Proiektua EAEko I+Gko zentroen eta erakundeen, unibertsitateen eta bitarteko teknologia-agenteen apustu estrategikoa da, lankidetzak estutzeko eta sinergiak sortzeko helburuarekin.

AUTOEV@L Elkarlaneko Oinarrizko Ikerketa-proiektua da, ELKARTEK 2021 deialdiaren barruan burutua, ardatz anitzeko automatizaziorako bilakaera teknologikorako eta goi-mailako automatizazio gidatze-funtzioak ebaluatzeko. Proiektua ELKAERTEK 2019. deialdiko AUTOLIB proiektuan aurkeztutako estrategiaren barruan sartzen da. Diziplina arteko partzuergo batek garatzen du, eta zortzi erakundek osatzen dute: CEIT, Ikerlan, Tecnalia, Vicomtech, AIC (Automotive Intelligence Center), Mondragon Unibertsitatea, EHU (Euskal Herriko Unibertsitatea) eta BCAM (Basque Center for Applied Mathematics).

BCAM-eko Machine Learning taldea makina-ikaskuntzako algoritmoaren garapena ikertzen ari da, ibilgailu autonomoen lokalizazio zehatza aurkitzeko. Izan ere, ibilgailu horiek informazio kolaboratiboa modu eraginkorrean erabiltzen dute eta zehaztasun handiak lortzen dituzte oztopoak dituzten ingurune konplexuetan.

Gidatze autonomoak ibilgailuak behar bezala lokalizatzeko teknikak behar ditu. Satelite bidezko nabigazio-sistema globalek (GNSS, Global Navigation Satellite System, ingelesezko siglengatik) kanpoaldeko nabigazioko eskaria ase dezakete, aitzitik, ez dira fidagarriak barnealdeetan eta hiri-inguruneetan, sateliteen seinaleak asko ahultzen direlako. Horregatik, azken urteotan, beste teknologia batzuetan (irrati-maiztasunean, esaterako) oinarritutako lokalizazio-irtenbide ugari garatu dira.

Hala ere, praktikan, irrati-maiztasuneko tekniken irismenari ikusmen-lerrorik gabeko hedapenak (NLOS, Non Line of Sight) eragiten dio. NLOS egoera oso ohikoa da gidatze autonomoan, hain zuzen ere, hiri-inguruneek elementu asko izaten dituzte, gidatze-egoera ikasteko prozesua zailtzen eta konplexu bilakatzen dutenak. Hori dela eta, NLOS egoerek irismen-akats handiak eragin ditzakete, eta horrek nabarmenki kaltetzen du lokalizazioaren errendimendua.

Zehazki, ibilgailu bakoitzak bere posizioaren zenbatespenak lortzen ditu GNSS sateliteekiko eta beste ibilgailu batzuekiko neurketak erabiliz, NLOS seinalea transmititzen diren kasuak identifikatuz eta datu horrek sor ditzakeen akatsak arinduz.

Proposatutako NLOS-ak arintzeko metodoa auto entrenamenduan edo gainbegiratze ahulean oinarrituko da, era horretan, ez da datu etiketatuen beharrik izango, ez eta datu horiek lortzeko kosturik ere. Gainera, autoentrenamendu-prozedurak ez du ikasketa gehigarririk eskatzen entrenatu ahal izateko. Aipatutako metodo hau, informazio multisentsorialaren fusioa lokalizatzeko sistema batean integratzen da, 1. irudian erakusten den moduan. Eskuineko irudian, distantzia-neurketei buruzko informazioa (arku zirkular urdinez adieraziak) informazio angeluarrarekin (zuzen berdeez adierazia) integratzean lortutako abantaila ageri da. Beste alde, ezkerreko irudian, kokapenaren hurbilketa hori are gehiago hobetu daitekeela testuinguruaren informazioa gehitzean ikus dezakegu, hala nola, aparkaleku jakin batean gaudela jakitea.

1. Irudia. Informazioa bateratzea. Ezkerreko irudian, kokapen ahuleko informazioaren eta informazio angeluar ahularen bat-egitea ageri da. Eskuineko irudian, kokapen ahuleko informazioaren, informazio angeluar ahularen eta testuinguru-informazio ahularen bat-egitea ageri da.

Espero diren emaitzak

Garatzen ari diren metodoek informazio multisensorialaren bateratzea eta NLOS-en arintzea barne hartzen dituzte, zehaztasuna hobetzeko. Gainera, ez dute datu etiketaturik behar, eta ez dira aztarna digitaletan oinarritzen, datu-base garestiak sortzeko beharra ekidinez. Era honetan, garatzen ari diren metodo horiek, ibilgailuak lokalizatzeko prozesua hobetuko dute. Betiere, arreta berezia jarriz oztopoak dituzten ingurune konplexuen nabigazioan, gidatze autonomoaren hobekuntzan beste urrats bat emanez.