Uppdatering av visualiseringsverktyg för förarstödsystem Update of visualization tool for Advanced Driving Assistance Systems

INOM

EXAMENSARBETE

ELEKTROTEKNIK,

GRUNDNIVÅ, 15 HP

,

STOCKHOLM SVERIGE 2020

Uppdatering av

visualiseringsverktyg för

förarstödsystem

Update of visualization tool for

Advanced Driving Assistance

Systems

ADAM WINGES

KTH

Uppdatering av

visualiseringsverktyg f¨

or

f¨

orarst¨

odsystem

Update of visualization tool for

Advanced Driving Assistance

Systems

Adam Winges

Examensarbete inom Elektroteknik Grundniv˚a, 15 hp

Handledare p˚a KTH: Lars Olov Carlheim, Gunno von Zweigbergk Examinator: Elias Said

TRITA-CBH-GRU-2020:069

KTH

Sammanfattning

Eftersom dagens fordonsindustri utg¨or en stor del av v˚art samh¨allsliv har st¨ andi-gt ¨okade krav st¨allts p˚a att fordon ska vara s˚a trafiks¨akra som m¨ojligt. En allt mer vanligare del av denna utveckling har legat p˚a f¨orarst¨odssystem. Dessa f¨orarst¨odssystem ben¨amns i regel ADAS (Advanced Driving Assistance Systems). En central del i utveckling av ADAS har varit att s¨akerhetsst¨alla funktionen av dessa f¨or att f¨oraren ska k¨anna tillit till systemen, vilket har visat sig utma-nande. Scania som ¨aven ¨ar uppdragsgivaren av detta arbete har valt att bland annat testa funktionen av deras ADAS genom simulering och granskning av k¨orningar. Scania har d¨armed utvecklat ett visualiseringsverktyg kallat Track-Plotter f¨or att ˚astadkomma detta. TrackPlotter skapar en 2D plot baserad p˚a sensorinformation fr˚an en faktisk k¨orning. Sensorinformationen som till stor del best˚ar av radardata anv¨ands av TrackPlotter f¨or att simulera k¨orf¨orloppet i 2D plotten. I denna plot visas ¨aven radardetektioner p˚a f¨orem˚al, exempelvis bilar och fordonets sl¨ap eller semitrailer.

Vid testning av ADAS d¨ar sidodetektering ¨ar relevant visade sig visualise-ringen som TrackPlotter skapar i vissa fall otillr¨acklig, dessa var fall n¨ar fordonet hade ett tillh¨orande sl¨ap eller semitrailer. Detta d˚a de plottade radardetektio-nerna p˚a fordonssl¨apet i vissa fall, visade sig sv˚ara att s¨arskilja emot detektioner p˚a andra f¨orem˚al s˚asom andra trafikanter. Detta skedde eftersom TrackPlotter inte visualiserade radardata fr˚an k¨orloggen som definierade den faktiska stor-leken, vinkeln och positionen p˚a fordonssl¨apet utan ist¨allet, prim¨art anv¨ande statiska v¨arden f¨or detta. Detta arbete ¨amnar att vidareutveckla TrackPlotter i form av ny funktionalitet f¨or plottning av fordonssl¨ap genom kodtill¨agg. Detta f¨or att skapa en tydligare plot ¨over k¨orningen.

Detta arbete uppfyllde m˚alspecifikationen Scania utgav vilket innefattade i f¨orsta hand att en dragbilssemitrailer skulle kunna plottas baserat p˚a radardata fr˚an en k¨orlogg. Det andra som lades till i TrackPlotter var visualisering av lastbilssl¨ap vilket innan detta arbete saknades. Avslutningsvis inf¨ordes ett s¨att att visualisera en j¨amf¨orelse p˚a hur radarn p˚a fordonets v¨anstra respektive h¨ogra sida uppfattade fordonssl¨apet.

Slutsatsen av detta arbete blev att ADAS funktioner kunde klarare grans-kas i Scanias visualiseringsverktyg TrackPlotter. Detta genom att plotten av fordonssl¨ap i det simulerade k¨orf¨orloppet baserades p˚a radardata. Detta bidrog till att radardetektionerna TrackPlotter skapade i 2D plotten l¨attare gick att tolka.

Nyckelord

Abstract

As today’s automotive industry is a major part of our social life, there has been an ever-increasing demand for vehicles to be as road-safe as possible. An incre-asingly common part of this development has been on driver support systems. These driver support systems are usually referred to as Advanced Driving As-sistance Systems (ADAS). A key part of the development of ADAS has been to secure the function of these in order for the driver to feel confidence in the systems, which has proved challenging. Scania, which is also the client of this work, has chosen to partly test the function of their ADAS through simula-tion and review of runs. Scania has thus developed a visualizasimula-tion tool called TrackPlotter to achieve this. TrackPlotter creates a 2D plot based on sensor information from an actual run. The sensor information, which largely consists of radar data, is used by TrackPlotter to simulate the running process in the 2D plot. In this plot, radar detections on objects, such as cars and the vehicle’s trailer, are also shown.

When testing ADAS where side detection is relevant, the visualization that TrackPlotter creates in some cases proved inadequate, these were cases when the vehicle had an associated trailer. In some cases, the plotted radar detections on the vehicle trailer proved difficult to distinguish from detections on other objects such as other vehicles. This happened because TrackPlotter did not visualize radar data from the driving log that defined the actual size, angle and position of the trailer but instead used static values for it. This work aims to further develop TrackPlotter in the form of new functionality for plotting vehicle trailers through code extensions. This is to create a clearer plot of the run.

This work met the target specification Scania released which included first off that a tractor-trailer semi-trailer could be plotted based on radar data from a driving log. The other thing that was added to TrackPlotter was the visuali-zation of truck trailers, which was missing before this work. Finally, a way was introduced to visualize a comparison of how the radar on the left and right sides of the vehicle perceived the vehicle trailer.

The conclusion of this work was that ADAS’s functions could be more clearly examined in Scania’s visualization tool TrackPlotter. This is because the plot of vehicle trailers in the simulated driving process was based on radar data. This helped make the radar detections TrackPlotter created in the 2D plot easier to interpret.

Keywords

F¨

orord

Detta examensarbete har genomf¨orts p˚a uppdrag av Scania, som en del i h¨ ogskol-eingenj¨ors utbildningen f¨or Elektroteknik p˚a KTH. F¨or att ta del av inneh˚allet i detta arbete och rapport ¨ar det s˚aledes l¨ampligt med grundl¨aggande kunskaper inom programmering och datorprogrammet MATLAB.

Jag vill tacka Scania som m¨ojliggjort detta examensarbete genom resurser, hand-ledning och kontakt trots den besv¨arliga coronakrisen. S¨arskilt tack till f¨oljande personer:

Anders Sundstr¨om, Scania Jesper Carlsson, Scania Samir Khays, Scania Lars Olov Carlheim, KTH Gunno von Zweigbergk, KTH

Adam Winges

Inneh˚

all

1 Inledning 1

1.1 Problemformulering . . . 1

1.2 M˚als¨attning . . . 2

1.3 Avgr¨ansningar . . . 3

2 Teori och bakgrund 5 2.1 Advanced Driver Assistance Systems . . . 5

2.2 Blind Spot Warning . . . 5

2.3 TrackPlotter . . . 6

2.3.1 Det grafiska gr¨anssnittet . . . 6

2.3.2 Verktygets uppbyggnad och exekveringsprocess . . . 6

2.4 Liknande verktyg f¨or simulering av k¨orlogg . . . 9

3 Metod och genomf¨orande 11 3.1 Simuleringsf¨orloppet i TrackPlotter . . . 11

3.2 Inf¨orandet av radarsignaler i funktionen f¨or sl¨apobjekt . . . 12

3.2.1 Lastbilssl¨ap i TrackPlotter . . . 13

3.3 Plottning av fordonssl¨ap enligt radarsignaler . . . 14

3.4 Plottning givet variabeln tid . . . 14

3.5 Tester av visualiseringstill¨agg . . . 15

4 Resultat 17 4.1 Inst¨allningar f¨or fordonssl¨apets plottning . . . 17

4.2 Plottningen av semitrailer enligt radarsignaler . . . 17

4.3 Implementationen av visualisering f¨or lastbilssl¨ap . . . 19

4.4 Gjorda uppdateringar . . . 20

5 Analys och diskussion 23

6 Slutsatser 25

1 k Inledning

1

Inledning

Detta examensarbete utf¨ors av uppdrag fr˚an Scania, ett nyckelf¨oretag inom svensk fordonsindustri. Inom Scania bedrivs verksamhet kring f¨orarst¨odssystem f¨or deras lastbilar och dragbilar, dessa system ben¨amns som ADAS (Advanced Driver Assistance Systems). ADAS ¨ar designade f¨or att underl¨atta och delvis automatisera k¨orningen. Syftet bakom utvecklingen av dessa typer av system, ligger i att genom ett mer smart fordon med omfattande ADAS och sensorteknik, kan ADAS avg¨ora l¨aget p˚a det egna fordonet relativt v¨agen samt andra trafi-kanter. Genom detta kan f¨oraren f˚a information i kritiska situationer i trafiken och agera med mer vetskap [1]. Tv˚a av de ADAS system som Scania utvecklar ¨

ar systemen BSW (Blind Spot Warning) och VRUCW (Vulnerable Road User Collision Warning). Dessa system ¨amnar att ge en visuell varning och en ljud-varning i samband med filbyten och sv¨angar om ett objekt befinner sig inom fordonets d¨oda vinkel [2]. BSW, VRUCW och ¨aven ADAS i allm¨anhet reagerar prim¨art p˚a sensordata fr˚an pereferienheter som finns installerade p˚a fordonen. Dessa sensordata behandlas av fordonets styrenhet och p˚a detta reagerar ADAS. ADAS medf¨or h¨oga krav p˚a testning f¨or att uppr¨atth˚alla en god tillitsniv˚a f¨or att f¨oraren ska kunna lita p˚a systemen.

I praktiken ¨ar det t¨amligen sv˚art att testa ADAS i den utstr¨ackning som kr¨avs f¨or att s¨akerhetst¨alla en god tillitsgrad. Scania m¨oter detta dilemma bland annat genom att l˚ata fordon spela in k¨orningar och logga sensordata. Denna k¨orlogg simuleras sedan i ett visualiseringsverktyg kallat TrackPlotter d¨ar granskningen av detta system kan g¨oras obegr¨ansat. TrackPlotter simule-rar k¨orningen utifr˚an k¨orloggen och d¨armed sensordata och skapar en 2D plot ¨

over k¨orf¨orloppet. Denna plot innefattar v¨ag, eget fordon samt ¨ovriga objekt s˚asom andra fordon. Denna 2D plot kan sida vid sida i verktyget j¨amf¨oras med fordonets faktiska videologg ¨over k¨orningen.

Detta examensarbete ¨amnar att till¨agga ny funktionalitet i form av kod till deras befintliga verktyg TrackPlotter. Detta med syftet att erbjuda en tydligare bild ¨over k¨orningen i verktygets 2D plot. Visualiseringstill¨aggen som ska l¨aggas till och tydligg¨ora 2D plotten behandlar plottningen av fordonssl¨ap. Dessa vi-sualiseringstill¨agg implementeras och diskuteras i detta arbete.

1.1

Problemformulering

2 k Inledning

fordonets d¨oda vinkel. Dessa typer av radardetektioner ¨ar viktigt att kunna s¨arskilja f¨or att veta om ADAS reagerat och varnat p˚a ett korrekt s¨att i dessa typer av scenarion. Verktyget saknar ¨aven ett s¨att att visualisera en dragbilsse-mitrailer storlek, vinkel och position utifr˚an givet radardata. F¨or tillf¨allet visas exempelvis enbart semitrailern som 16 meter l˚ang vilket inte alltid st¨ammer och ¨aven i detta fall visas radardetektioner som ¨ar sv˚ara att bed¨oma. I figur 1 tydligg¨ors vilka radardetektioner som borde accepteras respektive bortses ifr˚an. L¨agg m¨arke till att alla objekt som plottas i verktyget kallas Tracks. Observera att fordonet har sensorer installerade p˚a b˚ada sidor om fordonet.

Figur 1: Radardetektioner som ska betraktas eller ej.

Det har visat sig viktigt att TrackPlotters plot ¨over k¨orningen ska spegla aktuella radarsignaler f¨or att det ¨ar dessa signaler som ADAS reagerat uti-fr˚an. Radarsignalerna innefattar en m¨angd data och d˚a k¨orningen visas som ett f¨orlopp ¨over tid s˚a ¨ar det viktigt att plotten visar den radardata som ¨ar aktuell f¨or den tiden i k¨orningen som f¨or tillf¨allet simuleras.

1.2

M˚

als¨

attning

Initiativet till detta arbete ¨ar taget av Scania med syftet att enklare kunna granska insamlad data fr˚an k¨orningar. Genom att p˚a ett v¨alutvecklat s¨att in-spektera k¨orloggarna i deras visualiseringsverktyg TrackPlotter ligger f¨ orhoppn-ingen i att enklare s¨akerhetst¨alla funktionen och p˚alitligheten av deras ADAS. M˚als¨attningen f¨or detta arbete blir s˚aledes att implementera visualisering i de-ras verktyg TrackPlotter f¨or att tydligare kunna granska om fordonets ADAS agerade korrekt under k¨orningen. Implementationen av visualiseringstill¨agg be-handlar plottning av fordonssl¨ap enligt radardata fr˚an k¨orloggar.

3 k Inledning

finns ett. Detta ska hanteras och plottas olika beroende p˚a vilken av dessa plo-tinst¨allningar som v¨aljs. Dessa inst¨allningar utformades efter diskussion med uppdragivaren Scania till f¨oljande:

• Den f¨orsta inst¨allningen ska spegla Scanias valda modell f¨or hur fordonsl¨ap b¨or plottas. Denna inst¨allning ska inneb¨ara att oavsett om n˚agon radar-sensor har detekterat tv˚a fordonssl¨ap ska enbart ett fordonssl¨ap plottas. Ut¨over detta ska ocks˚a sl¨apet plottas enligt medelv¨arden av vad den v¨anstra respektive den h¨ogra radarsensorn har uppskattat. Detta inne-fattar l¨angder, bredd och vinkel.

• Den andra och tredje plotinst¨allningen ¨amnar att spegla radardata s˚a tro-get som m¨ojligt genom att om radarn uppfattar att det finns tv˚a fordons-sl¨ap, plotta b˚ada. Ofta skiljer sig den v¨anstra radarsensorns uppskattning emot den h¨ogra och dessa inst¨allning ska hantera detta. Den andra plo-tinst¨allningen blir d¨armed att visualisera fordonsl¨ap enligt den v¨anstra radarns uppskattning medan den tredje ska representera den h¨ogra. Observera att det ¨ar centralt att ovanst˚aende inst¨allningar och plottningar av fordonssl¨ap representerar radardata fr˚an den tid av k¨orloggen som simuleras och d¨armed uppdateras givet om radardata och tiden ¨andras.

Dessa inst¨allningar ska implementeras i verktyget enligt f¨oljande direktiv: • Plotinst¨allningarna ska innefattas och passa in i TrackPlotters befintliga

grafiska gr¨anssnitt genom valfria och valbara alternativ.

• Inst¨allningarna med deras respektive plottning av fordonssl¨ap ska imple-menteras p˚a ett s˚adant vis att plottningarna ska kunna visas enskilt eller samtidigt som varandra.

• Inst¨allningarna ska kunna till¨ampas i simulering av k¨orloggar med dragbil med p˚akopplad semitrailer och ¨aven i fall med lastbil med sl¨ap.

Dessa tre inst¨allningar ¨amnar att representera fordonssl¨ap enligt radardata p˚a olika s¨att och genom detta enklare kunna s¨arskilja vilka radardetektioner som ¨ar p˚a fordonssl¨ap respektive andra objekt s˚asom bilar.

1.3

Avgr¨

ansningar

Arbetet kommer begr¨ansas till f¨oljande:

• Alla tester av visualiseringstill¨agg i TrackPlotter kommer baseras p˚a si-mulerad data utifr˚an existerande k¨orloggar ifr˚an faktiska k¨orningar. • P˚a grund av tidsramen f¨or examensarbetet kommer inget ytterligare

4 k Inledning

5 k T eori och bakgrund

2

Teori och bakgrund

2.1

Advanced Driver Assistance Systems

1,3 miljoner d¨odsfall och 20-50 miljoner skador sker i v¨arlden varje ˚ar i trafik-relaterade olyckor. Det visar sig att trafikolyckor ofta sker p˚a grund av trafik-stockning, v˚aldsam k¨orning och filbyten. ADAS utvecklas med syfte att assiste-ra f¨oraren utifr˚an ¨andringar i den omgivna milj¨on genom att reagera till den specifika situationen, detta kan exempelvis vara att systemet i fordonet g¨or att fordonet saktar ner n¨ar en fara detekteras [3]. I nutid och framtid kommer s¨akra system f¨or assisterad k¨orning ha en stor roll i att skydda f¨oraren och eventuella passagerare och f¨orhindra m¨angden trafikolyckor. En ytterligare faktor till att det ¨ar vanligt f¨orekommande med trafikolyckor i samband med filbyten ¨ar det begr¨ansade synperspektivet som erfordras i ett fordon samt att ¨aven f¨orarens egna synf¨orm˚aga kan spela en stor roll. Att ˚atg¨arda detta problem har m˚anga f¨oretag unders¨okt m¨ojligheterna kring genom anv¨andning av radar- och eller kamera-teknologier f¨or detektion av objekt inom fordonets d¨oda vinkel [4].

2.2

Blind Spot Warning

Scanias l¨osning till att detektera objekt inom ett fordons d¨oda vinkel ¨ar deras system kallat Blind Spot Warning (BSW) som ¨ar till f¨or att varna f¨or objekt i fordonets d¨oda vinkel p˚a b˚ada sidorna lastbilen i hastigheter ¨over 2 km/h. Detta system jobbar parallellt med ett system som heter Vulnerable Road User Collision Warning (VRUCW), mer syftat till t¨atortstrafik. BSW och VRUCW ger b˚ade en visuell varning och en ljudvarning till f¨oraren i tre olika niv˚aer. M˚alet med dessa system str¨avar att hj¨alpa f¨oraren med f¨orhoppning att minska m¨angden trafikolyckor i samband med n¨ar f¨oraren i fordonet utf¨or en sidor¨orelse. I figur 2 visas den visuella varningen f¨oraren f˚ar av BSW/VRUCW [2].

Figur 2: D¨oda vinkel varning till f¨oraren i BSW/VRUCW systemen [2]. Eftersom detta system str¨avar efter att informationen till f¨oraren ska ha h¨og p˚alitlighet kr¨avs ett verktyg f¨or att unders¨oka detta. Scanias l¨osning till detta ¨

6 k T eori och bakgrund

2.3

TrackPlotter

Verktyget Scania anv¨ander i samband med granskning f¨or n˚agra av sina ADAS kallas TrackPlotter och ¨ar utvecklat i MATLAB. TrackPlotter simulerar en k¨orning baserat p˚a insamlad data fr˚an en faktisk k¨orning. Denna data h¨amtas fr˚an fordonets styrenhet som under k¨orningen tagit emot CAN (Controller Area Network) trafik som inneh˚aller sensorinformationen och interna fordonssigna-ler [5]. Denna information klassificeras som fordonets k¨orlogg ¨over en specifik k¨orning. K¨orloggen inneh˚aller informationen som fordonet och dess ADAS funk-tioner har haft till sin anv¨andning under k¨orningens g˚ang, det ¨ar allts˚a denna information ADAS reagerat utifr˚an.

2.3.1 Det grafiska gr¨anssnittet

TrackPlotter visualiserar k¨orloggen genom att skapa en 2D plot av det egna for-donet, v¨agen och andra objekt s˚asom bilar med hj¨alp av sensordata i k¨orloggen. K¨orningen visas som ett f¨orlopp ¨over tid och i TrackPlotter finns m¨ojlighet att spela upp den i olika hastigheter samt att stega igenom k¨orningen f¨or att obser-vera ett visst k¨ormoment. I verktyget visas ¨aven en video ¨over k¨orningen, taget fr˚an k¨orloggen. Det g˚ar till denna att v¨alja vilken kamera som det g˚ar att visa videon ifr˚an, kameran v¨anster, h¨oger eller rakt fram.

Radardata fr˚an k¨orloggen presenteras i 2D plotten och genom att granska dessa tillsammans med video fr˚an kamerorna kan ADAS funktionalitet granskas. Det finns ett flertal olika inst¨allningar i verktyget som ber¨or vilken information och sensordata som ska visas i 2D plotten, dessa inst¨allningar kan isolera viss data vilket leder till att granskningen av n˚agot specifikt enklare kan g¨oras. Detta g¨ors i en meny kallad Object Selection.

2.3.2 Verktygets uppbyggnad och exekveringsprocess

7 k T eori och bakgrund

Figur 3: TrackPlotters fl¨odesschema f¨or att skapa, initiera och plotta Tracks. I detta fall hur fordonssl¨ap f¨oljder denna process.

TrackPlotter inleder med att skapa objekt kallade Tracks. Tracks anv¨ands f¨or att beskriva mycket av det som visas i verktyget. Dessa Tracks kan exempelvis vara radardetektioner p˚a m¨otande bilar, skyltar eller fordonssl¨ap. De Tracks som ska skapas definieras i funktionen createTracks som i sin tur anropar ¨ovriga funktioner ansvariga f¨or att konstruera Tracks. M˚anga Tracks skapas med hj¨alp av radarsignaler. Dessa signaler inneh˚aller diverse l¨anguppskattningar givet en viss tid i k¨orloggen.

8 k T eori och bakgrund

av initieringsfunktionens uppgift ¨ar att ˚atg¨arda detta. I verktyget och d¨armed i MATLAB beskrivs radarsignalerna med hj¨alp av datastrukturen struct. Dessa structs kan inneh˚alla m˚anga olika f¨alt men i fallet med radarsignaler inneh˚aller de f¨altena status, value och time. Structs i objektet som inneh˚aller dessa tre f¨alt, som initieringsfunktionen ¨amnar att skapa objektet med, samplas om enligt gi-ven tidsvektor. Detta s˚a att Structs i objektet ska inneh˚alla ett m¨atv¨arde som korresponderar mot en tillh¨orande tid i k¨orloggen.

Efter att alla Tracks har skapats och initierats g˚ar verktyget in i sin huvud-loop som med given tid uppdaterar och plottar om alla Tracks som ska visas. Varje Track har en specifik plotfunktion som hanterar hur objektet ska plottas. I fallet med fordonssl¨ap anropas funktionen plotTrailer. Det ¨ar i dessa plotfunk-tioner som m¨ojlighet finns att kontrollera vad eventuella radarsignaler givet en viss tid i k¨orloggen inneh˚aller. Om ett objekt som best˚ar av radarsignaler plot-tas kan det i detta tillf¨alle ¨andra storlek om en signal som bygger upp objektet ¨

andrats. Efter detta hanterats kommer plotfunktionen baserat p˚a fordonshas-tigheten och girning vid aktuell tid i k¨orloggen plotta objektet p˚a r¨att plats. I fallet med sl¨ap kommer ocks˚a vinkeln mellan fordon och sl¨ap tas i ˚atanke. Denna vinkel kallas kink angle och kan ˚ask˚adligg¨oras i figur 4.

Figur 4: Vinkeln mellan dragbil och semitrailer, kink angle ¨ar betecknad med theta och d ¨ar l¨angden p˚a semitrailern

Det b¨or anm¨arkas att ett objekt enbart plottas upp om det v¨aljs i in-st¨allningsmenyn objectSelection. Denna meny innefattar alla objekt som f¨or tillf¨allet plottas i TrackPlotter och som har en s˚a kallad tag (etikett).

9 k T eori och bakgrund

Figur 5: Punkterna som givet x- och y-data plottar en figur av en semitrailer. Denna figur kommer sedan plottas av funktionen plotTrailer.

Dessa figurer kan sedan roteras och placeras p˚a korrekt plats enligt k¨orningens information av hastighet, girning och vinklar. Det ¨ar detta som sker i plotTrailer funktionen som tidigare beskrivet.

2.4

Liknande verktyg f¨

or simulering av k¨

orlogg

Till f¨orstudien av detta arbete inkluderades en unders¨okning om andra alterna-tiv till TrackPlotter fanns tillg¨angliga och hur dessa kan j¨amf¨oras. Ett alternativ ¨

ar utvecklat av MathWorks och heter Bird’s-Eye Scope. Det h¨R ar verktyget

utvecklas f¨or att integreras med Simulink f¨R or att visualisera sensordata f¨or

10 k T eori och bakgrund

Figur 6: Simulering av k¨orf¨orlopp d¨ar fordon, v¨ag, hinder och bilar plottas enligt sensordata i verktyget Bird’s-Eye Scope [7].

11 k M etod och genomf ¨orande

3

Metod och genomf¨

orande

3.1

Simuleringsf¨

orloppet i TrackPlotter

Eftersom TrackPlotter till stor del redan var utvecklat och innefattade mycket kod och funktioner beh¨ovdes en bild av hur simuleringsf¨orloppet skapas. Meto-den blev s˚aledes att f¨olja verktygets exekveringsf¨orlopp och skapa en f¨orst˚aelse kring dess uppbyggnad. Detta gjordes genom MATLAB’s debugger som med hj¨alp av breakpoints kunde stoppa exekveringsprocessen f¨or enklare granskning ¨

over hur koden fungerade. Eftersom verktyget innefattade flera funktioner la-des fokuset p˚a det som var relevant till detta examensarbete, det vill s¨aga hur verktyget skapade Tracks, prim¨art fordonssl¨ap och hur dessa Tracks plottades. Dock granskades koden ¨oversiktligt f¨or att f¨orst˚a vilka delar som var relevanta. Genom detta skapades en tydlig bild p˚a hur verktyget ˚astadkommer detta vilket visades i figur 3.

Funktionen createTrailerObjects ansvarar f¨or skapandet, initierandet och plottningen av sl¨apobjekt och observerades till att alltid anropas i TrackPlotter oavsett k¨orlogg. Enligt m˚alspecifikationen s˚a skulle sl¨apobjektet kunna plottas p˚a tre olika s¨att baserat p˚a inst¨allningar. Inst¨allningarna f¨or detta valdes att innefattas i menyn objectSelection i form av kryssrutor. Som tidigare n¨amnt s˚a kommer enbart objekt som har en tillh¨orande etikett finnas i objectSelection. Detta ordnades genom att anropa funktionen createTrailerObjects flera g˚anger med en in-parameter som skiljde sig f¨or respektive anropen. Denna parameter fick bland annat besluta vilken etikett objektet som skulle skapas skulle ha. F¨or varje anrop s˚a skapades ett ytterligare sl¨apobjekt. Det valdes att anropa funktionen totalt sex g˚anger. Dessa anrop fick inneb¨ara f¨oljande:

• Det f¨orsta anropet best¨amdes till att plotta ut sl¨apobjektet som tidigare gjort i TrackPlotter, det vill s¨aga genom att plotta ett sl¨apobjekt med statisk l¨angd och bredd. Detta anrop fick etiketten Trailer static.

• Det andra anropet fick inneb¨ara plottning av fordonssl¨ap enligt Scani-as valda modell. Det vill s¨aga att l¨angder och vinklar fick utg¨oras enligt ett medelv¨arde av v¨anster respektive h¨oger radarsensors uppskattningar. Samt att enbart ett fordonssl¨ap skulle plottas oavsett om radardata an-tydde att tv˚a fanns. Etiketten i detta fall valdes till Trailer radar estimate. • Det tredje och fj¨arde anropet fick inneb¨ara l¨angd- och vinkeluppskattning-ar enligt den v¨anstra radarn och de tv˚a respektive anropen fick ansvara f¨or att plotta ut trailer ett respektive tv˚a om tillg¨anglig. B˚ada dessa anrop fick dela etiketten Trailer left radar estimate. Det femte och sj¨atte anropet skedde s˚asom det tredje och fj¨arde, dock med uppskattningar taget fr˚an h¨oger radar. Dessa fick etiketten Trailer right radar estimate.

12 k M etod och genomf ¨orande

Sex anrop p˚a funktionen createTrailerObjects gjordes, som tidigare n¨amnt skiljde sig en in-parameter i de respektive anropen. Denna in-parameter fick ¨

aven funktionen att uppfylla diverse villkor, (if-satser) som best¨amde vilka ra-darsignaler som skulle anv¨andas och hur fordonssl¨apet skulle plottas.

3.2

Inf¨

orandet av radarsignaler i funktionen f¨

or sl¨

apobjekt

I createTrailerObjects funktionen beh¨ovdes relevanta radarsignaler inkluderas. De signalerna som fanns tillg¨angliga f¨or funktionen visade sig vara de som etable-rades i funktionen createTracks. F¨or att f¨orst˚a vilka radarsignaler f¨or skapandet av sl¨apobjekt som beh¨ovdes, granskades alla befintliga radarsignaler ansvariga f¨or l¨angduppskattningar f¨or sl¨apet. De signalerna som beh¨ovdes, etablerades till f¨oljande, l¨agg m¨arke till att X antingen kunde ers¨attas med L eller R f¨or att v¨alja ut den v¨anstra eller den h¨ogra radarsensorens uppskattning. Y kunde antingen vara 1 eller 2 som antingen stod f¨or uppskattningar f¨or trailer 1 eller 2: • R X TY LENGTH • R X TY WIDTH • R X TY COR LON • R X TY COR LAT • R X TY COR TO CEN • R X TY ANGLE

En tydligare bild av vad alla signaler inneb¨ar kan ses i figur 7, det b¨or n¨amnas att R X TY COR LAT ej ¨ar visad eftersom den i fallet med enbart en trailer ¨

13 k M etod och genomf ¨orande

Figur 7: Hur radaruppskattningar anv¨andes f¨or att modellera upp ett sl¨ap. Som tidigare beskrivet ¨onskades att sl¨apobjekt skulle kunna plottas ut p˚a olika s¨att baserat p˚a tre inst¨allningar. Det var d¨armed viktigt att veta vilka radarsignaler som skulle anv¨andas och hur i de respektive fallen. I fallet med Scanias valda modell f¨or plottning av sl¨apobjekt s˚a uppskattades l¨angden av ett sl¨apobjekt enligt ett medelv¨arde av vad h¨oger och v¨anster radar uppskattat. Dessutom adderades v¨ardena f¨or Trailer 1 och 2. Denna utr¨akning kan granskas nedan.

TRAILER LENGTH = ((R L T1 LENGTH+R L T2 LENGTH)+(R R T1 LENGTH+R R T2 LENGTH))/2

P˚a samma s¨att best¨amdes bredden. De ¨ovriga signalerna i figur 7 ber¨ akna-des p˚a samma s¨att med undantaget att trailer 2 variablerna borts˚ags fr˚an i fallet med inst¨allningen med etiketten Trailer radar estimate eftersom bara en trailer skulle plottas i det fallet.

3.2.1 Lastbilssl¨ap i TrackPlotter

14 k M etod och genomf ¨orande

3.3

Plottning av fordonssl¨

ap enligt radarsignaler

Till arbetet var det viktigt att inf¨ora inst¨allningar och plottningar som ¨amnade att visualisera exakt det som radarsensorerna uppfattade. Detta innebar att plotta, om radarn uppfattade det, tv˚a fordonssl¨ap ¨aven om det kanske inte fanns det. Ut¨over detta ¨onskades m¨ojlighet att plotta den v¨anstra och ¨aven den h¨ogra radarsensorns uppskattning av sl¨apet separat fr˚an varandra. F¨or att plotta ut sl¨apet enligt dessa direktiv best¨amdes det vilka radarsignaler som var relevanta i detta fall och hur de skulle nyttjas f¨or att skapa en 2D modell av sl¨apet. Figur 8 visar hur och vilka signaler som anv¨andes f¨or detta.

Figur 8: Hur ett trailerobjekts radarsignaler anv¨andes f¨or att plotta fordons-sl¨apet.

3.4

Plottning givet variabeln tid

15 k M etod och genomf ¨orande

funktion fick uppdraget att uppdatera variablerna som bygger upp sl¨apet givet radarsignaler f¨or den specifika tidpunkten. Efter detta fick verktyget ˚aterg˚a till plotTrailer som med de uppdaterade variablerna ¨andrade storleken av sl¨apet och positionerade ut sl¨apet med r¨att vinkel enligt signalen R X TY ANGLE och p˚a r¨att plats givet hastigheten och girningen fordonet hade.

3.5

Tester av visualiseringstill¨

agg

17 k Resultat

4

Resultat

Sidodetektionsystemen i fordonet utg˚ar ifr˚an sensordata och det var viktigt att g¨ora 2D plotten s˚a representativ mot radardata som m¨ojligt. Ofta i k¨orloggen hade radarsensorn p˚a v¨anster respektive h¨oger sida fordonet uppskattat olika v¨arden. Det var d¨arf¨or viktigt att ta det i ˚atanke vid plotten av semitrailern eller sl¨apet. Det var ocks˚a viktigt att visualiseringen utifr˚an radardata speglade det aktuella v¨ardet av radardata i de respektive tidsstegen k¨orloggen hade.

4.1

Inst¨

allningar f¨

or fordonssl¨

apets plottning

I menyn Object Selection lades tre inst¨allningar till, dessa inst¨allningar l¨at avg¨ora vilket sl¨apobjekt som skulle plottas och p˚a vilket s¨att. Inst¨allningarna kan granskas i figur 9.

Figur 9: Plotinst¨allningar

Genom att markera eller av-markera de respektive kryssrutorna s˚a plottades respektive tolkning av fordonssl¨apet. Dessa olika tolkningar av sl¨apet kunde plottas samtidigt som varandra eller separat som ¨onskat. Detta m¨ojliggjorde att de till¨agg i TrackPlotter som inf¨ordes blev ¨overensst¨ammande mot verktygets befintliga grafiska gr¨anssnitt.

4.2

Plottningen av semitrailer enligt radarsignaler

18 k Resultat

Figur 10: Semitrailer plottad med diverse plotinst¨allningar

Till v¨anster i figur 10 visas plotten av semitrailern enligt alla tillg¨angliga plo-tinst¨allningar samtidigt. Till h¨oger om detta visas semitrailern som ursprunget plottat i verktyget, detta ¨ar den gula semitrailern i figur 10. Denna semitrai-ler var alltid 16 meter oavsett vilken k¨orlogg med dragbil och semitrailer som simulerades, denna semitrailer ben¨amndes d¨armed som statisk. Ett ytterligare steg till h¨oger i figur 10 visas den gr¨ona semitrailern, denna var uppskattningen enligt Scanias valda modell. Denna modell innefattade att plotta semitrailern utifr˚an ett medelv¨arde av vad den v¨anstra respektive den h¨ogra radarsensorn hade uppskattat. Samt adderades l¨angduppskattningarna av semitrailer ett re-spektive tv˚a ihop f¨or att enbart plotta en semitrailer. Den r¨oda plotten av se-mitrailern motsvarar explicit uppskattningar taget fr˚an h¨oger radar. Till denna inst¨allning skulle tv˚a semitrailrar om det uppskattades plottas, detta tydligg¨ors dock inte av figur 10 d˚a radardata i denna tidpunkt i k¨orloggen ej visade p˚a att tv˚a semitrailrar fanns.

un-19 k Resultat

derl¨atta f¨or att avg¨ora vilka radardetektioner som var korrekta och uppfyller d¨armed m˚alspecifikationen.

I ett annat ¨ogonblick i samma k¨orlogg s˚a uppskattade h¨oger respektive v¨anster radar olika som visat i figur 11.

Figur 11: De r¨oda Semitrailrarna ¨ar plottade enligt v¨anster radar medan den orangea visar uppskattningar fr˚an h¨oger radar

I detta ¨ogonblick i k¨orloggen s˚a uppskattar de tv˚a radarsensorerna olika och d¨armed plottas i fallet med v¨anster radar uppskattning, tv˚a semitrailrar upp. Detta j¨amf¨ordes med radarsignalerna och det visades st¨amma och ¨onskat resultat hade d¨armed uppn˚atts.

4.3

Implementationen av visualisering f¨

or lastbilssl¨

ap

Genom att ¨andra villkoret i funktionen createTrailerObjects som hindrade sl¨ ap-objekt att bli plottade i simuleringar av k¨orlogg med lastbil, s˚a kunde som ¨

20 k Resultat

Figur 12: Lastbilssl¨ap plottad med diverse plotinst¨allningar

Figur 12 f¨oljer samma m¨onster som figur 10. Som synes ¨ar uppskattningarna av lastbilssl¨apet med de olika inst¨allningar som lades till markanta. I den gr¨ona, r¨oda och orangea plotten av sl¨apet kan sl¨appositionerna tyckas se konstiga ut genom att de sk¨ar in i fordonet eller i det andra sl¨apet. Detta plottas dock p˚a detta vis d˚a radarsenorerna uppskattade sl¨apet p˚a detta s¨att. Dessa till¨agg i TrackPlotter erbjuder Scania att kunna granska ADAS i simulering av k¨orloggar med lastbilar och med samma inst¨allningar som f¨or k¨orloggar med dragbilar.

4.4

Gjorda uppdateringar

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.

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 ¨

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.

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.

TRITA CBH-GRU-2020:069