Percepción de extremo a extremo: ¿Cómo podemos hacer que las correcciones de mantenimiento de carril en vehículos de gran tamaño sean más precisas?

01
Descripción general del sistema y antecedentes técnicos

En entornos portuarios, de patios de almacenamiento y de logística en sitios industriales, los vehículos de gran tamaño suelen recorrer largas distancias por carriles fijos. Si un vehículo se desvía lateralmente, ello puede provocar un desgaste anormal de los neumáticos, trayectorias que ocupan varios carriles, riesgos de colisión y una menor eficiencia operativa. La corrección manual tradicional depende de la experiencia del conductor, lo que conlleva acciones de control tardías e inconsistentes. Cuando los vehículos circulan con cargas elevadas, a bajas velocidades, realizando frecuentes arranques y paradas, o trabajando durante la noche, la desviación lateral se acumula de manera más evidente. Por ello, el sistema debe detectar de forma continua la posición del vehículo respecto a la calzada o al carril de trabajo con una precisión del orden de centímetros y retroalimentar esta desviación de manera estable al sistema de control.

Por lo tanto, el núcleo de un sistema de control de corrección de desviación no consiste únicamente en “saber dónde se encuentra el vehículo”, sino, en condiciones operativas complejas, en estimar de manera fiable la desviación lateral del vehículo, el error de rumbo y los cambios de tendencia con respecto a la trayectoria objetivo, y en traducir esta información en órdenes de corrección prácticas, suaves y de bajo desgaste.

Evolución del mapa de ruta tecnológica:

1.1 De “Asistencia Dura” a “Fusión Suave de IA Visual + GNSS”

Los esquemas de corrección temprana se basaban en mayor medida en la corrección mediante GNSS. El GNSS ofrece las ventajas de un despliegue relativamente sencillo y de resultados de coordenadas intuitivos, lo que lo hace adecuado para el posicionamiento global y la planificación de rutas en áreas abiertas. Sin embargo, en la práctica ingenieril, las grúas pórtico suelen operar cerca de grúas puente, edificios fabriles, estibas, contenedores y estructuras metálicas, donde las señales satelitales se ven fácilmente afectadas por obstrucciones, reflejos multipath y derivas transitorias. En escenarios que implican el movimiento de vehículos de gran tamaño, depender únicamente del GNSS dificulta mantener una estabilidad a largo plazo.

Para mejorar la precisión local, la industria también ha recurrido a soluciones de asistencia rígida, como líneas de contacto deslizantes, marcadores magnéticos y cables subterráneos. Estos enfoques pueden proporcionar una referencia estable en áreas específicas, pero conllevan elevados costos de instalación, plazos de construcción prolongados y un mantenimiento continuo susceptible al desgaste del terreno, a los asentamientos y a los cambios en el trazado provocados por renovaciones. Para patios de almacenamiento y zonas portuarias que exigen un despliegue rápido, modificaciones mínimas y replicabilidad, estas soluciones carecen de la flexibilidad ingenieril suficiente.

El valor de la corrección visual radica en utilizar el entorno inmediato del vehículo como referencia directa para el control. Las cámaras pueden detectar características locales, como las líneas de carril, los límites del terreno y la señalización de las zonas de trabajo. , que puede compensar las limitaciones del GNSS en entornos con bloqueo de señales y deriva.

1.2  HIRI El núcleo y las ventajas del sistema de control de corrección de dirección para vehículos pesados

Se trata de un sistema automático de corrección de desviación de alta precisión para vehículos de gran tamaño, diseñado para aplicaciones portuarias, patios de almacenamiento y transporte industrial. Centrado en la percepción visual basada en inteligencia artificial, el sistema integra datos de posicionamiento por GNSS, información sobre el estado de movimiento del vehículo y algoritmos de control inteligente, con el fin de detectar de manera dinámica la relación espacial entre el vehículo y su trayectoria objetivo. Generar de manera continua parámetros clave de control, como la desviación lateral y la desviación de rumbo. y lograr el re‑seguimiento automático del vehículo a lo largo de la trayectoria predefinida mediante un control en bucle cerrado.

A diferencia de las soluciones tradicionales que dependen de infraestructuras fijas o de un único método de posicionamiento, HIRI FUTURE adopta “Percepción visual + asistencia GNSS + control inteligente” La arquitectura colaborativa integra profundamente la capacidad de percepción del entorno con la capacidad de control del vehículo, Permitir que los vehículos no solo perciban su propia posición, sino también comprendan las relaciones espaciales entre los bordes de la vía, los carriles de circulación y la ruta prevista. , logrando así un control de corrección automática de la desviación más preciso y estable.

Ventajas prácticas de HIRI en los sistemas de control de corrección de desviación:

Reacondicionamiento de bajo costo: Elimina la necesidad de cables de contacto deslizantes y de marcadores magnéticos, basándose principalmente en cámaras, GNSS y una unidad informática a bordo para su implementación. Esto permite un plazo de construcción reducido y una mínima interrupción de las instalaciones existentes.

Alta precisión: El modelo visual genera información sobre las líneas de carril más estable, con una desviación inferior a 3 cm tanto en condiciones de alta como de baja velocidad para vehículos de gran tamaño.

Alta confiabilidad: La redundancia dual entre la visión y el GNSS garantiza que, cuando uno de los sensores experimente una anomalía temporal, el otro pueda ofrecer un soporte fiable, lo que permite la fusión de datos para lograr un rendimiento de control superior.

Control de suavidad: Se realiza un pequeño ajuste del par cada 200 ms para afinar la dirección, lo que resulta en una tensión y una corriente más suaves.

Escenarios integrales: Puede soportar diversos escenarios operativos en el patio de contenedores, como la conducción autónoma y el crucero en canales fijos, y proporciona una base de percepción para la futura ampliación de las funciones de conducción autónoma.

02 Enfoque técnico central: Cómo lograr la corrección visual

2.1 Desafíos del sector: ¿Por qué resulta tan difícil que las soluciones tradicionales alcancen 3 cm?

En el proceso de seguimiento de trayectoria del equipo de transporte automatizado, el desafío central para alcanzar una precisión de corrección del orden de centímetros radica en cómo obtener de manera continua y estable la relación posicional relativa entre el vehículo y la ruta objetivo. Incluso cuando se combina la corrección tradicional basada en GNSS con la técnica RTK, este sistema sigue siendo vulnerable, en entornos industriales complejos, a factores como el bloqueo de señales, las reflexiones multipath, los errores en la instalación de las antenas y las variaciones en la orientación del vehículo, lo que provoca fluctuaciones en los resultados de posicionamiento y dificulta mantener a largo plazo una salida estable y de alta precisión.

La corrección visual aprovecha directamente las marcas viales, las líneas de delimitación y los elementos estructurales a nivel del suelo presentes en el entorno vial situado delante del vehículo para la percepción, estableciendo una relación espacial relativa entre el vehículo y la carretera que permite lograr una capacidad de seguimiento de trayectoria más estable.

Con el avance de las tecnologías de aprendizaje profundo, El modelo visual de HIRI ya ha demostrado potentes capacidades de extracción de características y de comprensión del entorno, lo que le permite detectar con precisión las marcas viales y la información sobre los límites de la calzada en condiciones variadas de iluminación, clima y trasfondos complejos. Incluso cuando se enfrenta a condiciones como marcas viales parcialmente desgastadas, occlusiones por sombras, manchas en el suelo o interferencias reflectantes, el modelo aún puede basarse en sus características semánticas globales aprendidas y, mediante un modelado conjunto de la estructura vial, las características del borde y la dirección de marcha del vehículo, Calcular con precisión la desviación lateral y la desviación de la actitud del vehículo respecto a la trayectoria objetivo. y retroalimentar esta información al sistema de control en tiempo real.

Rendimiento de detección del modelo bajo condiciones ambientales y niveles de iluminación variables.

2.2  Desde la segmentación YOLO hasta la detección con modelos de IA de extremo a extremo

Con el fin de lograr de manera estable [algo] en entornos industriales complejos, Con una precisión de corrección del orden de 3 cm, el sistema debe no solo detectar con exactitud la posición de las líneas de carril, sino también generar de manera continua estimaciones de desplazamiento suaves y estables, sujetas a restricciones geométricas. HIRI ha adoptado la tecnología de “detección de modelos de IA de extremo a extremo” en su pipeline de percepción visual. 。

En las etapas iniciales de la planificación visual, el modelo de segmentación YOLO resulta idóneo para verificar rápidamente la viabilidad. Puede realizar una segmentación a nivel de píxel de las marcas viales, los límites de carril, las señales en el suelo y las áreas transitables, con una velocidad de inferencia elevada y un ecosistema de ingeniería maduro, lo que facilita su despliegue en unidades de cómputo integradas en el vehículo. En comparación con los métodos tradicionales de umbralización y detección de bordes, la segmentación por YOLO permite extraer la estructura vial de manera más directa; sin embargo, exige una visibilidad adecuada de las marcas viales y de los límites del suelo: cuando las marcas son poco claras, están desgastadas o rotas, cubiertas por barro o agua, o ante condiciones como lluvia, niebla, deslumbramiento nocturno, reflejos intensos o occlusiones por sombras, la máscara de segmentación tiende a presentar saltos en los bordes, ausencias locales y segmentaciones erróneas. Aún así, se requieren pasos de procesamiento posteriores —como la transformación de perspectiva, el ajuste de la línea central, la conversión de distancias laterales y el filtrado temporal— para convertir los resultados de la segmentación en valores de desviación utilizables por el controlador.

▲ Desgaste de las marcas viales — resultados de detección YOLO (con ocultación parcial)                  

La detección de modelos extremo a extremo basada en IA de HIRI ha abordado estas limitaciones.

Este modelo ya no genera máscaras de segmentación intermedias; en su lugar, predice directamente la ubicación y la categoría (por ejemplo, líneas de carril, líneas de bordes, marcas de paso de peatones) de las señales viales a partir de la imagen de entrada, junto con sus correspondientes puntajes de confianza. Este diseño ofrece importantes ventajas:

Mayor robustez ambiental:

Durante la fase de entrenamiento, el modelo ha aprendido exhaustivamente a partir de muestras reales de desgaste de las líneas de carril, ocultación parcial, lluvia y niebla, deslumbramiento y agua estancada en la superficie de la carretera. Incluso cuando las marcas viales locales son poco claras, sigue siendo capaz de generar resultados continuos y razonables de las líneas de carril, basándose en las características globales de la estructura vial.

Un flujo de procesamiento más simplificado:

Al eliminar los tradicionales y complejos pasos de post‑procesamiento geométrico, el modelo genera directamente información sobre las líneas de carril con un claro significado geométrico, lo que reduce la acumulación de errores y la latencia del sistema.

Entrada de polarización más estable:

La salida de extremo a extremo presenta una fluctuación temporal mínima en la localización de las líneas de carril y una alta precisión en la clasificación de categorías, lo que proporciona una base de percepción fiable para los módulos posteriores de cálculo geométrico y control.

▲ Desgaste de las marcas viales Rendimiento de detección de IA de extremo a extremo (Completo)

2.3 Desglose técnico: De la “visión sesgada” a la “estabilidad controlada”

El primer paso es la adquisición visual. El sistema aprovecha las cámaras anticolisión ya instaladas en los montantes de la puerta principal del carro, lo que permite reducir los costos de producción al mismo tiempo que captura imágenes de la vía de acceso y de los recorridos de trabajo en el sitio.
El segundo paso es la verificación del modelo de extremo a extremo. El modelo no solo determina si existen líneas o marcas en la imagen, sino que también genera posiciones de las líneas de carril más estables, categorías de las líneas de carril y puntuaciones de confianza, lo que proporciona una base para los cálculos posteriores de desviación. Durante el entrenamiento, el modelo incorpora muestras con diversas condiciones de iluminación, lluvia, niebla, manchas, desgaste, sombras, occlusiones y otros factores, con el fin de mejorar su capacidad de generalización en condiciones reales de operación. El tercer paso es la fusión suave de la visión y el GNSS. . El GNSS proporciona posicionamiento global e identificación de tramos viales, mientras que la visión permite la detección de desviaciones de alta precisión y corto alcance. Estas dos modalidades no se combinan de manera simple; en cambio, se fusionan teniendo en cuenta los niveles de confianza y el estado actual de la escena. Cuando la percepción visual se ve temporalmente obstruida o degradada por condiciones ambientales adversas, el sistema aprovecha el GNSS y los datos históricos de trayectoria para mantener un control continuo. El cuarto paso es el control de lazo cerrado. El controlador calcula la maniobra de dirección correctiva a partir de la desviación lateral, el error de rumbo, la velocidad del vehículo, las condiciones de carga y los datos de tendencia histórica, aplicando al mismo tiempo limitación de ganancia, filtrado y ajustes de micro‑par para evitar oscilaciones laterales. El objetivo del control no es volver bruscamente al vehículo al centro en una sola maniobra; por el contrario, busca guiarlo de manera suave de regreso a la trayectoria deseada, garantizando simultáneamente la seguridad y preservando la durabilidad mecánica.

03
Plan del proyecto: ¿Cómo se implementará el sistema?

3.1 Ruta de implementación de la IA visual

Para materializar el mencionado vínculo perceptivo, el sistema de corrección visual HIRI adopta en la ingeniería el siguiente diseño de tres niveles:

(1) Cámara industrial RGB de doble canal + calibración de marcas viales

El sistema despliega equipos industriales a bordo en los lados izquierdo y derecho del carro. La cámara RGB selecciona para el cálculo la cámara orientada hacia adelante o la orientada hacia atrás, según la dirección de marcha del vehículo. El campo de visión de la cámara se centra en las marcas del carril, los límites de la calzada, la señalización en el pavimento y la posición relativa del vehículo dentro del carril. Esta configuración de doble cámara no solo proporciona señales primarias de corrección en la dirección de avance, sino que también mantiene una referencia trasera, lo que permite detectar cualquier desviación angular en la orientación global del vehículo. Tras la instalación, se realiza una calibración de las líneas del carril para determinar parámetros clave —como los puntos de referencia, la anchura del carril y la escala píxel‑a‑mundo real—, con el fin de convertir las coordenadas espaciales de las marcas del carril en la imagen en desviaciones reales en el sistema de coordenadas local del vehículo.

(2) ROI clave + Detección de carriles de extremo a extremo

El nivel del modelo establece regiones visuales clave alrededor de las líneas de carril, los límites de los canales y las áreas transitables. El modelo de segmentación YOLO genera principalmente máscaras de las líneas de carril, que luego se procesan posteriormente para extraer las líneas centrales; sin embargo, este enfoque depende en gran medida de la claridad de las líneas de carril, las condiciones de iluminación y el clima. En cambio, el modelo extremo a extremo impulsado por IA de HIRI aprende directamente tanto la estructura como la información de categoría de las líneas de carril, lo que le permite ofrecer resultados más continuos incluso en condiciones como marcas desgastadas, ocultación parcial, lluvia o niebla, deslumbramiento y presencia de agua estancada. Esto simplifica el flujo de trabajo visual tradicional de filtrado y fusión de líneas de carril, permitiendo que el modelo genere rápidamente los datos de las líneas de carril. Además, puede clasificar los tipos de líneas de carril para ayudar a identificar zonas especiales, como las áreas de inicio y fin y los tramos de transición, evitando que estos escenarios críticos sean interpretados erróneamente como desviaciones comunes.

(3) Estabilidad de la secuencia a corto plazo + control determinista

El control de corrección de sesgo no se basa en los resultados de un único reconocimiento de fotograma; en cambio, incorpora desviaciones visuales, la dirección del movimiento del vehículo, el estado de la velocidad y umbrales de seguridad en un bucle de control determinista. El sistema activa la deceleración o la protección de detención en función de la magnitud de la desviación calculada y valida los fotogramas anómalos consecutivos, evitando así que un error de reconocimiento de un solo fotograma provoque directamente una parada no deseada. En casos de pérdida de la línea visual o de baja confianza, puede combinarse con… El desplazamiento del GPS genera redundancia para la protección. El valor de corrección final se escribe en el PLC, lo que permite que el vehículo regrese al carril objetivo en pequeños pasos incrementales y, en última instancia, mantenga al vehículo de gran tamaño dentro de una tolerancia de desviación de 3 cm.

3.2 Estrategia de control

El modelo de extremo a extremo mejora la estabilidad de los resultados relativos a las líneas de carril y a la categoría, mientras que el módulo de cálculo geométrico convierte los resultados de las líneas de carril en la desviación lateral. A continuación, el módulo de control genera comandos de corrección basados en la desviación, la velocidad, la dirección de conducción y la disparidad entre las cámaras delantera y trasera. A lo largo de todo el proceso, se mantienen claros límites reglamentarios: las situaciones que permiten una corrección normal, las que exigen reducir la velocidad y las que requieren detenerse se determinan mediante lógica determinista.

En cuanto al desempeño del control, el sistema privilegia “pequeños pasos con ajustes rápidos” y la limitación continua de la ganancia. El controlador actualiza la orden de corrección aproximadamente cada 200 ms, aplicando filtrado y limitación dinámica de la ganancia para suprimir oscilaciones y evitar ajustes bruscos de gran magnitud que podrían provocar balanceo del vehículo o impactos mecánicos. En situaciones como cargas pesadas, maniobras de arranque‑parada a baja velocidad, acercamiento a la posición objetivo, o casos en los que las desviaciones de las cámaras frontal y trasera difieren, el sistema puede perfeccionar aún más la corrección de la actitud mediante la integración de información procedente de ambas cámaras y del estado del vehículo, lo que se traduce en maniobras de corrección más suaves y mejor controladas.