Percepção de ponta a ponta: Como podemos tornar as correções de manutenção de faixa em veículos de grande porte mais precisas?

01
Visão Geral do Sistema e Fundamentação Técnica

Em ambientes portuários, pátios de estocagem e logística em áreas industriais, veículos de grande porte geralmente percorrem longas distâncias por faixas fixas. Se um veículo se desviar lateralmente, isso pode provocar desgaste irregular dos pneus, trajetórias que ocupam a faixa, riscos de colisão e redução da eficiência operacional. A correção manual tradicional depende da experiência do motorista, resultando em ações de controle tardias e inconsistentes. Quando os veículos estão sob carga pesada, operam em baixa velocidade, realizam frequentes paradas e partidas ou trabalham durante a noite, o desvio lateral acumula‑se de forma mais evidente. Por isso, o sistema deve detectar continuamente a posição do veículo em relação à via ou à faixa de trabalho com precisão na ordem de centímetros e fornecer de maneira estável essa informação ao sistema de controle.

Portanto, o núcleo de um sistema de controle de correção de desvios não se resume a “saber onde o veículo está”, mas, em condições operacionais complexas, a estimar de forma confiável o desvio lateral do veículo, o erro de rumo e as variações de tendência em relação à trajetória‑alvo, traduzindo essas informações em comandos de correção eficazes, suaves e de baixo desgaste.

Evolução do Roteiro Tecnológico:

1.1 De “Assistência Difícil” a “Fusão Suave de IA Visual + GNSS”

Os primeiros sistemas de correção baseavam-se principalmente na correção por meio do GNSS. O GNSS apresenta as vantagens de uma implantação relativamente simples e de resultados de coordenadas intuitivos, o que o torna adequado para o posicionamento global e para o planejamento de trajetórias em áreas abertas. No entanto, na prática engenharia, as pontes rolantes frequentemente operam próximas a guindastes de ponte, edifícios fabris, estivas, contêineres e estruturas metálicas, onde os sinais de satélite são facilmente afetados por obstruções, reflexões multipath e deriva transitória. Para cenários que envolvem o deslocamento de veículos de grande porte, depender exclusivamente do GNSS dificulta a manutenção da estabilidade a longo prazo.

Para aprimorar a precisão local, o setor também tem adotado soluções de assistência rígida, como linhas de contato deslizantes, marcadores magnéticos e cabos subterrâneos. Essas abordagens podem fornecer uma referência estável em áreas específicas, mas implicam altos custos de instalação, longos prazos de construção e manutenção contínua, suscetível ao desgaste do solo, à recalagem e a alterações no traçado decorrentes de reformas. Para pátios de estocagem e áreas portuárias que exigem implantação rápida, modificações mínimas e replicabilidade, essas soluções carecem de flexibilidade técnica adequada.

O valor da correção visual reside em utilizar o entorno imediato do veículo como referência direta para a tomada de decisões. Câmeras podem detectar características locais, como marcas de faixa, limites do terreno e sinalização de áreas de trabalho. , que pode compensar as limitações do GNSS em ambientes com bloqueio de sinal e deriva.

1.2  HIRI O núcleo e as vantagens do sistema de controle de correção da direção de veículos pesados

Trata-se de um sistema automático de correção de desvio de alta precisão para veículos de grande porte, projetado para operações portuárias, áreas de estocagem e transporte industrial. Centrado na percepção por IA visual, o sistema integra dados de posicionamento via GNSS, informações sobre o estado de movimento do veículo e algoritmos de controle inteligente, permitindo a detecção dinâmica da relação espacial entre o veículo e sua trajetória-alvo. Gerar continuamente parâmetros de controle essenciais, como o desvio lateral e o desvio de rumo. e realizar o re‑rastreamento automático do veículo em relação à trajetória predefinida por meio de controle em malha fechada.

Ao contrário das soluções tradicionais, que dependem de infraestrutura fixa ou de um único método de posicionamento, a HIRI FUTURE adota “Percepção visual + assistência por GNSS + controle inteligente” A arquitetura colaborativa integra profundamente a capacidade de percepção ambiental com a capacidade de controle do veículo, Permitindo que os veículos não apenas percebam sua própria posição, mas também compreendam as relações espaciais entre os limites da via, as faixas de trânsito e o trajeto planejado. , alcançando assim um controle de correção automática de desvio mais preciso e estável.

Vantagens práticas do HIRI em sistemas de controle de correção de desvio:

Retrofit de Baixo Custo: Isso elimina a necessidade de fios de contato deslizantes e de marcadores magnéticos, baseando-se principalmente em câmeras, GNSS e uma unidade de computação embarcada para a implantação. O resultado é um prazo de construção curto e mínima interrupção das instalações existentes.

Alta precisão: O modelo visual fornece informações mais estáveis sobre as linhas de faixa, com desvio inferior a 3 cm tanto em condições de alta quanto de baixa velocidade para veículos de grande porte.

Alta confiabilidade: A redundância dupla entre a visão e o GNSS garante que, quando um dos sensores apresentar uma anomalia temporária, o outro possa fornecer suporte confiável, permitindo a fusão de dados para proporcionar desempenho de controle superior.

Controle de Suavidade: Um pequeno ajuste de torque é realizado a cada 200 ms para refinar a direção, resultando em tensão e corrente mais suaves.

Cenários abrangentes: Ele pode suportar diversos cenários operacionais no pátio do Stack, como a condução autônoma e o cruzeiro em canais fixos, e fornece uma base de percepção para a futura expansão das funções de condução autônoma.

02 Abordagem Técnica Central: Como Realizar a Correção Visual

2.1 Desafios do setor: Por que é tão difícil para as soluções tradicionais alcançar 3 cm?

No processo de seguimento de trajetória dos equipamentos de transporte automatizados, o principal desafio para alcançar uma precisão de correção na ordem do centímetro reside em como obter, de forma contínua e estável, a relação posicional relativa entre o veículo e a rota‑alvo. Mesmo quando se combina a correção tradicional baseada em GNSS com a técnica RTK, esse sistema continua vulnerável, em ambientes industriais complexos, a fatores como o bloqueio de sinais, as reflexões por multipath, os erros de instalação das antenas e as variações na orientação do veículo, o que provoca flutuações nos resultados de posicionamento e dificulta a manutenção de uma saída estável e de alta precisão a longo prazo.

A correção visual aproveita diretamente as marcações de faixa, as linhas de delimitação e as características estruturais ao nível do solo no ambiente viário à frente do veículo para fins de percepção, estabelecendo uma relação espacial relativa entre o veículo e a via, de modo a alcançar uma capacidade de seguimento de trajetória mais estável.

Com o avanço das tecnologias de aprendizado profundo, O modelo visual da HIRI já demonstrou poderosas capacidades de extração de características e de compreensão do ambiente, permitindo‑lhe detectar com precisão as marcações das faixas de rodagem e as informações sobre os limites da via em condições variadas de iluminação, clima e fundos complexos. Mesmo quando confrontado com condições como marcas de faixa parcialmente desgastadas, ocultações por sombras, manchas no solo ou interferências reflexivas, o modelo ainda pode contar com as suas características semânticas globais aprendidas e, por meio da modelagem conjunta da estrutura da via, das características dos limites e da direção de deslocamento do veículo, Calcular com precisão o desvio lateral e o desvio de atitude do veículo em relação à trajetória alvo. e retroalimentar essas informações ao sistema de controle em tempo real.

Desempenho de detecção do modelo sob diferentes condições ambientais e níveis de iluminação.

2.2  Da segmentação YOLO à detecção de modelos AI de ponta a ponta

A fim de alcançar de forma estável [algo] em ambientes industriais complexos, Com uma precisão de correção na ordem de 3 cm, o sistema deve não apenas detectar com exatidão as posições das faixas de rodagem, mas também fornecer continuamente estimativas de deslocamento suaves e estáveis, geometricamente restritas. A HIRI adotou a tecnologia de “detecção de modelos AI de ponta a ponta” em seu pipeline de percepção visual. 。

Nas fases iniciais do planejamento visual, o modelo de segmentação YOLO é adequado para verificar rapidamente a viabilidade. Ele consegue realizar a segmentação em nível de pixel das faixas de sinalização, dos limites dos canais, dos sinais no solo e das áreas transitáveis, apresentando alta velocidade de inferência e um ecossistema de engenharia maduro, o que facilita sua implantação em unidades de computação embarcadas. Em comparação com técnicas tradicionais de limiarização e detecção de bordas, a segmentação por YOLO extrai a estrutura da via de forma mais direta; entretanto, ela exige condições de visibilidade elevadas para as faixas e os limites no solo: quando as faixas estão pouco nítidas, desgastadas ou interrompidas, cobertas por lama ou água, ou ainda em situações de chuva, neblina, reflexos noturnos, reflexões intensas ou ocultações por sombras, a máscara de segmentação tende a apresentar saltos nas bordas, lacunas locais e segmentações falsas. Etapas de processamento posteriores, como transformação perspectiva, ajuste da linha central, conversão da distância lateral e filtragem temporal, ainda são necessárias para converter os resultados da segmentação em valores de desvio utilizáveis pelo controlador.

▲ Desgaste da sinalização de faixa — resultados da detecção YOLO (com oclusão parcial)                  

A detecção de modelos de ponta a ponta baseada em IA da HIRI abordou essas limitações.

Este modelo já não gera máscaras de segmentação intermediárias; em vez disso, prevê diretamente a localização e a categoria (por exemplo, linhas de faixa, linhas de borda, marcações de passagem de pedestres) das sinalizações viárias a partir da imagem de entrada, juntamente com as respectivas pontuações de confiança. Esse design oferece vantagens significativas:

Maior robustez ambiental:

Durante a fase de treinamento, o modelo aprendeu de forma abrangente com amostras do mundo real de desgaste das faixas de sinalização, oclusão parcial, chuva e neblina, reflexos e água acumulada na superfície da via. Mesmo quando as marcações locais das faixas estão pouco nítidas, ele ainda consegue gerar resultados contínuos e coerentes para as linhas de pista, com base nas características globais da estrutura viária.

Um pipeline de processamento mais simplificado:

Ao eliminar as etapas tradicionais e complexas de pós‑processamento geométrico, o modelo passa a gerar diretamente informações sobre as linhas de faixa com clareza geométrica, reduzindo assim a acumulação de erros e a latência do sistema.

Entrada de polarização mais estável:

A saída de ponta a ponta apresenta jitter temporal mínimo na localização das linhas de pista e alta precisão na classificação de categorias, fornecendo uma base de percepção confiável para os módulos subsequentes de computação geométrica e controle.

▲ Desgaste das marcações viárias Desempenho de Detecção de IA de Ponta a Ponta (Completo)

2.3 Detalhamento Técnico: De “Ver o Viés” a “Controlar a Estabilidade”

O primeiro passo é a aquisição visual. O sistema aproveita as câmeras anticolisão já instaladas nas pernas das portas do carro‑principal, reduzindo assim os custos de produção e capturando imagens da via no local e dos acessos de trabalho.
A segunda etapa é a verificação de modelo de ponta a ponta. O modelo não apenas determina se há linhas ou marcas na imagem, como também fornece posições de linha de pista mais estáveis, categorias de linha de pista e pontuações de confiança, estabelecendo uma base para os cálculos subsequentes de desvio. Durante o treinamento, o modelo incorpora amostras com diferentes condições de iluminação, chuva, neblina, manchas, desgaste, sombras, ocultações e outros fatores, a fim de aprimorar sua capacidade de generalização em condições reais de operação. O terceiro passo é a fusão suave entre a visão e o GNSS. . O GNSS fornece posicionamento global e identificação de trechos de via, enquanto a visão permite a detecção de desvios de alta precisão em curto alcance. Essas duas modalidades não são simplesmente combinadas; ao contrário, são fundidas com base nos níveis de confiança e no estado atual da cena. Quando a percepção visual é temporariamente obstruída ou degradada por condições ambientais adversas, o sistema aproveita o GNSS e os dados históricos de trajetória para manter o controle contínuo. O quarto passo é o controle em malha fechada. O controlador calcula a entrada de direção corretiva com base no desvio lateral, no erro de rumo, na velocidade do veículo, nas condições de carga e nos dados de tendência histórica, recorrendo, ao mesmo tempo, a limitação de ganho, filtragem e ajustes de microtorque para prevenir oscilações laterais. O objetivo do controle não é redirecionar o veículo abruptamente para o centro em uma única manobra; ao contrário, busca conduzir o veículo de forma suave de volta à trajetória desejada, garantindo simultaneamente a segurança e preservando a durabilidade mecânica.

03
Plano do Projeto: Como o sistema será implementado?

3.1 Rota de Implementação da IA Visual

Para concretizar a referida ligação perceptiva, o sistema de correção visual HIRI adota, em nível de engenharia, o seguinte projeto em três camadas:

(1) Câmera RGB industrial de canal duplo + calibração de marcações de faixa

O sistema instala equipamentos industriais a bordo nos lados esquerdo e direito do carrinho. A câmera RGB seleciona, para os cálculos, a câmera voltada para a frente ou para trás, conforme a direção de deslocamento do veículo. O campo de visão da câmera está focado nas marcações das faixas, nos limites da via, na sinalização no pavimento e na posição relativa do veículo dentro da faixa. Essa configuração com duas câmeras não apenas fornece pistas primárias de correção na direção frontal, como também preserva uma referência de visão traseira, permitindo detectar eventuais desvios angulares na orientação geral do veículo. Após a instalação, a calibração das linhas de faixa é utilizada para determinar parâmetros essenciais — como pontos de referência, largura da faixa e escala entre pixels e o mundo real —, a fim de converter as coordenadas espaciais das marcações das faixas na imagem em desvios efetivos no sistema de coordenadas local do veículo.

(2) ROI-chave + Detecção de faixas de ponta a ponta

A camada de modelo estabelece regiões visuais-chave ao redor das linhas de pista, dos limites dos canais e das áreas transitáveis. O modelo de segmentação YOLO produz principalmente máscaras das linhas de faixa, que são posteriormente processadas para extrair as linhas centrais; no entanto, essa abordagem depende amplamente da clareza das linhas, das condições de iluminação e do tempo. Em contraste, o modelo ponta a ponta baseado em IA da HIRI aprende diretamente tanto a estrutura quanto as informações de categoria das linhas de faixa, permitindo-lhe fornecer resultados mais contínuos mesmo em condições como sinalização desgastada, oclusão parcial, chuva ou neblina, reflexos intensos e presença de água acumulada. Isso simplifica o pipeline visual tradicional de filtragem e fusão das linhas de faixa, possibilitando que o modelo gere rapidamente os dados das linhas. Além disso, ele pode classificar os tipos de linhas de faixa, ajudando a identificar áreas especiais, como zonas de início/fim e trechos de transição, evitando que esses cenários críticos sejam erroneamente interpretados como desvios comuns.

(3) Estabilidade de sequência de curto prazo + controle determinístico

O controle de correção de viés não depende dos resultados de um único quadro reconhecido; ao contrário, incorpora desvios visuais, a direção do movimento do veículo, o estado de velocidade e limites de segurança em um laço de controle determinístico. O sistema aciona a desaceleração ou a proteção contra parada com base na magnitude do desvio calculado e valida quadros anormais consecutivos, evitando assim que um erro de reconhecimento em um único quadro cause diretamente uma parada não planejada. Em casos de perda da linha visual ou de baixa confiança, pode ser combinado com… O deslocamento do GPS gera redundância para fins de proteção. O valor final de correção é gravado no CLP, permitindo que o veículo retorne à faixa-alvo em pequenos passos incrementais e, por fim, mantenha o veículo de grande porte dentro de uma tolerância de desvio de 3 cm.

3.2 Estratégia de Controle

O modelo de ponta a ponta aumenta a estabilidade das saídas de linha de faixa e de classificação, enquanto o módulo de computação geométrica converte os resultados da linha de faixa em desvio lateral. Em seguida, o módulo de controle gera comandos de correção com base no desvio, na velocidade, na direção de condução e na disparidade entre as câmeras dianteira e traseira. Ao longo de todo o processo, são mantidas claramente delimitadas as regras: quais situações permitem correção normal, quais exigem desaceleração e quais determinam a parada são definidas por lógica determinística.

Em termos de desempenho do controle, o sistema privilegia “pequenos passos com ajustes rápidos” e a limitação contínua do ganho. O controlador atualiza o comando de correção em intervalos de aproximadamente 200 ms, recorrendo a filtragem e à limitação dinâmica do ganho para suprimir oscilações e evitar ajustes bruscos e de grande magnitude que poderiam provocar balanço do veículo ou choques mecânicos. Em situações como cargas pesadas, operações de parada‑partida em baixa velocidade, aproximação da posição-alvo ou casos em que as desvios das câmeras dianteira e traseira são diferentes, o sistema pode aperfeiçoar ainda mais a correção de atitude ao integrar informações provenientes de ambas as câmeras e do estado do veículo, resultando em manobras de correção mais suaves e facilmente controláveis.