Poiché le auto del futuro diventeranno probabilmente dei supercomputer su ruote alimentati da una massiccia raccolta di dati tramite intelligenza artificiale e le strade tradizionali si evolveranno in infrastrutture intelligenti con servizi di mobilità forniti ai conducenti, gli strumenti di raccolta ed elaborazione dei dati sono il nuovo motore per determinare la posizione affidabile e sicura dei veicoli, che rappresenta senza dubbio il presupposto per l’adozione della guida autonoma.
I notevoli progressi nei campi dei Sistemi di Guida Automatica (ADS), insieme al crescente interesse per le tecnologie di apprendimento automatico (ML) e intelligenza artificiale (IA), hanno accresciuto l’importanza di applicazioni basate su dati di massa per determinare la posizione affidabile del veicolo necessaria al controllo parziale o completo di operazioni critiche per la sicurezza. In questo contesto, la capacità della funzione di posizionamento dell’ADS di un veicolo di svolgere in sicurezza il proprio compito è di grande importanza. La sfida è pertanto come garantire l’integrità dei dati di posizione del veicolo indipendentemente dall’ambiente operativo, dalle condizioni meteorologiche e stradali in cui opera. Una posizione affidabile dei veicoli è anche il prerequisito affinché il gestore dell’infrastruttura stradale possa erogare servizi per migliorare la circolazione dei veicoli e la sicurezza tramite le smart roads. Queste infrastrutture tecnologiche rappresentano un ecosistema intersettoriale unico che riunisce produttori di veicoli fornitori di servizi, autorità pubbliche e associazioni per trasformare i dati generati dai veicoli in informazioni utili a salvare vite umane. Condividendo informazioni sul traffico in tempo reale relative alla sicurezza, le strade europee diventeranno più sicure, contribuendo così all’ambizioso obiettivo Vision Zero dell’UE.
Nell’ambito dei moderni sistemi di test e validazioni automobilistici, l’integrazione di sofisticati sistemi di elaborazione dati e simulazione è fondamentale per garantire la sicurezza dell’ADS, che deve basarsi sulla conoscenza della posizione dell’auto e dell’ambiente circostante. Posizionamento e rilevamento dell’ambiente dipendono entrambi dal sistema di sensori dell’auto e dal processo di elaborazione, che a sua volta dipende dai dati raccolti sul campo.
STEV – Satellite Testbed for Egnss based vehicle localization Validation – supporta questa integrazione, consentendo ai moduli di posizionamento avanzati di essere testati in condizioni controllate ma altamente realistiche. Concepito da Radiolabs, STEV costituisce un framework sofisticato progettato per il test rigoroso e la validazione di algoritmi per la fusione di dati provenienti da diversi sensori e comprende tre componenti principali: un’unità di bordo multi-sensore, un’unità di elaborazione centrale e un’unità di riproduzione. Insieme, questi componenti formano un’architettura interconnessa che supporta il processo di analisi post-test. La capacità del sistema di simulare condizioni reali e di eseguire verifiche approfondite in ambienti controllati migliora significativamente l’affidabilità e le prestazioni degli algoritmi testati. L’obiettivo è la progettazione e la validazione degli algoritmi di posizionamento per soddisfare il livello SAE 3 di automazione (il primo a consentire capacità di guida autonoma con un conducente pronto a prendere il controllo della guida in caso di disconnessione dell’ADS) fino ai livelli 4 e 5 per i quali la presenza del conducente non è più necessaria.
L’unità di bordo multi-sensore è responsabile della raccolta di dati dai vari sensori installati nel veicolo, tra cui ricevitori GNSS, unità di misura inerziale (IMU), sensori LiDAR e camera, che contribuiscono alla localizzazione e al monitoraggio accurati della dinamica del veicolo. I dati vengono poi trasmessi all’unità di elaborazione centrale – Central Computing Unit – per essere sottoposti a un’ampia elaborazione e analisi. Questa unità funge da cervello del sistema STEV, impiegando algoritmi e tecniche computazionali avanzati per la generazone di pattern di test da utilizzare per valutare le prestazioni dei moduli sottoposti a verifica. Infine, l’unità di riproduzione (Replay Unit) consente la riproduzione e l’analisi dettagliata di specifici scenari di test, consentendo agli ingegneri di analizzare le risposte del sistema e identificare eventuali aree di miglioramento.
Il progetto STEV ha superato con successo la Critical Design Review (CDR), il che significa che l’architettura selezionata è pronta per la fase di implementazione. La documentazione prodotta per la CDR descrive il progetto completo, specificando l’integrazione e il funzionamento dei vari sottosistemi, assicurando il raggiungimento degli standard di prestazioni e sicurezza desiderati. La roadmap è stata congelata per pianificare il completamento del sistema con processi di test rigorosi e di validazione affidabili, che costituiscono la spina dorsale del sistema STEV.
Il progetto STEV è stato commissionato dall’ESA – nell’ambito del programma GSTP finanziato dall’ASI – ed è coordinato da Radiolabs, con Intecs come partner. ANAS – il gestore delle infrastrutture stradali italiane che gestisce 32.000 km di strade – contribuisce a STEV supportando fra l’altro la definizione dei casi d’uso e la campagna di test con i propri veicoli per la raccolta dati su strade appositamente selezionate e rappresentative per iniziativa Smart Road. Anche Honda Italia contribuisce al progetto per migliorare la sicurezza dei motocicli e una motocicletta verrà utilizzata nella campagna di test. Entrambi i veicoli di Anas e Honda Italia saranno equipaggiati con l’unità di bordo multi-sensore e i dati raccolti verranno processati dall’unità di elaborazione centrale.
STEV rappresenta un pilastro del piano strategico di Radiolabs per lo sviluppo e la validazione delle tecnologie abilitanti per la guida connessa ed autonoma, contribuendo così agli sviluppi di un sistema di trasporto ecosostenibile, più sicuro ed efficiente, in linea con la priorità dell’Europa di ridurre del 30% le vittime della strada entro il 2030 e di azzerarle entro il 2050.
