Arbetet innefattade programmering och till¨agg av kod i det befintliga verktyget TrackPlotter. Genom att f¨olja TrackPlotters exekveringsprocess s˚a kunde ett fl¨odesschema formuleras. F¨or att bidra med de ¨onskade funktionerna som lades till f¨or plottning av sl¨apobjekt s˚a lades en ytterligare funktion in. Denna funktion blev kallad updateTrailer, detta till¨agg bidrog till f¨oljande fl¨odesschema i figur 13.
21 k Resultat
Figur 13: Fl¨odesschema ¨over TrackPlotters fl¨ode efter inl¨agget av funktionen updateTrailer
I funktionen createTracks angavs vilka radarsignaler som ¨onskades finnas tillg¨anglig f¨or createTrailerObjects. Ut¨over detta s˚a anropades createTrailerOb-jects totalt sex g˚anger med en unik in-parameter f¨or varje anrop. Denna in-parameter l¨at avg¨ora vilket typ av fordonssl¨ap som skulle plottas och hur, samt avgjordes det vilken etikett det respektive sl¨apobjektet skulle ha. Detta f¨or att skapa kryssrutor i menyn Object Selection.
I createTrailerObjects anropades f¨orst initTrailer, i denna approximerades radarsignaler om f¨or att inneh˚alla ett v¨arde i respektive tidssteg. Detta gjordes redan i TrackPlotter efter det att radarsignalerna angivits i createTracks. Efter detta anropades verktygets huvudsakliga Plot Loop som givet tid anropade de objekt som skulle plottas respektive plotfunktion. I fallet med sl¨apobjekt an-ropades plotTrailer, denna fick inleda med att anropa den tillagda funktionen updateTrailer. I denna etablerades variabler som best¨amde sl¨apobjektets l¨angd, bredd och vinkel. Dessa variabler fick v¨arde utifr˚an radarsignaler givet varia-beln tid. Efter att variablerna uppdaterades ˚atergick exekveringen till plotTrailer som skapade en figur givet sl¨apvariablerna som etablerades i updateTrailer och placerade ut figuren p˚a r¨att plats givet vinkel, hastighet och girning i den d˚a aktuella tidpunkten. Denna figur representerar p˚a detta s¨att allts˚a sl¨apobjektet. Genom dessa till¨agg i koden inf¨ordes ¨onskade till¨agg i verktyget och ¨onskat resultat uppn˚addes.
23 k Analys och diskussion
5 Analys och diskussion
Metodiken bakom detta arbete innefattade granskning av det tidigare verktyget TrackPlotter. Detta innebar att f¨olja exekveringsprocessen och skapa en bild av hur verktyget fungerade. Denna taktik visade sig vara relevant och anv¨andbar till utvecklandet av de visualiseringstill¨agg som ¨onskades till arbetets m˚als¨attning. Till arbetet h¨orde en j¨amf¨orelse av andra alternativ till denna metodik. Ett annat verktyg granskades ytligt, Bird’s-Eye Scope. Bird’s-Eye Scope hade kun-nat erbjuda samma form av visualisering som TrackPlotter erbjuder i fallet n¨ar k¨orloggar simuleras. Det fastst¨alldes i ett tidigt skede att utvecklingen av TrackPlotter redan innefattade tillr¨ackliga funktioner f¨or Scanias granskning av nuvarande ADAS och att utvecklingsm¨ojligheterna ¨aven var tillr¨ackligt goda f¨or deras behov. Det hade kr¨avts mycket tid och resurser att f¨ora ¨over hela verksam-heten kring testning av deras ADAS till ett nytt verktyg och examensarbetet innefattade s˚aledes enbart implementationer i deras verktyg TrackPlotter.
Ett alternativ till att anv¨anda ett visualiseringsverktyg f¨or simulering av k¨orloggar var att enbart utf¨ora tester p˚a faktiska k¨orningar. Eftersom valet stod mellan dessa alternativ valdes TrackPlotter. Anledningen till detta var f¨or att spara in p˚a resurser och minska risken f¨or trafikolyckor. Om all testning av ADAS skulle utf¨oras p˚a faktiska k¨orningar skulle det inneb¨ara flera fordon, flera tester i form av k¨orningar p˚a v¨agarna och d¨armed mer koldioxidutsl¨app. Det finns ocks˚a alltid en risk n¨ar ett fordon vistas p˚a v¨agar och ¨aven i fall n¨ar ADAS testas. Det ¨ar d¨arf¨or vitalt att verktyg s˚asom TrackPlotter och Bird’s-Eye Scope existerar. En ytterligare f¨ordel ¨ar att granskningen av k¨orningar g˚ar att g¨ora obegr¨ansat. Detta inneb¨ar att k¨orf¨orloppet kan inspekteras gr¨ansl¨ost m˚anga g˚anger och d¨armed skapa tydligare uppskattning av ADAS funktionalitet.
I verktyget TrackPlotter ¨ar det centralt att simuleringen av k¨orningen ¨ar s˚a representativ f¨or den faktiska k¨orningen som m¨ojligt. Det ¨ar d¨armed viktigt att radarsignaler utg¨or en stor del av objekten som visas i TrackPlotters 2D plot.
I simuleringen uppm¨arksammades att radaruppskattningar inte alltid var p˚alitliga vilket ibland kan leda till att 2D plotten som visas inte alltid st¨ammer ¨
overens med den verkliga k¨orningen i vissa delar av k¨orloggen. Det visade sig d¨armed att omfattande radarsensorer med god p˚alitlighet ¨ar centralt f¨or att hela k¨orf¨orloppet ska visas s˚a korrekt som m¨ojligt gentemot den faktiska k¨orningen.
25 k Slutsatser
6 Slutsatser
Detta examensarbete bidrog till ett enklare s¨att f¨or uppdragsgivaren Scania att granska ADAS-funktioner d¨ar sidodetektion var relevant i deras visualise-ringsprogram TrackPlotter. Detta ˚astadkoms genom att visualisera fordonssl¨ap i TrackPlotters 2D plot enligt radardata i k¨orloggen. Till detta h¨orde ¨aven att fordonssl¨apet kunde plottas olika utifr˚an vad radaruppskattningarna var i given tid i k¨orloggen som 2D plotten f¨or tillf¨allet visade. Genom att fordonssl¨apet plottades enligt tillg¨angliga radardata, ist¨allet f¨or med exempelvis h˚ardkodade l¨angder av sl¨ap, kunde radardetektioner p˚a andra f¨orem˚al granskas mer tyd-ligt. Ett exempel p˚a detta var n¨ar en bil passerade fordonet samtidigt som fordonssl¨apet var kraftigt vinklat kunde radardetektioner p˚a bilen respektive fordonssl¨apet tydligare s¨arskiljas. Genom att granskningen blev tydligare i des-sa fall kan ADAS testas p˚a ett grundligare s¨att. Detta arbete skapar ¨aven goda f¨oruts¨attningar f¨or fortsatt utveckling av dessa system och ¨aven andra ADAS d¨ar sidor¨orelser av fordon och visualisering av radardetektioner ¨ar relevanta.
Verktyget ¨ar konkurrenskraftigt men har n˚agra alternativ som ocks˚a kan nyttjas f¨or samma funktion och granskning. TrackPlotter har bristf¨allig doku-mentation ¨over dess kodstruktur och funktionalitet. Om en b¨attre dokumenta-tion av verktyget skapas hade det kunnat erbjuda en kortare inl¨arningsprocess och d¨armed sparat in resurser. Detta ¨ar h¨ogst relevant om fortsatt utveckling av verktyget ska g¨oras.
27 k REF EREN SER
Referenser
[1] Helmer T, Wang L, Kompass K, Kates R. Safety Performance Assess-ment of Assisted and Automated Driving by Virtual ExperiAssess-ments: Stochas-tic Microscopic Traffic Simulation as Knowledge Synthesis. In: 2015 IEEE 18th International Conference on Intelligent Transportation Systems; 2015. p. 2019–2023.
[2] Britain SG. Scania Introduces New Side Detection Functionality; 2020. [Online; accessed 10 April 2020]. https://www.scania.com/ uk/en/home/experience-scania/news-and-events/news/2020/03/ scania-introduces-new-side-detection-functionality.html.
[3] Paul A, Chauhan R, Srivastava R, Baruah M. Advanced Driver Assistance Systems; 2016. Available from: https://saemobilus.sae.org/content/ 2016-28-0223.
[4] Liu G, Zhou M, Wang L, Wang H, Guo X. A blind spot detection and warning system based on millimeter wave radar for driver assistance. Optik - International Journal for Light and Electron Optics. 2017;135:353–365. [5] Gay W. Beginning STM32 Developing with FreeRTOS, libopencm3 and
GCC. 1st ed. Technology in action series; 2018.
[6] MathWorks. patch; 2020. [Online; accessed 12 April 2020]. https://se. mathworks.com/help/matlab/ref/patch.html#d120e882674.
[7] MathWorks. visualize sensor data and tracks in birds eye scope; 2020. [On-line; accessed 12 Maj 2020]. https://se.mathworks.com/help/driving/ ug/visualize-sensor-data-and-tracks-in-birds-eye-scope.html.
TRITA CBH-GRU-2020:069