Energetica 213 enero febrero 2022

como son los coches compartidos o la mo- bility-as-a-service (movilidad como servicio o MaaS), que facilitan servicios de transporte integrado a través de suscripción. Sistemas embarcados y vehículos con funcionalidades autónomas La introducción de la innovadora movili- dad conectada, cooperativa y automatizada (CCAM) tiene el potencial de hacer una fuer- te contribución a la mejora del transporte en Europa. Puede conducir a un transporte más saludable, más seguro, más accesible, soste- nible, rentable y que responda a la demanda en todas partes y para todos. La introducción de vehículos conectados y automatizados (CAV) requiere sistemas de percepción y toma de decisiones a bordo fiables y asequibles. La última década ha demostrado que la IA basada en el aprendizaje profundo (‘deep learning’) es indispensable en el desarrollo de estas futuras tecnologías de percepción y toma de decisiones. Aun así, tiene algunas deficiencias clave que están relacionadas con su capacidad de generalización limitada (casos límites ‘edge’) y la falta de trazabilidad (casos de falla) que impiden su implemen- tación certificable, en gran parte debido a la falta de suficientes datos de entrenamiento de alta calidad. Lo que se requiere para una implementación exitosa de IA es una combi- nación de IA basada en aprendizaje (datos) e IA basada en modelos. Esto permitirá in- tegrar las capacidades del aprendizaje pro- fundo en la seguridad, la transparencia y la trazabilidad de los métodos basados en mo- delos, logrando así una interacción segura y confiable entre los vehículos, la infraestruc- tura y los usuarios de la carretera. Es por ello que el conjunto de sensores de vehículos de próxima generación consistirá en una combinación de sensores existentes que cumple con los requisitos de coste, y fun- cionalidad (precisos, más confiables y más re- sistentes frente a condiciones adversas). Estos sensores como cámaras, lidares y radares se complementarán con el diseño de algoritmos robustos basados en IA que generarán una mayor conciencia de la situación para la habi- litación de la toma de decisiones segura. Cabe destacar que para la investigación y el desarrollo de sistemas de percepción y deci- sión basados en IA se requieren cantidades masivas de datos brutos (grabaciones reales) y procesadas que faciliten el proceso de en- trenamiento y validación de estos sistemas. Esta gestión de datos está siendo un gran cuello de botella hoy en día. A primera vista, la conducción autónoma (SAE-L3 y superior) podría verse como una simple continuación del desarrollo de sis- temas avanzados de asistencia al conduc- tor (SAE-L2), que ayudan al conductor con acciones de conducción específicas, como cambiar de carril, mantener la distancia fron- tal y frenada de emergencia. Sin embargo, este paso adelante implica un gran desafío, considerando los requisitos de rendimiento y confiabilidad exigibles a los sistemas. Los conductores (humanos) conducen estadísti- camente 7,5 millones de km sin ningún acci- dente. La inclusión de sistemas SAE-L2 ADAS reduce la probabilidad de accidente por un factor de diez. Por tanto, los vehículos autó- nomos con nivel de automatización SAE-L3 o superior se enfrentan al reto de evitar o controlar cualquier situación crítica dentro de una distancia estadística de al menos 75 millones de km entre accidentes, con el fin de lograr un rendimiento similar al de un SAE-L2 (conducción asistida) Esta distancia incluye necesariamente una gama extremadamente variable de carrete- ras y situaciones de conducción, que un con- ductor humano puede manejar sin ningún tipo de problema pero que para los sistemas automatizados puede llegar a ser todo un reto. Como consecuencia, los procedimien- tos y metodologías de prueba para SAE-L3 siguen siendo un desafío clave que aún no se ha resuelto para la validación de la conduc- ción altamente automatizada. El punto de partida son los enfoques de prueba SAE-L2 actuales, que básicamente definen todos los escenarios posibles, crean grabaciones rea- les con vehículos de prueba de tales situa- ciones, o generan simulaciones y permiten la evaluación del rendimiento del sistema bajo prueba. Con el fin de proporcionar respues- tas a tales preguntas, la industria debe abor- dar los siguientes aspectos tecnológicos: • Entorno de prueba adecuado y estanda- rización de metodologías. • Gestión inteligente de datos brutos • Proporcionar un marco para mejorar y administrar los datos de descripción de la escena • Cómputo de alto rendimiento y escalabi- lidad de aplicaciones • Habilitar la interoperabilidad y la simula- ción compleja multidominio Por último, cabe comentar que la gestión a nivel macroscópico tanto para vehículos indi- viduales como para la gestión de flotas jugará un papel importante en la organización de la movilidad eléctrica. Los sistemas de optimiza- ción de la gestión de recarga y extensión de la autonomía de las baterías jugarán un papel clave a la hora de potenciar el despliegue de la movilidad eléctrica. No debemos olvidar la importancia de la gestión eficiente de ru- tas y la planificación de recarga en base a la extracción de perfiles de conducción, rutas y caracterización de la batería para reducir ‘la ansiedad de autonomía – range anxiety’ del conductor proporcionando información individualizada. Además, cobrará relevancia o el desarrollo y la implementación de mo- tores de recomendación en tiempo real que ofrezcan alternativas seguras al conductor en base al consumo durante la ruta, ya que éste puede verse fácilmente alterado por factores externos (meteorológicos, topografía del te- rreno, retrasos o cambios en las rutas) o por factores inherentes al propio conductor (perfil de conducción, nivel de confort) ◉ 37 ENERGÉTICA XXI · 213 · ENE/FEB 22