TruckRSS: Adding Variable Mass to the Responsibility-Sensitive Safety Model

Abstract

The rising number of fatalities in truck-related crashes on Brazilian federal highways, reaching 1328 deaths in 2022, highlights the urgent need for adaptive safety systems tailored to Heavy Duty Vehicles (HDVs). As these incidents largely occur in favourable weather and are primarily attributed to human error, enhancing automation is essential. The Responsibility-Sensitive Safety (RSS) framework offers a promising solution, but its application to HDVs is challenged by wide variations in operational mass. Since on- board mass sensors are uncommon, this study proposes using virtual sensing through machine learning, employing Artificial Neural Networks (ANNs) to estimate vehicle mass during operation. This supports the development of TruckRSS, an RSS extension that dynamically adjusts safety margins based on estimated mass. Using the CARLA simulator coupled with the SmartData for Autonomous Vehicles (SDAV) framework, a mass estimator was trained on data from 104 synthetic simulations across vary- ing traffic and loading conditions. Gated Recurrent Unit (GRU) models trained on raw telemetry achieved the best results, with a median-filtered version reaching a MAPE of 1.1%. Physics-based pre-processing were tested as a data pre-processing approach but underperformed. TruckRSS was tested against the standard RSS using identical simulations and demonstrated improved longitudinal behaviour, maintaining shorter safe following distances without collisions. The results show the feasibility of enhancing rule-based safety protocols for HDVs using online data-driven mass estimation.

Introdução O aumento das fatalidades em acidentes com caminhões nas rodovias federais brasi- leiras tem apresentado tendência de alta e chegaram a 1.328 mortes em 2022. Isso evidencia a urgência por sistemas de segurança adaptativos para veículos pesados (HDVs). Esses acidentes ocorrem majoritariamente em condições climáticas favorá- veis e são atribuídos, em grande parte, ao comportamento humano. Tecnologias como Advanced Driver Assistance Systems (ADAS) têm sido adotadas para mitigar esses riscos, mas ainda são insuficientes para alcançar a meta de eliminar mortes no trânsito, também conhecida como Vizion Zero. O framework Responsibility-Sensitive Safety (RSS), que formaliza regras de direção defensiva, surge como alternativa promissora, embora sua aplicação em HDVs exija adaptações específicas devido à grande vari- ação de massa operacional. Como esses veículos raramente possuem sensores de massa embarcados, este trabalho propõe o uso de sensores virtuais e aprendizado de máquina, em especial Gated Recurrent Units (GRUs), para estimar a massa durante a operação do veículo. A proposta culmina na criação do TruckRSS, uma extensão do RSS que incorpora essa percepção dinâmica de massa, avaliada por meio de simula- ções no ambiente Cars Learning to Act (CARLA) com suporte do framework SmartData for Autonomous Vehicles (SDAV). Objetivos O objetivo principal foi o desenvolvimento de um sistema de segurança adaptativo para veículos autônomos (AVs) chamado TruckRSS, uma extensão do modelo RSS adap- tada para veículos pesados. Complementarmente, investigaram-se métodos de estima- ção de massa baseados em redes neurais artificiais (ANNs), comparando abordagens que utilizam dados brutos com aquelas que incorporam pré-processamento fundamen- tado em modelos físicos, como as redes neurais informadas por física (PINNs) de viés observacional. Avaliou-se, assim, a aplicabilidade desses métodos em cenários simulados. Metodologia O desenvolvimento do TruckRSS consistiu na modificação da condição de segurança para o cenário de faixa única em mesmo sentido. O parâmetro de frenagem mínima da condição de segurança foi substituído por um parâmetro adaptativo, sensível ao estado do veículo, em especial à sua massa. Para isso, foi necessário desenvolver um estimador de massa, sendo escolhidas ANNs para esta tarefa. A coleta de dados para treinamento e validação das ANNs foram realizadas por meio de um pipeline de simu- lação integrado ao ambiente CARLA. As simulações consistiram em uma formação de comboio liderado por uma ambulância seguida por um caminhão de bombeiros, o veí- culo sob análise também chamado de ego. O cenário era um circuito fechado em uma autoestrada, contendo um semáforo, curvas suaves de 90º e um viaduto com subidas e descidas de 6º. Para o treinamento do estimador de massa, foram coletados dados de telemetria amostrados a 10 Hz a partir de 104 simulações. Em cada simulação, foi atribuído ao caminhão um valor de massa entre 8300 kg e 13500 kg, em incrementos de 100 kg, e definida uma condição de tráfego, leve ou pesado. O conjunto de dados foi dividido em conjuntos de treinamento, validação e testes. Modelos de aprendizado demáquina supervisionado, como Multi Layer Perceptron (MLP) e Gated Recurrent Unit (GRU), foram treinados com esses dados sintéticos. Dois regimes de entrada foram considerados no treinamento: pré-processamento baseado em física e dados brutos. Para a validação dos modelos de estimação de massa, foram utilizados o erro abso- luto médio (MAE) e o erro quadrático médio (RMSE) como métricas de desempenho durante o treinamento. Para a comparação final entre o melhor modelo e o modelo de referência da literatura, empregou-se o erro percentual absoluto médio (MAPE), que permite avaliar o desvio relativo das estimativas em relação ao valor real de massa. Por fim, o TruckRSS foi testado em comparação com o RSS padrão em duas simulações idênticas, utilizando valores de massa não presentes no conjunto de treinamento, com o objetivo de avaliar melhorias na velocidade e distância mínima. Resultados Dos modelos de estimação de massa, apenas a GRU que utilizou dados brutos conver- giu, com MAE de 172 kg, RMSE de 372 kg, e MAPE de 1.7%. Dado o ruído encontrado nas estimações, filtros baseados em mediana móvel (SMM) foram aplicados à saída da GRU para suavização. A GRU com (SMM) de 256 passos atingiu MAE de 122 kg, RMSE de 438 kg e MAPE de 1.1%, valores similares ao modelo de referência da lite- ratura. Quanto às simulações do TruckRSS, análises da distribuições e de gráficos de linhas demonstram velocidade maior, distância mínima menor e distância de segurança menor em comparação com o RSS padrão, não ocorreram colisões durante os testes. Discussão e Conclusão O estimador de massa baseado em GRU com SMM foi capaz de se equiparar ao modelo de referência e superar demais modelos data-driven apresentados para ca- minhões de dois eixos. Os resultados experimentais demonstram que o TruckRSS aprimora efetivamente o controle longitudinal ao ajustar dinamicamente os parâmetros de frenagem em função da massa do veículo. Em comparação com o framework RSS padrão, o TruckRSS manteve distâncias de seguimento mais curtas, permitindo um es- paçamento mais eficiente sem gerar colisões. Com relação aos modelos de dinâmica para veículos pesados encontrados na literatura, o TruckRSS possui a vantagem de não ser puramente baseado em dados, utilizando um modelo da física associado a sensores para estimar o estado do veículo. Este trabalho propôs e avaliou o TruckRSS, uma extensão do framework RSS voltada à incorporação da percepção de massa em veículos de carga, bem como modelos de estimação de massa baseados em aprendizado de máquina. Embora os modelos com pre-processamento da física tenham sido testados, os melhores resultados foram obtidos com abordagens supervisionadas baseadas em dados brutos, destacando a eficácia prática de métodos puramente data-driven. A aplicação do TruckRSS em simulações evidenciou sua capacidade de ajustar dinamicamente o comportamento longitudinal do veículo, demonstrando a viabilidade de adaptação de protocolos de segurança de forma responsiva. Esses achados evidenciam o potencial do TruckRSS para melhorar o fluxo de tráfego e a segurança em cenários reais envolvendo veículos de carga operando sob condições de carga variáveis. Palavras-chave: sistemas de segurança adaptativos, veículos pesados; Responsibility- Sensitive Safety; estimação de massa.