Los puntos clave no están disponibles para este artículo en este momento.
La Conducción Automatizada (AD) ha estado recibiendo una atención considerable de la industria, el público y los investigadores por su capacidad para reducir accidentes, emisiones y congestión. El propósito de este estudio es extender el Mapa Dinámico Local (LDM) estandarizado añadiendo dos nuevas capas, y desarrollar algoritmos eficientes y precisos diseñados para mejorar la AD aprovechando el LDM en combinación con la Percepción Cooperativa (CP). El LDM se implementa como una base de datos gráfica Neo4j y extiende la estructura estándar de cuatro capas al añadir una capa de detección y una capa de predicción. Una Interfaz de Programación de Aplicaciones (API) personalizada gestiona todos los datos entrantes, genera el LDM y ejecuta los algoritmos. Actualmente, la API puede emparejar entidades detectadas provenientes de diferentes fuentes, posicionarlas correctamente en el mapa incluso en presencia de altas incertidumbres en los datos y predecir sus acciones futuras. Probamos el LDM desarrollado con datos del mundo real, que recopilamos utilizando un vehículo prototipo del Centro Ricerche FIAT (CRF) Sucursal de Trento—el centro de investigación que apoya este trabajo—en áreas urbanas, suburbanas y de autopista de Trento, Italia. Los resultados muestran que la solución desarrollada es capaz de emparejar y predecir con precisión las entidades detectadas, es robusta frente a altas incertidumbres en los datos y es eficiente, logrando un rendimiento en tiempo real en todos los escenarios. A partir de estos resultados, podemos concluir que el LDM y la CP tienen el potencial de ser partes centrales de la AD, aportando mejoras al proceso de desarrollo.
Taddei et al. (Sat,) estudiaron esta pregunta.