EMB_84

EMBEDDED 84 • MAGGIO • 2022 63 DYNAMIC GRID | SOFTWARE oggetti. Mentre le attuali telecamere forniscono il rileva- mento di oggetti, quelle della prossima generazione sono spesso in grado di effettuare la cosiddetta annotazione semantica. Per ogni pixel che forma l’immagine viene de- terminata e fornita la classe dell’oggetto sottostante. In questo modo si avranno a disposizione più dettagli della scena e degli oggetti contenuti per il processo di “sensor fusion”. Le funzioni di guida della prossima generazione saranno caratterizzate da nuovi requisiti e presenteranno nuo- vi problemi. Mentre le attuali funzioni di guida spesso operano in un contesto di tipo autostradale, in futuro un numero sempre maggiore di tali funzioni dovranno con- frontarsi con un contesto urbano, dove le tipologie di ele- menti che contribuiscono al traffico sono più numerose, dai pedoni alle biciclette alle sedie a rotelle. Oltre a ciò, gli oggetti dinamici che non era stati presi in considerazione nel momento dello sviluppo del prodotto è probabile che siano presenti in uno scenario di questo tipo e devono quindi poter essere rilevati. A causa di questi nuovi re- quisiti delle funzioni di guida, il modello ambientale deve prendere in considerazione queste ulteriori esigenze: • Estensioni dell’oggetto: il modello dell’ambiente deve fornire l’estensione spaziali degli oggetti dinamici, ad esempio per una corretta associazione alla corsia. • Previsione del movimento dell’oggetto: per ciascun oggetto dinamico deve essere fornita la relativa cine- matica, in modo da prevedere entro certi limiti il suo movimento. • Oggetti statici: oltre agli oggetti dinamici, dovrebbero essere forniti anche quelli statici. • Spazio libero: nel momento in cui le funzioni di guida includono la sterzata automatica e la pianificazione del percorso, è necessario disporre di informazioni relative allo spazio libero. • Tipologie di oggetti non conosciute: la modellazione in fase di progetto di tutti i potenziali modelli in movi- mento è un problema complesso e praticamente non risolvibile. Da qui la necessità di rilevare e prevedere oggetti non conosciuti. Limiti dell’approccio odierno alla “sensor fusion” Gli approcci alla “sensor fusion” attualmente adotta- ti spesso prevedono una combinazione di fusione degli oggetti dinamici (Dynamic Object Fusion) e di griglie di occupazione statiche (Static Occupancy Grid). La fusio- ne di oggetti dinamici e gli approcci basati sul filtro di Kalman sono caratterizzati da prestazioni abbastanza scarse su brevi distanze e in presenza di oggetti estesi: ciò principalmente è imputabile al fatto che spesso viene violata l’ipotesi della “point source” (sorgente puntuale) alla base di questi algoritmi. Poiché è richiesta la cono- scenza di tutti i tipi di soggetti coinvolti in anticipo, esiste il rischio intrinseco di non rilevare nuovi oggetti. Inoltre, se utilizzati con sensori ad alta risoluzione, è ne- cessario effettuare il clustering dei dati in modo da poter- li utilizzare con i filtri di Kalman. Poiché questa opera- zione di clustering viene effettuata in fase di rilevamento, gli errori di clustering sono frequenti e possono essere Fig. 1 – Il concetto di Dynamic Object Fusion: un ridotto numero di rilevamenti (blu/rosso) sono esaminati mediante un filtro di Kalman (freccia ed ellisse grigie) Fig. 2 – Tipico errore di clustering nei tradizionali approcci di “sensor fusion”