Proyecto arTIco: Conectando la IA con la seguridad vehicular

Misión e innovación: Transformando la validación de modelos virtuales

El proyecto tiene como objetivo desarrollar un enfoque de aprendizaje automático basado en conocimiento experto para mejorar la evaluación de modelos virtuales, centrándose en escenarios de pruebas de choque. El ejemplo de aplicación de los maniquíes de prueba de choque (crash test dummies) para la seguridad pasiva del vehículo debe demostrar el rendimiento de la metodología. El método de correlación actual (ISO 18571) se utiliza como referencia, mientras que los nuevos enfoques pretenden mejorar los establecidos con conocimiento experto, haciéndolos más avanzados y, en el futuro, ser una alternativa a los procedimientos actuales de certificación y validación.

Objetivos estratégicos: Avanzando en la tecnología de gemelos digitales

• Desarrollar un método para conservar el conocimiento experto subjetivo en la evaluación de modelos virtuales, centrándose particularmente en el modelo de maniquí WorldSID 50M utilizado en simulaciones de choque.
• Crear un enfoque que aporte valor a los métodos objetivos actuales, como la ISO 18571, para evaluar la correlación entre modelos virtuales y pruebas físicas.
• Establecer un sistema de evaluación de correlación basado en el comportamiento general de los modelos virtuales, yendo más allá de simples comprobaciones de corredores o comparaciones métricas aisladas.
• Diseñar un catálogo de calificación y criterios que capture la experiencia matizada de los evaluadores humanos en la evaluación de resultados de simulación.
• Implementar técnicas de aprendizaje automático para automatizar y replicar la evaluación experta del rendimiento del modelo virtual.

Resultados del proyecto: El poder de la IA híbrida

El proyecto arTIco ha generado resultados sustanciales y prometedores en su búsqueda por mejorar la evaluación de modelos virtuales para simulaciones de pruebas de choque. En el núcleo de los logros del proyecto se encuentra el desarrollo de un algoritmo de Red Neuronal Híbrida. Este modelo de aprendizaje supervisado combina bloques convolucionales para la extracción automática de características junto con características diseñadas. El algoritmo procesa datos complejos de simulación junto con características clave adicionales para predecir calificaciones expertas con buena precisión.

Para entrenar este modelo avanzado, el equipo generó una base de datos completa de 1000 variantes de simulación de pruebas de choque (muestras), cada una calificada por tres expertos. Este conjunto de datos etiquetado formó la base para entrenar y validar el modelo de aprendizaje automático. Complementando este enfoque basado en datos, el proyecto estableció un sistema de calificación matizado de cuatro niveles: Bueno, Aceptable, Marginal y Deficiente, respaldado por criterios de evaluación detallados para varios aspectos del modelo de maniquí WorldSID 50M, incluyendo sensores individuales y rendimiento general. Ver figura 1.

Figura 1: Ilustración demostrativa de la metodología

El proyecto ha innovado además con la creación de la métrica arTIco, una métrica de evaluación personalizada que va de -1 a +1, diseñada para proporcionar una evaluación cualitativa del rendimiento del modelo. El modelo final demostró buenos resultados, alcanzando una puntuación de 0,9 (±2%) en datos de validación y 0,8 (±2,5%) en datos de prueba. En comparación con los métodos existentes, el enfoque arTIco demostró su capacidad para identificar matices sutiles en el rendimiento del modelo que podrían pasarse por alto con las comprobaciones tradicionales de corredores o las puntuaciones ISO 18571. Un caso de estudio ilustró esta capacidad: la IA de arTIco predijo una calificación “Marginal” para un modelo que no superó la verificación del corredor, pero que paradójicamente obtuvo una puntuación alta en la escala ISO.

A través de este proceso, el proyecto ha proporcionado información valiosa sobre las complejidades de conservar el conocimiento experto, destacando desafíos como la gestión de calificaciones inconsistentes y la importancia de considerar múltiples señales y sus interrelaciones. De cara al futuro, el equipo ha identificado posibles mejoras al sistema, incluyendo la incorporación de información cinemática, mejor explicabilidad a través de técnicas como los valores Shapley, y la extensión del método a otros tipos de maniquíes y casos de carga más complejos.

En esencia, el proyecto arTIco ha desarrollado con éxito un método de evaluación novedoso, más matizado y completo para simulaciones de pruebas de choque.

Escrito por:

Felix Stocker, AI Data Scientist department CAE, IDIADA Fahrzeugtechnik GmbH

Patrick Fischer, Leader Simulation & Innovation, IDIADA Fahrzeugtechnik GmbH