Un equipo de la Universidad Rice en Estados Unidos lanzó recientemente un nuevo sistema de radar en la carretera llamado EyeDAR, que se espera proporcione a los vehículos autónomos capacidades de detección ampliadas similares a un "tercer ojo". Los investigadores dijeron que esta tecnología puede mejorar significativamente la precisión de la percepción ambiental y la redundancia de seguridad de los vehículos autónomos al transmitir información clave del tráfico al sistema montado en el vehículo a través de dispositivos de radar de ondas milimétricas desplegados en la infraestructura vial.
La conducción autónoma existente se basa principalmente en cámaras a bordo, lidar (LiDAR) y radar tradicional para trabajar juntos: la cámara es responsable de identificar peatones, vehículos y señales de tráfico, y LiDAR utiliza pulsos láser para construir una nube de puntos tridimensionales de alta precisión para compensar las deficiencias de la visión y el radar en la percepción de profundidad espacial. Sin embargo, ambos son susceptibles a condiciones climáticas adversas como lluvia, nieve, neblina, etc. El radar logra una detección de objetivos que no depende de la luz ni del clima mediante la transmisión y recepción de ondas de radio. Sin embargo, en el entorno vial real, los objetos detectados a menudo solo reflejan una pequeña cantidad de señales y una gran cantidad de ondas de radar se dispersan, lo que da como resultado que el radar del vehículo reciba información incompleta, lo que dificulta la identificación precisa de riesgos potenciales, como peatones y vehículos bloqueados o parcialmente bloqueados, de manera oportuna.
A medida que los camiones autónomos, los robots de reparto, etc. avanzan gradualmente hacia la comercialización, la limitación de los sensores al "no poder ver con claridad o de lejos" en condiciones complejas de la carretera se considera cada vez más como una deficiencia de seguridad. El equipo de la Universidad Rice está intentando extender el sistema de percepción desde los vehículos hasta la infraestructura de las carreteras, utilizando EyeDAR para llenar los puntos ciegos y las lagunas de información. Este dispositivo adopta un diseño de radar de ondas milimétricas de baja potencia y puede instalarse en instalaciones al borde de la carretera, como semáforos, señales de tráfico y vallas publicitarias. "Recoge" las ondas reflejadas originalmente dispersas en el entorno, las transforma en una descripción más completa de los participantes del tráfico circundante y las transmite al sistema de radar a bordo del vehículo.
El núcleo de EyeDAR es una unidad de detección del tamaño de una naranja, compuesta por dos partes similares a una "lente" y una "retina": la parte frontal es una lente de metamaterial de Luneburg fabricada con tecnología de impresión 3D, que se utiliza para enfocar con precisión señales de radio desde diferentes direcciones hasta un enfoque fijo; seguido de una fila de conjuntos de antenas estrechamente dispuestas, responsables de recibir y analizar la información espacial de estas señales enfocadas y luego enviarla al sistema de radar del automóvil. A diferencia de las soluciones de radar tradicionales que requieren conjuntos de antenas a gran escala y cálculos digitales complejos para completar la formación del haz y el procesamiento de señales, EyeDAR se basa en la estructura física de la propia lente para completar una gran cantidad de trabajo de "preprocesamiento", simplificando enormemente la carga sobre el hardware y los algoritmos electrónicos.
Según el equipo de investigación, esta lente está compuesta por más de 8.000 unidades diminutas con diferentes formas e índices de refracción. La posición y los parámetros de cada unidad están cuidadosamente diseñados para que todo el material pueda doblarse y enfocarse de una manera específica cuando pasan ondas electromagnéticas. Es esencialmente un procesador de señales analógicas "hardware-hardware". A través de esta estructura metamaterial, EyeDAR puede completar "instantáneamente" el cálculo previo de la información espacial durante el proceso de transmisión a la velocidad de la luz, eliminando la necesidad de una gran cantidad de procesamiento digital que requiere mucho tiempo y energía en el radar tradicional. Los resultados experimentales muestran que el sistema puede resolver las direcciones de los objetivos más de 200 veces más rápido que el radar tradicional, lo que se considera un salto significativo en el rendimiento del procesamiento analógico en comparación con el procesamiento digital.
A diferencia de los radares de carretera convencionales o los equipos de transmisión activa, EyeDAR por sí solo no genera nuevas ondas electromagnéticas. En cambio, se centra en recoger los ecos "residuales" dispersos después de que el vehículo detecta el objetivo, luego los filtra y los reconstruye, y refleja la señal "limpiada" de vuelta al radar montado en el vehículo. Los investigadores creen que se espera que este diseño, que es compacto, de bajo costo, tiene una arquitectura simple y se basa en un procesamiento de simulación ultrarrápido, admita el tendido a gran escala a lo largo de vías y autopistas urbanas, formando así una red de infraestructura que sirva a la "visión lejana" y la "perspectiva" de los vehículos autónomos.
Sin embargo, el experto en fabricación Emeka Moronu se muestra cauteloso sobre si el plan realmente podrá implementarse. Señaló que, si bien los modelos teóricos y los datos experimentales son interesantes, es una tarea de ingeniería muy desafiante replicar miles de unidades microestructurales de manera estable durante mucho tiempo en la producción real y garantizar que mantengan la precisión geométrica y el rendimiento en ambientes exteriores extremos, como exposición a altas temperaturas y frío y congelación severos. Esto también puede convertirse en uno de los umbrales más importantes para que EyeDAR salga del laboratorio y avance hacia un despliegue a gran escala.
A pesar de la incertidumbre que rodea las perspectivas, el equipo de la Universidad Rice cree que EyeDAR demuestra el potencial del radar metamaterial en la carretera para la seguridad de la conducción autónoma. Una vez desplegados a gran escala, los vehículos pueden confiar en estos "ojos de la carretera" para obtener información sobre el estado de la carretera más allá del rango de detección de sus propios sensores, y detectar tempranamente a los participantes del tráfico en las esquinas y a los peatones o vehículos oscurecidos por grandes obstrucciones, mejorando así la redundancia de seguridad del sistema de transporte general. Los investigadores también predicen que esta tecnología también se puede ampliar a escenarios de aplicación como drones, robots y monitoreo de seguridad en el futuro, proporcionando un soporte de percepción ambiental más confiable para una variedad de sistemas autónomos.