Traktor ADAS-testning, detektering av sårbara trafikanter (VRU)

Avancerade förarassistanssystem (ADAS) har blivit vanliga i personbilar, lätta transportfordon och tunga lastbilar. Mindre känt är att tillverkare även implementerar ADAS-system i rörliga jordbruksmaskiner. De så kallade ”snabba traktorerna”, som kör snabbare än 60 km/h, skapar ett behov av aktiva säkerhetssystem som ABS och fordonsstabilitetskontroll. LEANE använde Dewesofts DAQ-hårdvara och programvara för att beräkna parametrar som avstånd, position och vinkel vid ADAS-testning.

Begreppet Vulnerable Road User (VRU) används främst för att beskriva personer i närheten av fordon som saknar skydd av en yttre struktur, på väg eller i fält. VRU omfattar fotgängare, cyklister och andra oskyddade trafikanter som löper större risk att skadas vid en kollision.

Ingenjörsföretaget Leane har varit verksamt på den italienska marknaden i cirka 50 år. Sedan 1978 har dess Automotive Division erbjudit kunder helhetslösningar för datainsamling från fordon. Med lång erfarenhet och högspecialiserad ingenjörskompetens stödjer Leane sina kunder från val av sensorer till slutrapport. Företaget erbjuder både fristående enheter och möjligheten att utveckla helt kundanpassade lösningar, från en enskild sensor till kompletta mätsystem, från vägtester till körsimulatorer.

Tillverkare av jordbruksmaskiner, såsom traktorer och de många redskap som de drar eller använder, arbetar med att införa följande ADAS-system för att förbättra skyddet av VRU:

• Blind Spot Monitoring (BSM)

• Blind Spot Information System (BSIS)

• Moving Off Information Signal (MOIS)

Många aktörer, inklusive OEM-tillverkare, Tier 1-leverantörer och försäkringsbolag, driver initiativ och projekt för att öka säkerheten och forma framtida regelverk.

Applikationen

Det nationella forskningscentret för jordbruk (CREA) ansvarar för ett sådant initiativ. CREA arbetar med livsmedelskedjor inom jordbruket och är OECD-ackrediterat för att certifiera jordbruks- och skogstraktorer.

Centret initierade en första testkampanj i slutet av 2023 med fokus på detektering av sårbara trafikanter (VRU) kring jordbrukstraktorer som passerar en fotgängardummy. Bland de största utmaningarna i denna typ av tillämpning inom jordbruk är:

• Traktorkonfigurationen kan variera kraftigt, olika arbetsuppgifter kräver olika redskap, vilket påverkar förarens siktfält och sensorns räckvidd på olika sätt.

• Maskinerna används i olika miljöer, på väg, på gårdsplaner, i fält eller bland träd. Inom sitt arbetsområde kan de möta VRU och objekt av många olika former.

Den första testomgången gav leverantörer och universitet möjlighet att demonstrera potentialen i sina kamera- och radarbaserade lösningar för detektering av VRU och hinder på serietillverkade traktorer. De visade att det gick att detektera en fotgängardummy utan integration i fordonets styrsystem.

I detta skede var målet att genomföra enklare scenarier. Tester utfördes på en ren asfaltsyta där traktorer närmade sig en stillastående fotgängardummy med olika banor och vinklar.

Ett inertialnavigationssystem (INS) med DGNSS Real Time Kinematics (RTK) användes som referens för att bestämma dummyens exakta position och dess relativa avstånd till traktorn för att verifiera detektionssystemens prestanda.

Framtida testkampanjer planeras med mer komplexa scenarier där körrobotar och robotiserade VRU-plattformar används.

Testscenariot

Testscenarierna sattes upp på asfaltsbanan vid CREA:s testanläggning. Området består av en oval bana med en central yta som kan användas som korsning eller för att genomföra kurvtagning i måttliga hastigheter.

Två testfall genomfördes, scenarier A och B:

A) Fotgängardummyn placeras i en kurva medan traktorn kör genom kurvan med olika hastigheter och körlinjer (inner- och ytterspår), se figur 8.

B) Fotgängardummyn placeras på en raksträcka medan traktorn kör med olika hastigheter och sidoförskjutningar, se figur 9.

Ingenjörerna placerade målet vid RefPoint1 för scenario A och RefPoint2 för scenario B, se figur 1 och 2.

Bilden nedan visar testbanan med dummyn placerad vid RefPoint2 samt koner som används för att markera körbanorna för testfallen.

Testutrustning

Utrustningen som användes vid testerna inkluderade:

• Statisk fotgängardummy (vuxen) MoshonData MD-PT

• Inertialnavigationssystem (INS), Genesys ADMA Speed med RTK via NTRIP

• Dewesoft DEWE-43A datainsamlingssystem

• USB-webbkamera

Bärbar dator med DewesoftX datainsamlingsprogramvara med Ethernet Receiver- och Polygon-tillägg

Systemuppställningen (figur 3 och 4) inkluderade även en Ethernet-sniffer med enkla filtreringsfunktioner och datadecodning för att extrahera datakanaler från Ethernetströmmar. Sniffern möjliggör filtrering av strömmar baserat på parametrar som MAC- och IP-adress, käll- och destinationsport eller manuella datafilter. Den kan koda data i olika format (Intel, Motorola, signed, unsigned). Både IEEE floatLinear och IEEE icke-linjär (polynomisk) skalning stöds.

DewesoftX Polygon-pluginet är ett verktyg för att beräkna parametrar som avstånd, position eller vinkel mellan rörliga eller statiska objekt såsom bilar, koner, banor eller linjer.

Pluginet kan användas som grund för tester av både autonoma och icke-autonoma fordon, till exempel:

• Autonom nödbromsning (AEB)

• Filbyte

• Filavvikelsevarning (LDW)

• Cirkulär körning

• Slalom

• Kollisionsvarning

• Prestandatest

• Pass-by bullermätning

• Funktionssäkerhetstester

• Fordonsdynamik

• och fler

Det erbjuder även import av banor från tidigare inspelade filer med upp till 1 cm noggrannhet samt fullt justerbar 3D-visualisering för enkel dataanalys och realtidsvägledning för förare.

Listan inkluderar inte prototyputrustning, det vill säga radar- eller kamerabaserade detektionssystem, och på grund av sekretess kan vi inte dela de insamlade signalerna.

Dewesoft-uppställning

I detta fall användes DEWE-43A datainsamlingssystem för att registrera data från CAN-bussen, eftersom inga analoga sensorer installerades på traktorn.

För enkelhetens skull monterade vi Genesys ADMA Speed-sensorn ovanpå hytten, direkt ovanför förarens huvud. Därefter konfigurerades ADMA att leverera mätdata vid PointOfInterest1 (POI1), som placerades i traktorns främre mittpunkt. En NTRIP DGNSS-tjänst levererade RTK-data som säkerställde centimeternoggrannhet för traktorns absoluta position.

Ethernet Receiver-pluginet användes för att ta emot dataströmmen från ADMA.

DewesoftX Polygon-pluginet gav en 3D-representation av arbetsområdet. Programvaran beräknade även kanaler som beskrev traktorns relativa position i förhållande till den statiska dummyn, det vill säga ReferencePoint1 och ReferencePoint2.

För enkelhetens skull placerade vi koordinatsystemet vid ReferencePoint2 med X-axeln i rak riktning. På så sätt överensstämmer koordinaterna för ReferencePoint2, där dummyn var placerad i testscenario B.

Därefter definierade vi koordinaterna för ReferencePoint1 baserat på POI1, när traktorns front befann sig nära dummyn vid ReferencePoint1, se figur 5.

Efter detta lade vi till några beräknade kanaler för att få avståndet längs X, Y och det relativa avståndet:

• Från förarens huvud till dockans positioner vid ReferencePoints 1 och 2.

• Från traktorns front (POI1) till dockans positioner vid ReferencePoints 1 och 2.

Dessutom inkluderade vi tre rörelsecirklar för traktorn med radier på 3 m, 6 m och 12 m, med sina centrum vid förarens huvudkoordinater. Värdet 12 m valdes baserat på de preliminära kraven i det föreslagna testprotokollet.

Vi lade till en DirectX USB-kamera för att ge en samtidig vy av scenen från traktorkabinen, vilket visas i skärmbilden av DewesoftX-mätvyn (figur 6 och 7).

Testutförande och resultat

Vi genomförde flera testkörningar med traktorn, där vi närmade oss dockan och stannade nära den eller körde längs en bana vid sidan av den. Vi utförde även ytterligare tester genom att göra undanmanövrar för hinder eller köra traktorn runt i området för att kontrollera hur prototypens detektionssystem uppfattade dockan.

Vi får inte visa data från dessa detektionssystem. Tack vare Polygon-virtuella geometrier och matematiska kanaler i DewesoftX kunde vi ändå observera när traktorn närmade sig dockans position och registrera när den kom innanför gränserna på 12 m, 6 m och 3 m.

Slutsats

Att kombinera positionsdata med data från testfordonet, kameror och andra sensorer är ett typiskt krav i alla ADAS-mätapplikationer.

Med hjälp av DewesoftX-programvaran kunde vi integrera alla dessa datakällor samt snabbt och enkelt lägga till onlineberäkningar av relativa avstånd och effektiv 3D-visualisering genom att använda Polygon-tillägget.

DewesoftX Polygon-modulen gör det möjligt att sätta upp ett lokalt koordinatsystem för att kartlägga positionen för statiska objekt på testbanan samt spåra testfordonet och andra rörliga objekt. Konfigurationen för denna applikation genomfördes direkt på testbanan före testet och tog bara några minuter.

En annan funktion i Polygon är möjligheten att skapa geometriska objekt kopplade till statiska eller rörliga objekt och använda dessa för beräkning och visualisering, till exempel för att kontrollera om ett objekt befinner sig inom ett visst avstånd från ett annat objekt.

Baserat på dessa faktorer beslutade kunden att använda DewesoftX och Polygon i kommande testaktiviteter inom detta forskningsområde.