Nuevas necesidades de información en los vehículos parcial o totalmente automatizados

Felipe Jiménez Alonso
Catedrático de Universidad
Universidad Politécnica de Madrid

INTRODUCCIÓN 

La introducción de sistemas electrónicos y sistemas de asistencia en los vehículos que se está produciendo en las últimas décadas y, de forma más significativa, en los últimos años, lleva aparejada una creciente necesidad de información y, por lo tanto, de sensorización, lo que ha implicado una mayor complejidad del sistema electrónico interno. En [1] se encuentra la definición de los niveles de automatización de los vehículos, partiendo de un nivel 0, sin ningún tipo de asistencia o automatización o nivel 1 con los sistemas básicos de asistencia a la conducción, hasta llegar a los niveles 4 o 5 de automatización muy alta en ciertos entornos o completa. En concreto, se pueden definir los siguientes niveles:

• Conducción asistida

La ejecución específica de una de las dos componentes de conducción (dirección o aceleración/deceleración) se lleva a cabo por medio de un sistema de asistencia que utiliza para ello la información sobre el entorno. El conductor humano realiza todos los aspectos restantes de la tarea de conducción, vigilando constantemente el tráfico y siendo capaz de controlar el vehículo en cualquier situación. Corresponde al nivel 1.

• Conducción automatizada
  
  La ejecución de las dos componentes del movimiento del coche se realiza por parte del sistema automatizado, permitiendo al conductor ausentarse de la conducción activa. Las funciones de conducción automatizada pueden clasificarse según el grado y la duración de intervención requerida por parte del conductor:
  
  • Conducción parcialmente automatizada (nivel 2): El sistema toma el control longitudinal y lateral del movimiento del coche. Al igual que en el caso de la conducción asistida, el conductor humano tiene que vigilar permanentemente el entorno y el sistema, para ser capaz de retomar el control del vehículo en cualquier situación.
    
  • Conducción condicionalmente automatizada (nivel 3): Supone una evolución respecto al caso anterior en la que la supervisión del entono recae en el vehículo, pudiendo anticiparse más a actuaciones futuras, si bien resulta compleja la delimitación de responsabilidades entre vehículo y conductor.
    
  • Conducción altamente automatizada (nivel 4): El sistema toma el control longitudinal y lateral del movimiento del coche en una situación predefinida. Ya no es necesario que el conductor supervise permanentemente el sistema. En caso necesario, el conductor recibirá la solicitud para retomar el control sobre el vehículo con suficiente margen de tiempo.
    
  • Conducción completamente automatizada (nivel 5): El sistema toma el control longitudinal y lateral del movimiento del coche en todas las situaciones y ya no es necesario que el conductor supervise el entorno o el sistema ni que retome el control sobre el vehículo.

El descargar al conductor humano de las tareas de conducción implica que el vehículo debe conocer las variables relevantes de su propio funcionamiento y de la evolución del entorno, con unos mayores niveles de detalle y precisión y esto ha conllevado cambios sustanciales a nivel de captación y manejo de la información en los vehículos [2]. Esto plantea nuevos retos sobre aspectos como sensorización del estado del vehículo, posicionamiento del mismo en mapas electrónicos, sensores de percepción del entorno y comunicaciones inalámbricas como fuente de información complementaria que no podría ser captada por los sensores embarcados. A continuación, se tratan estos aspectos, así como los restos que quedan todavía pendientes y sobre los cuales, tanto el sector industrial como los centros de investigación están trabajando de forma intensa.

ESTADO Y DINÁMICA DEL VEHÍCULO

La introducción de los primeros sistemas de seguridad activa (y también algunos de seguridad pasiva) ha implicado la medida de diversas variables del funcionamiento del vehículo como velocidad, aceleraciones, velocidades angulares de las ruedas, movimientos de la carrocería, desplazamientos de la suspensión, acciones del conductor sobre los mandos, etc. Este hecho ha conllevado la proliferación de sensores en el vehículo y la implantación de redes de comunicaciones que permitan transmitir estas señales de forma rápida y eficiente entre sensores, centralitas y actuadores o interfaces como CAN [3], LIN [4], FlexRay [5], etc. Sin duda, los vehículos han visto modificada su arquitectura electrónica y de flujo de datos interno de forma notable en las dos últimas décadas.

Un punto adicional en cuanto a sensorización del vehículo “hacia dentro” correspondería a la propia monitorización del conductor. Aunque este aspecto excede el alcance de este artículo, cabe indicarse que la monitorización puede dar soporte a sistemas de asistencia como aquellos que pueden alertar de somnolencia o cansancio del conductor, así como ser fuente de información para la modelización del comportamiento humano al volante con el propósito de sintetizarlo en los algoritmos de toma de decisiones del vehículo autónomo [6]. 

POSICIONAMIENTO DEL VEHÍCULO

El posicionamiento del vehículo ha sido una herramienta fundamental para los sistemas de navegación, pero también para los de gestión de flotas y monitorización de operaciones [7]. En dichos sistemas, los requerimientos de precisión no son muy estrictos y las desviaciones estándar que se pueden encontrar en un sistema de posicionamiento por satélite (GNSS), que pueden llegar a los 10 m o 15 m, se consideraban asumibles y no repercutían de forma significativa en las prestaciones del sistema final.

Sin embargo, esa situación no es razonable en los sistemas en los que se requieran un nivel de exactitud métrico o submétrico. Tal es el caso, por ejemplo, de sistemas que impliquen el posicionamiento respecto a elementos de la infraestructura u otros usuarios, o posicionamiento en el carril. Todas estas situaciones son características de los vehículos con un nivel de automatización, al menos, parcial. Así, desde hace más de 15 años, el posicionamiento en un mapa digital se ha considerado como un sensor secundario que da apoyo a otros elementos del vehículo para la comprensión, más o menos avanzada, del escenario viario [8]. Por ello, se plantean varios retos que se están abordando para aumentar los niveles de automatización:

• Nivel de exactitud en el posicionamiento. 
  
  Debido a las limitaciones de los sistemas de posicionamiento por satélite que, además, se ven agravadas en ciertos entornos complejos como zonas urbanas de edificios altos, o son inviables en otros como pueden ser los túneles, se han planteado alternativas basadas en otras tecnologías. Entre ellas, se pueden citar el uso de sensores inerciales, los cuales proporcionan una estimación sin saltos bruscos de la trayectoria (a diferencia de lo que puede suceder en el posicionamiento por satélite, si bien adolecen de un error acumulativo que no los hace robustos para distancias largas y requieren actualizaciones frecuentes con posiciones fiables [9]. Otra alternativa consiste en el empleo de sensores de percepción del entorno que se presentarán más adelante y que, aprovechando su instalación para otros fines como la detección de obstáculos, permiten un posicionamiento relativo que complementa los medios anteriores. En cualquier caso, a causa de las limitaciones de cada uno de los sistemas, se aboga por la fusión de la información, siendo la herramienta más común para ello los filtros de Kalman [10].

• Exactitud y detalle de los mapas electrónicos.
  
  Al igual que los requerimientos sobre el posicionamiento han aumentado, también ha ocurrido los mismo en cuanto a las especificaciones sobre los mapas electrónicos. La navegación autónoma de los vehículos implica el conocimiento del entorno y los mapas electrónicos sirven de soporte para interpretar lo que perciben otros sensores. Además, es posible adelantar condiciones de potencial peligro.  Para ello, se debe dar el salto de lo que se podría llamar “mapa para la navegación” a “mapa para la seguridad” [11]. La precisión requerida puede llegar a la misma que se exige en el posicionamiento, lo que incide en el procedimiento de construcción de dichos mapas, los cuales combinan fuentes tradicionales de mapeo, vehículos altamente instrumentados que permiten identificar las propiedades de cada tramo de calle o carretera y sus alrededores, y fusión con bases de datos de información adicional para la localización y caracterización de entidades adicionales. Toda esa información debe ser postprocesada, eliminando errores, imprecisiones o incoherencias entre las distintas fuentes.

• Actualización de los mapas electrónicos.
  
  Los mapas precisos y detallados anteriores no serán de utilidad mientras no estén actualizados y no existan herramientas que permitan esa actualización de forma natural. Dado que la construcción de los mapas es muy costosa, no se puede recurrir de forma frecuente a esas técnicas para la actualización. Por ello, se aboga por sistemas distribuidos donde sean los propios usuarios (o sus vehículos) los que generen la información para la actualización durante su propia circulación. Como limitación se encuentra el hecho de que la sensorización actual de los vehículos no ofrece una información suficientemente robusta, aunque la síntesis de la información proporcionada por un alto número de usuarios sí podría ofrecer una imagen más ajustada a la realidad.

• Localización del vehículo en el mapa electrónico.
  
  Por último, cabe indicarse el problema de la localización del vehículo en el propio mapa. Esta dificultad se va reduciendo según se gana en precisión en el posicionamiento y el propio mapa, tanto a nivel global como local. Sin embargo, mientras existan limitaciones en los dos puntos anteriores, se deben plantear algoritmos de map-matching que permitan la identificación del tramo de vía identificado en el mapa en el que posicional el vehículo [12]. 

En este ámbito, los sistemas de medida embarcados, tanto para la construcción de mapas electrónicos como en los vehículos que conducen los usuarios juegan un papel esencial. Sus prestaciones tienen limitaciones, sobre todo en el segundo caso en el que no resulta razonable incluir sensores de elevado coste, por lo que resulta esencial la aplicación de técnicas de fusión de información para alcanzar resultados finales más exactos, así como considerar métodos para obtener una estimación de la incertidumbre en la medida y en el postprocesado de esas señales, como ya se ha considerado en casos como el error acumulativo de los sensores inerciales.

PERCEPCIÓN DEL ENTORNO CON SENSORES EMBARCADOS

La percepción del entorno es esencial para el conocimiento del escenario para la toma de decisiones. Si bien los primeros sistemas de asistencia necesitaban conocer variables como distancias o velocidades relativas, los sistemas más avanzados requieren inferir una información más completa que incluya la identificación del tipo de obstáculo, la probabilidad de impacto, la localización del impacto, etc. Se suelen diferenciar sensores para la captura de información interior del vehículo o en el exterior del mismo. En el primer caso, se emplean tecnologías como infrarrojos, ultrasonidos, sensores capacitivos, aunque también el procesamiento de imágenes permite obtener una información relevante sobre el conductor (posiciones, gestos, dirección de la mirada). En cuanto al segundo grupo, se distinguen sensores de corto alcance de los de largo alcance [13]. 

Los sensores de corto alcance son menos versátiles y, por lo general, se restringen a aplicaciones de baja velocidad. Los ultrasonidos representan una solución barata para detectar presencia, distancia y dirección de objetos cercanos al vehículo. Su medida tiene una incertidumbre que está en el entorno de los milímetros y depende de la exactitud con la que se conozca la velocidad del sonido, la cual varía con las condiciones ambientales. El ángulo de captación está comprendido en el entorno de 20º-30º, aunque, en general, si es necesaria una mayor cobertura, se emplean varios, dado su bajo coste. Los sensores capacitivos permiten la detección y caracterización de objetos hasta distancias de 2 metros. Tienen buena precisión, bajo coste, son inmunes a la suciedad y pueden trabajar con independencia del estado de iluminación. Sin embargo, su mayor inconveniente que limita su aplicación masiva son las interferencias. Los sistemas pasivos de infrarrojos tienen una amplitud de captación llega a los 20º, aunque se puede ampliar a costa de una reducción de la precisión. El radar de corto alcance puede ser empleado en múltiples sistemas de seguridad activa y pasiva. Sus ventajas frente a otros sistemas son la insensibilidad a las condiciones atmosféricas, bajas interferencias con sistemas similares, procesamiento sencillo de la información, posibilidad de incorporar información redundante, etc. Por último, la visión artificial tiene un gran potencial dada la gran cantidad de información que se puede captar. Las imágenes registradas son procesadas con el propósito de localizar patrones conocidos. 

Sin embargo, la automatización de la conducción requiere capacidades de precepción con una mayor anticipación y, por lo tanto, alcances que superen el centenar de metros. Para ello, se dispone de varias tecnologías como el radar milimétrico, el cual es capaz de trabajar de forma precisa aún en malas condiciones meteorológicas pero con un campo de visión muy estrecho, el procesamiento de imágenes, válido tanto para corta como largas distancias y que proporciona gran cantidad de información y puede ser aplicada en muy diversos usos aunque presenta limitaciones en situaciones de iluminación cambiante así como limitaciones en cuanto a la alta carga computacional que implica, y el LiDAR (Light Detection and Ranging) con gran campo de visión, aunque alcance más limitado, alta  precisión en la localización de obstáculos y un coste que si bien es alto, está siendo decreciente con los últimos avances [14]. Teniendo en cuenta las ventajas y limitaciones de cada uno, se suele recurrir a la fusión sensorial, la cual puede establecerse a diferentes niveles (nivel alto al fusionar entidades detectadas o a bajo nivel al fusionar los datos captados antes de su procesamiento).

También debe hacerse notar que no sólo es importante la selección de los sensores, sino que debe prestarse especial atención a su colocación en el vehículo, lo que está relacionado con la información captada y los algoritmos que la procesen. Desde hace varias décadas se han estado desarrollando algoritmos, cada vez más complejos según han aumentado los requerimientos sobre el conocimiento del entorno. De esta forma, además de la clásica detección de obstáculos, se han planteado soluciones de identificación de categorías de vehículos [15], análisis de elementos de la infraestructura [16] o detección de zonas transitables en entornos todoterreno [17]. El aumento de la fiabilidad en la detección, la mejor fusión para evitar falsos positivos o falsos negativos, y la reproducción de un escenario completo con todos los elementos de interés para la marcha del vehículo para lograr una mejor conciencia situacional como se verá más adelante, son algunos de los retos en cuanto a la mejora de los algoritmos. A ellos, se debe considerar la necesidad de abaratamiento de los sensores, su reducción de peso y tamaño, y la mejora de sus prestaciones.

Por último, la percepción del entorno puede jugar un papel relevante en el posicionamiento del vehículo. En este sentido, cabe destacarse la técnica SLAM (Simultaneous Localization and Mapping). Se trata de una técnica muy extendida en robótica [18] y consiste en construir o actualizar el mapa de un entorno a priori no conocido por el vehículo. El vehículo ha de situarse en dicho mapa simultáneamente, estimando los 6 grados de libertad de la trayectoria. Las aplicaciones para conducción autónoma incluyen el apoyo y mejora de la precisión en una navegación autónoma guiada por satélite, la generación de mapas electrónicos, el control de vehículos en entornos exigentes con poca información del entorno, y aumentar la densidad de información obtenida por los sensores. Las técnicas más simples son aquellas que conjugan la percepción con sensores como LiDAR con datos de GNSS y unidades inerciales. Cuando estas señales no están disponibles o no son suficientemente fiables, se recurre a la técnica de Visual SLAM que emplea para la reconstrucción de la trayectoria visión artificial o LiDAR. Como principales retos se plantea el realizar mapas de largo recorrido debido al error acumulativo de la técnica visual, reducir la dependencia de fusión sensorial, actualizar los mapas en tiempo real, y utilizar información obtenida por SLAM para completar modelo del entorno.

En resumen, la exactitud de los sensores de percepción resulta un elemento clave para que el sistema de control del vehículo autónomo tenga un conocimiento profundo del entorno. Sin embargo, esos algoritmos de control deben poder manejar los niveles de incertidumbre que se manejan, los cuales son superiores cuando se requiere el cálculo de variables derivadas como es habitual (por ejemplo, en el cálculo de velocidades o dimensiones de obstáculos detectados por LiDAR). Esta incertidumbre, difícil de reducir dadas las condiciones altamente cambiantes del entorno, implica que la toma de decisiones deba asumir márgenes de seguridad amplios.

COMUNICACIONES INTERVEHICULARES Y CON LA INFRAESTRUCTURA

Al igual que el posicionamiento, las comunicaciones se plantean como una fuente adicional de información para los sistemas de asistencia y los vehículos autónomos. Si bien el concepto de vehículo conectado suele hacer referencia un conjunto de aplicaciones de valor añadido que el fabricante ofrece a los propietarios y usuarios de sus vehículos, este concepto se extiende más allá y llega a la comunicación entre vehículos de diferentes marcas y categorías, así como con la infraestructura. La conducción cooperativa de vehículos conectados desempeña un papel clave en la política europea de transporte, ya que respalda varios de sus objetivos y desafíos sociales, como son la seguridad vial, la congestión, la descarbonización, la inclusión social, etc. Los sistemas cooperativos se pueden considerar como catalizadores de estos retos, ya que aportan elementos de percepción, decisión y actuación adicionales soportados por comunicaciones, que nos dirigen hacia la conducción autónoma cooperativa.

De esta forma, el informe final de la plataforma C-ITS, fase II, publicado en septiembre de 2017, desarrolla aún más una visión compartida sobre el despliegue interoperable de los sistemas de transporte inteligentes cooperativos (C-ITS) hacia la movilidad cooperativa, conectada y automatizada (CCAM) en la Unión Europea [19]. Bajo esta visión, define como Sistemas Cooperativos (C-ITS) los sistemas de transporte donde la cooperación entre dos o más subsistemas (usuario, vehículo, infraestructura y central) permite y proporciona un servicio ITS [20]. Para llevar a cabo el despliegue de esta tecnología se ha definido una estrategia de desarrollo. Esta primera generación de C-ITS se habilitó en 2015-2017, denominada como servicios Día 1 y Día 1.5. Esos servicios se enfocan a vehículos conectados, pero algunas experiencias extienden su utilización a la conducción conectada y autónoma. Las próximas generaciones de C-ITS, Día 2, Día 3 y Día 4 se enfocan específicamente en conducción autónoma cooperativa de forma más específica, para compartir la información del movimiento y la percepción del entorno, las intenciones y coordinar las maniobras [21]. La definición, desarrollo, despliegue y prueba de esa nueva generación de C-ITS se considera el próximo desafío del ecosistema CCAM [22] y será la base para la habilitación real de la próxima generación de vehículos autónomos, considerando que la infraestructura vial física y digital son elementos clave [23].

De esta forma, se persigue conseguir una mayor conciencia situacional del vehículo autónomo. Teniendo en cuenta que ésta se define como la percepción y comprensión de la información que permite a un individuo proyectar futuras acciones necesarias para responder a un entorno dinámico [24], Así, las comunicaciones permiten comportamientos y capacidades de alto nivel de complejidad en los sistemas de control. Esta conciencia situacional pasa por la clasificación de las aplicaciones cooperativas en 4 clases. El escenario 0 corresponde al caso en el que el vehículo no tiene mayor interacción con el exterior más que a través de sus sensores embarcados. La clase 1 (‘estoy aquí y veo esto’) simplemente transmite datos objetivos de los que el vehículo capta. En la clase 2 (‘esto es lo que pretendo hacer’), se proporcionan datos de las intenciones, lo que permite anticiparse a las mismas y obrar en consecuencia. Como estado más evolucionado, la clase 3 (‘hagámoslo juntos’) plantea la cooperación entre vehículos, no solo la comunicación, lo que permitiría una clara optimización del tráfico. 

Sin embargo, todavía se plantean numerosas incógnitas y aspectos pendientes de desarrollo y concreción para alcanzar los estados más evolucionados. Estos retos pasan por la selección de la tecnología de comunicaciones más conveniente (¿se resolverán mediante la tecnología 5G las limitaciones de la tecnología de telefonía móvil actual que limita su uso en aplicaciones de seguridad?), concretar los estándares de comunicación a nivel de hardware, software y mensajería, el manejo de grandes volúmenes de datos en un corto periodo de tiempo, y la cooperación entre la infraestructura y los vehículos. Cabe indicarse que la falta de exactitud en cualquier medida es aquí propagada a todos los usuarios del entorno, lo que acrecienta la necesidad de alcanzar medidas lo más exactas posible o estimaciones fiables de su incertidumbre. 

CONCLUSIONES

El incremento del nivel de automatización de los vehículos lleva aparejado un aumento exponencial de la información que éstos requieren, sobre todo, si deseamos sustituir las acciones del conductor aún en escenarios de alta complejidad. De esta forma, si se quiere que el vehículo se enfrente las condiciones del tráfico igual que lo hace un conductor humano, debe disponer de una información análoga a la que dispone éste. Si bien los sensores pueden ser más precisos que la percepción humana en algunos casos, todavía quedan variables que maneja un conductor y que el vehículo no es capaz de percibir, por lo que estas entradas al sistema de control deben ser paliadas por otros medios.

Parece clara que la introducción de las comunicaciones del vehículo con su entorno, más o menos cercano, amplía las posibilidades de cooperación y esta cooperación implica, sin duda, una mayor estructuración del tráfico que permite una mayor automatización de tareas. En este ámbito, los vehículos pasan a ser sensores flotantes que ponen información a disposición de otros usuarios y, a su vez, la reciben de otros. Este esquema es incluso válido cuando vehículos con diferentes niveles de automatización deben convivir en la misma infraestructura. 

Sin embargo, se ha puesto de relieve los retos todavía existentes para mejorar la calidad y completitud de la información que puede suministrarse al sistema de control de los vehículos, tanto en cuanto a posicionamiento, percepción del entorno y comunicaciones, como los tres pilares fundamentales que complementan la información del estado interno del vehículo. Desde el punto de vista metrológico, la valoración de la exactitud de los sensores de percepción y sistemas que ayudan al posicionamiento resulta esencial, así como la valoración de la incertidumbre en esas medidas y su efecto en variables derivadas, tanto en la construcción de mapas digitales como en la reconstrucción y conocimiento del entorno. Sobre esas estimaciones, la capa de control del vehículo autónomo debe estar preparada para ser lo más inmune al ruido e inexactitud presentes en las señales y variables calculadas.   

REFERENCIAS

1. SAE J3016; (2021) Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles. SAE International: Warrendale, PA, USA; ISO: Geneva, Switzerland.
2. Van Brummelen, J., O’Brien, M., Gruyer, D., Najjaran, H. (2018) Autonomous vehicle perception: The technology of today and tomorrow. Transportation Research Part C 89, 384–406 
3. Robert Bosch GMBH. (1991). CAN specification Version 2.0
4. LIN Consortium. (2003, Sep.) LIN Specification Package, Revision 2.0.
5. FlexRay Consortium. (2004) FlexRay Communication System, Protocol Specification, Version 2.0
6. Díaz, A., Clavijo, M., Jiménez, E., Talavera, E., Serradilla, F. (2018). Modelling the human lane-change acceptance behaviour through Multilayer Perceptrons and Convolutional Neural Networks. Transportation Research Part F: Traffic Psychology and Behaviour, 56, 134–148
7. Jiménez, F., Aparicio, F., Acebrón, F., García, A., López, J. L., López, J., Torroja, J. (2009). El vehículo y los sistemas basados en las TIC. En ‘La contribución de las TIC a la sostenibilidad del transporte en España’. Real Academia de Ingeniería
8. Wevers, K., Biervaque, V. (2004). Safety enhanced digital maps and standard interface to ADAS. In: Proceedings of the 11th World Congress on ITS, Nagoya, Japan, 18–22 October 2004.
9. Jiménez, F. (2011). Improvements in road geometry measurement using inertial measurement systems in datalog vehicles. Measurement. 44(1), 102-112
10. Toledo-Moreo, R., Zamora-Izquierdo, M.A., Úbeda-Miñarro, B., Gómez-Skarmeta, A.F. (2007) High-integrity IMM-EKF based road vehicle navigation with low-cost GPS/SBAS/INS, IEEE Transactions on Intelligent Transportation Systems 8, 491–511.
11. eSafety Forum (2005). Digital Maps Working Group Final Report. European Commission (eSafety Forum), Brussels
12. Hashemi, M., Karimi, H.A. (2014) A critical review of real-time map-matching algorithms: Current issues and future directions. Computers, Environment and Urban Systems. 48, 153–165
13. Armingol, J. M., Alfonso, J., Clavijo, M., de la Escalera, A., García, F., Jiménez, F., López, A. M., Martín, D., Menéndez, J. M., Sánchez-Cubillo, J., Vázquez, D., Villalonga, G. (2017). Environmental Perception for Intelligent Vehicles. En ‘Intelligent vehicles: Enabling Technologies and Future Developments’. Elsevier
14. Jiménez, F., Naranjo, J. E. (2011). Improving the obstacle detection and identification algorithms of a laserscanner-based collision avoidance system. Transportation Research Part C: Emerging Technologies. 19(4), 658-672
15. Minemura, K., Liau, H., Monrroy, A., Kato, S. (2018). LMNet: Real-time multiclass object detection on CPU using 3D LiDAR. Proceedings of 2018 3rd Asia- Pacific Conference on Intelligent Robot Systems (ACIRS), Singapore, 21-23 July 2018
16. Jiménez, F., Clavijo, M., Castellanos, F., Álvarez, C. (2018). Accurate and detailed transversal road section characteristics extraction using laser scanner. Applied Sciences. 8(5), 724, 1-13
17. Shang, E., An, X., Wu, T., Hu, T., Yuan, Q., He, H. (2016) LiDAR Based Negative Obstacle Detection for Field Autonomous Land Vehicles. Journal of Field Robotics, 33(5), 591–617.
18. Leonard, J. J., Durrant-Whyte, H. F. (1991). Mobile Robot Localization by Tracking Geometric Beacons. IEEE Transactions on Robotics and Automation, 7(3), 376–382.
19. C-ITS Platform (2017) Final report Phase II
20. Hoadley, S. (2016) Deployment of connected, cooperative and automated transport: the role of investment opportunities Urban Development Network. Urban Development Network Conference, Brussels, 23 November 2016.
21. Vantomme, J. (2018) Cooperative, Connected and Automated Mobility. QUO VADIS?, Challenges for the automotive industry, ACEA, PZPM Conference, Warsaw, 26 February 2018.
22. European Commission, (2019) European Partnership on Mobility and Safety through automated Road Transport (MOSART), position paper.
23. European Commission, STRIA, (2017) Cooperative, Connected and Automated Transport Roadmap.
24. Endsley, M. R.  Toward a Theory of Situation Awareness in Dynamic Systems. Human Factors, 37(1), 32–64