular los resultados reales recogidos por los sensores con el fin de caracterizar una frenada de cualquier naturaleza y pudiendo ser utilizado en condiciones reales de circulación. El sistema tiene como condicionantes la velocidad del vehículo en cada momento y la distancia de la que dispone el mismo para efectuar la maniobra de frenada. Concretamente estima el valor de deformación sufrida por el sensor extensométrico y las distintas presiones recogidas. La arquitectura de Perceptrón Multicapa con entrenamiento mediante algoritmo backpropagation es el modelo escogido para ser implementado en esta Tesis Doctoral. La capa de entrada está compuesta por dos neuronas que se corresponden con las variables de entrada del sistema diseñado: velocidad longitudinal y distancia de frenado. El motivo que justifica tal decisión está amparado en el equipamiento de los vehículos que se comercializan actualmente y que dan soporte a los sistemas de seguridad que incorporan los mismos, evitando de esta manera la instalación de nuevos sensores. La velocidad es un dato fácil de conocer en todo momento para casi cualquier vehículo; del mismo modo, y gracias a los sistemas de visión que montan los automóviles actuales, es posible obtener información de la distancia frontal del mismo hasta un punto (objeto en la calzada, otro vehículo, etc.). El objetivo de la Red Neuronal Artificial planteada es obtener el valor tanto de la presión en el circuito de frenos como de la deformación del vástago de fijación de la mordaza del sistema de frenos, siendo estas las variables a la salida del sistema, además de poder caracterizar el tipo de frenada que se ha llevado a cabo (mantenida, progresiva o de emergencia). Dentro del modelo de Red Neuronal Artificial utilizado se plantean distintas variaciones a fin de optimizar el rendimiento de la misma. De este modo se prueban capas de salida con diferente número de neuronas, donde cada neurona se corresponde con una variable distinta que caracteriza el proceso de frenada. Los casos planteados recogen 56, 86 o 146 neuronas. A cada una de estas neuronas se le asigna, de manera individual, un determinado valor numérico. De igual manera, se plantean sistemas cuyo elemento diferenciador es la cantidad de neuronas que alberga la capa oculta (10, 20, 50 o 100). Se pretende encontrar un sistema convergente optimizado, con una única capa oculta, estudiando las distintas combinaciones planteadas. El tipo de entrenamiento al que se somete la Red Neuronal Artificial también es una importante elección. Se plantean, en combinación con el número de neuronas que alberga la capa oculta y la capa de salida, tres tipos distintos de entrenamiento: Levenberg-Marquardt, Regularización Bayesiana y Gradiente Conjugado Escalado. La función de activación asociada a cada una de las neuronas que conforman la Red Neuronal Artificial es también determinante en el comportamiento de la misma. La función asociada a la capa oculta del sistema propuesto es de tipo sigmoidal, mientras que la capa de salida está gobernada por funciones de tipo lineal y la capa de entrada por funciones de tipo escalón. La función de salida que se ha elegido es la identidad para todas las neuronas, de tal manera que, la señal de salida de cada neurona coincide con el propio estado de activación de la misma. Por último, se utiliza una conexión hacia delante (feedforward) en la interacción entre las neuronas que conforman la Red Neuronal Artificial. Una vez finalizada la fase de diseño se estudia cuál de los distintos modelos genera un mejor resultado. Se elige la Red Neuronal Artificial que alcanza el mayor grado de regresión que se corresponde con la formada por 50 neuronas en la capa oculta, 86 neuronas en la capa de salida y entrenada mediante Regularización Bayesiana. La comparativa entre los datos obtenidos de las simulaciones de la Red Neuronal Artificial escogida y los datos recogidos por los sensores extensométrico y de presión durante los ensayos demuestra que ambos siguen iguales patrones de comportamiento. Las curvas que se obtienen prácticamente se solapan para el rango de velocidades de ensayo y tipos de frenada estudiados. Las simulaciones muestran que la Red Neuronal Artificial alcanza los valores máximos registrados por cada sensor, pero lo hace de manera más gradual, lo que dota a la frenada de más confort ya que el inicio de la maniobra no es tan brusco. Se ha comprobado también que el sistema propuesto para controlar el sistema de frenos lo va a hacer siempre del lado de la seguridad. El sistema no sobrepasa, de no ser preciso, el umbral del tipo de frenada fijado en el entrenamiento, lo que ofrece un mayor grado de confort y seguridad. Igualmente se propone una clasificación de los estilos de conducción reflejados por los conductores que participaron en los ensayos experimentales. Los 14 conductores que realizaron las pruebas experimentales son hombres con una edad comprendida de 22 a 30 años. Esta clasificación está también basada en el modelo de pronóstico de Redes Neuronales Artificiales. La fuerza ejercida sobre el pedal de freno en el momento de activarlo y la deceleración que sufre el vehículo durante la frenada se consideran los indicadores para clasificar los distintos estilos de conducción. Debido a los excelentes resultados que se obtienen con el modelo de Red Neuronal Artificial propuesto para estimar los parámetros de frenado se reutiliza el diseño para la clasificación de los estilos de conducción, por tanto, se utiliza una red con la arquitectura de Perceptrón Multicapa con entrenamiento mediante algoritmo Regularización Bayesiana. La capa de entrada del sistema está también formada por dos neuronas, con la diferencia de que ahora almacenan datos de tipo de frenada realizada y velocidad longitudinal. La capa de salida de la Red Neuronal Artificial está compuesta por un total de 56 neuronas. Estas albergan datos sobre los parámetros comentados anteriormente (fuerza ejercida en el pedal de freno y deceleración del vehículo). La capa oculta de este sistema está conformada por un total de 50 neuronas. La clasificación se basa en la comparación entre los datos simulados por la Red Neuronal Artificial y los valores obtenidos gracias a la célula de carga y la unidad de medición inercial durante los ensayos en pista para cada tipo de frenada y velocidad de ensayo. La respuesta de la red contiene información de dos parámetros distintos por lo que se plantea una primera fase en la clasificación de cada conductor donde se evalúan estos resultados de manera independiente para cada uno de los tipos de frenada. Para cada tipo de frenada se combinan las matrices de resultados correspondientes a la fuerza ejercida en el pedal de freno y a la deceleración que sufre el vehículo que se han estudiado independientemente. De esta manera se consigue clasificar cada caso particular en función del estilo de conducción asociado. A la hora de interpretar los resultados obtenidos por la Red Neuronal Artificial, se ha considerado que la respuesta de esta se corresponde con una conducción de tipo estándar, que se denomina “normal”. Al comparar los resultados empíricos con los valores estimados se considera que, todos aquellos que sigan la misma tendencia con una diferencia preestablecida, pasan a formar parte de la categoría “normal” de estilo de conducción. Los resultados que se diferencien de los generados por la Red Neuronal Artificial determinan los demás estilos de conducción. De esta manera, para valores que denoten un comportamiento más pausado y prudente se les asigna la categoría de “prudente”; y los conductores que presenten indicativos de una conducción más agresiva o violenta reciben el calificativo de “agresivos”. En vista de los resultados obtenidos queda demostrado que el método planteado para clasificar a los conductores en función de su estilo de conducción es válido. El método tiene una gran limitación y es la naturaleza de los datos utilizados a la hora de entrenar la Red Neuronal Artificial, ya que las maniobras realizadas son premeditadas y eso puede castigar la naturalidad de las reacciones del conductor. No obstante, se considera que el método planteado es apropiado para el objetivo perseguido y extrapolable a otro tipo de clasificaciones donde los estilos o clasificaciones estén marcados por distintas variables. A partir de los resultados obtenidos en los ensayos experimentales y en las simulaciones del modelo computacional propuesto, se puede concluir que es un éxito la metodología planteada para la instrumentación del vehículo y la estimación de los parámetros que permiten caracterizar la frenada de un vehículo automóvil y clasificar los distintos estilos de conducción.