Hertfordshire, UK, 26 June 2018. El especialista en software del Reino Unido, rFpro, está desarrollando un modelo virtual de alta precisión del campo de pruebas de Applus + IDIADA para ser utilizado en el desarrollo de vehículos en simulación. El Digital Twin del campo de pruebas permite a los fabricantes de vehículos acelerar el desarrollo de ADAS y CAV (Vehículos Autónomos Conectados) probándolos en un entorno virtual completamente representativo antes de la validación en la pista.
"Usar un entorno virtual es la única manera rentable de someter estos sistemas de autoaprendizaje a la cantidad ilimitada de escenarios que pueden ocurrir en el mundo real", dice Chris Hoyle, Director Técnico de rFpro. "Escenarios idénticos se pueden coreografiar en el campo de pruebas para validar los resultados de la simulación, lo que permite a los clientes progresar con confianza a pruebas en el mundo real. Nuestro modelo virtual es una parte vital de la hoja de ruta para el desarrollo de CAV en Applus + IDIADA dentro del marco regulatorio ".
rFpro Applus + IDIADA Digital Twin será la última incorporación a su biblioteca de modelos digitales, que es la más grande del mundo, e incluye campos de pruebas, pistas de prueba y miles de kilómetros de caminos reales diferentes. rFpro es el paquete de software de simulación más abierto de la industria, capaz de utilizarse con una amplia gama de modelos de vehículos y plataformas de simulación de conducción.
"Las instalaciones de Applus + IDIADA ya ofrecen un entorno seguro para las pruebas controladas de funcionalidad autónoma y una extensión natural del mundo real a los procesos de ingeniería de software de los clientes", dice Javier Gutiérrez, Gerente de Proyectos de Desarrollo de chasis de Applus +, Chassis Development Vehicle Dynamics. "Al invertir en un modelo digital, también podemos convertirnos en una parte integral de la cadena de herramientas de desarrollo de software continuo de nuestros clientes, reduciendo significativamente el tiempo de desarrollo y validación, y por lo tanto el costo, de los sistemas autónomos".
Los modelos digitales creados por rFpro pueden estar ocupados por vehículos del ego (los vehículos del cliente), así como por tráfico de Enjambre semiinteligente y tráfico programado. Los vehículos y los peatones pueden compartir la red de carreteras correctamente con señales de tráfico y peatones perfectamente sincronizadas, siguiendo las reglas de la carretera, al tiempo que permiten el comportamiento ad-hoc, como los peatones que entran en la carretera, para provocar una emergencia. Esto permite que los experimentos digitales reflejen con precisión las pruebas físicas realizadas en el campo de pruebas con objetivos blandos del robot.
Los primeros en adoptar pruebas de vehículos autónomos en un entorno virtual ya están llevando a cabo más de 2 millones de kilómetros de pruebas por mes, pero para ser eficaz como herramienta de desarrollo, la simulación debe correlacionarse exactamente con el mundo real. rFpro es un líder de la industria en este sentido; mediante la utilización de datos topográficos de barrido por láser puede crear modelos con una precisión de aproximadamente 1 mm en Z (altura) y en X e Y (posición).
A diferencia de otros modelos virtuales, rFpro utiliza una calidad excepcionalmente alta, renderización realista, hasta HDR-32, que es esencial para el entrenamiento, la prueba y la validación de ADAS basado en aprendizaje profundo y sistemas autónomos, como explica Hoyle. "La resolución y el rango dinámico de los sensores de la cámara aumentan cada año, por lo que es importante poder procesar video HDR32 de alta resolución en tiempo real. Nuestro sistema también es único al evitar los patrones y los artefactos de video que surgen en las herramientas de simulación sintética, que de otra manera impedirían el rendimiento del entrenamiento de aprendizaje profundo ".
La iluminación se modela con precisión para la latitud y la longitud de Applus + IDIADA, día del año, hora del día, condiciones atmosféricas y climáticas. Esto incluye circunstancias tales como la transición entre caminos mal iluminados y bien iluminados, el efecto del sol bajo en el cielo o los faros inminentes del tráfico en sentido contrario, todo lo cual puede ser particularmente desafiante para ADAS y sensores autónomos de vehículos.