Setembro 2025 vol. 12 num. 1 - XXXII Simpósio Internacional de Engenharia

Trabalho completo - Open Access.

Idioma principal | Segundo idioma

Otimização Multiobjetivo Eficiente de Sistemas AEB: Um Estudo Comparativo entre Sweeping e NSGA-II

Efficient Multi-Objective Optimization of AEB Systems: A Comparative Study of Sweeping and NSGA-II

CAIANO, Solano Rigotti ; LOPES, Ygor Galbier ; TANG, Jian ; MAFORT, Leimar ;

Trabalho completo:

Otimização Multiobjetivo Eficiente de Sistemas AEB: Um Estudo Comparativo entre Sweeping e NSGA-II O ajuste de parâmetros no desenvolvimento de sistemas de Frenagem Autônoma de Emergência (AEB) é fundamental, especialmente ao equilibrar segurança e conforto dos passageiros. Este estudo emprega o algoritmo NSGA-II (Non-dominated Sorting Genetic Algorithm II) para identificar de forma eficiente cenários ótimos que representam o trade-off entre risco de colisão e desconforto dos ocupantes. O algoritmo otimiza dois objetivos conflitantes: o tempo para colisão (TTC) como métrica de risco, e o jerk como indicador de desconforto. A abordagem proposta é integrada a um ambiente de simulação Software-in-the-Loop (SIL) utilizando o CarMaker, possibilitando a geração de cenários de teste de forma escalável e eficaz. O NSGA-II é utilizado para explorar o espaço multiobjetivo, identificando um conjunto diverso de cenários ótimos de Pareto que refletem os trade-offs críticos. Os resultados demonstram que essa abordagem permite identificar de forma eficiente cenários de teste críticos, contribuindo para o desenvolvimento e validação de funcionalidades ADAS voltadas a sistemas AEB.

Trabalho completo:

Parameter tuning in Autonomous Emergency Braking (AEB) system development is critical, particularly when balancing safety and passenger comfort. This study employs the Non-dominated Sorting Genetic Algorithm II (NSGA-II) to efficiently identify optimal scenarios that represent a trade-off between collision risk and passenger discomfort. The algorithm optimizes two conflicting objectives: time-to-collision (TTC) as a metric for collision risk, and jerk as an indicator of passenger discomfort. The proposed approach is integrated into a Software-in-the-Loop (SIL) simulation environment using CarMaker, enabling scalable and effective test scenario generation. NSGA-II is used to explore the multi-objective space, identifying a diverse set of Pareto-optimal scenarios that reflect critical trade-offs. The results demonstrate that this approach can be used to efficiently identify critical test scenarios, enhancing the development and validation of ADAS features for AEB systems.

Download (PDF)

Palavras-chave: -,

Palavras-chave: -,

DOI: 10.5151/simea2025-PAP95

Referências bibliográficas
  • [1] K. Bengler; K. Dietmayer; B. Farber; M. Maurer; C. Stiller; H. Winner. Three Decades of Driver Assistance Systems: Review and Future Perspectives. IEEE Intelligent Transportation Systems Magazine, vol. 6, n. 4, p. 6–22, 2014. DOI: 10.1109/MITS.2014.233627
  • [2] A. Ziebinski; R. Cupek; D. Grzechca; L. Chruszczyk. Review of Advanced Driver Assistance Systems (ADAS). Proceedings of the International Conference of Computational Methods in Sciences and Engineering (ICCMSE-2017), Thessaloniki, Greece, 2017, p. 12000 DOI: 10.1063/1.5012394.
  • [3] R. Bhagat; P. Singh; A. K. Srivastava; E. S. Khanna. A Comprehensive Review on Advanced Driver Assistance Systems (ADAS). International Journal of Advances in Engineering and Management, vol. 5, n. 5, p. 115–122, maio 202 DOI: 10.35629/5252-0505115122.
  • [4] Z. Fei; M. Andersson; A. Tingberg. Correlation of Software-in-the-Loop Simulation with Physical Testing for Autonomous Driving. arXiv, 5 jun. 202 Disponível em: http://arxiv.org/abs/2406.03040. Acesso em: 23 abr. 2025.
  • [5] R. Keil; J. A. Tschorn; J. Tümler; M. E. Altinsoy. Evaluation of SiL Testing Potential — Shifting from HiL by
  • [6] AEA – Brazilian Society of Automotive Engineering - SIMEA 2025 5 Identifying Compatible Requirements with vECUs. Vehicles, vol. 6, n. 2, p. 920–948, maio 2024. DOI: 10.3390/vehicles6020044.
  • [7] S. R. Caiano; Y. G. D. M. Lopes. Usando algoritmo baseado em dados de IA para auxiliar no desenvolvimento de ADAS. Blucher Engineering Proceedings, São Paulo, Brasil, ago. 2024, p. 202–208. DOI: 10.5151/simea2024-PAP34.
  • [8] Y. L. Murphey; R. Milton; L. Kiliaris. Driver’s Style Classification Using Jerk Analysis. 2009 IEEE Workshop on Computational Intelligence in Vehicles and Vehicular Systems, Nashville, TN, EUA, mar. 2009, p. 23–2 DOI: 10.1109/CIVVS.2009.4938719.
  • [9] X. Zhang et al. Finding Critical Scenarios for Automated Driving Systems: A Systematic Literature Review. arXiv, 16 out. 2021. Disponível em: http://arxiv.org/abs/2110.08664. Acesso em: 23 abr. 2025.
  • [10] L. Yang et al. A Systematic Review of Autonomous Emergency Braking System: Impact Factor, Technology, and Performance Evaluation. Journal of Advanced Transportation, 2022, p. 1–13, abr. 2022. DOI: 1155/2022/1188089.
  • [11] N. Subaşı. Comprehensive Analysis of Grid and Randomized Search on Dataset Performance. European Journal of Engineering and Applied Sciences, vol. 7, n. 2, p. 77–83, dez. 2024. DOI: 10.55581/ejeas.1581494.
  • [12] K. Deb; A. Pratap; S. Agarwal; T. Meyarivan. A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, vol. 6, n. 2, p. 182–197, abr. 2002. DOI: 10.1109/4235.996017.
  • [13] C. Miquet; A. Frings. The Vehicle-in-the-Loop Method. Karlsruhe: IPG Automotive GmbH, 2019. Disponível em: https://www.ipg-automotive.com/fileadmin/data/products_and_solutions/test_systems/vehicle-in-the-loop/product_sheets/VIL_Whitepaper_EN.pdf. Acesso em: 5 maio 2025.
  • [14] N. de W. Ks, er. Standards for Passenger Comfort in Automated Vehicles: Acceleration and Jerk. Applied Ergonomics, 2023.
  • [15] A. F. Gad. PyGAD: An Intuitive Genetic Algorithm Python Library. 2021. Disponível em: https://pygad.readthedocs.io/.
  • [16] A. P. Guerreiro; C. M. Fonseca; L. Paquete. The Hypervolume Indicator: Problems and Algorithms. ACM Computing Surveys, vol. 54, n. 6, p. 1–42, jul. 2022. DOI: 10.1145/3453474.
  • [17] D. A. van Veldhuizen; G. B. Lamont. Multiobjective Evolutionary Algorithm Test Suites. Proceedings of the 1999 ACM Symposium on Applied Computing, San Antonio, Texas, EUA, fev. 1999, p. 351–357. DOI: 10.1145/298151.298382.
Como citar:

CAIANO, Solano Rigotti; LOPES, Ygor Galbier; TANG, Jian; MAFORT, Leimar; "Otimização Multiobjetivo Eficiente de Sistemas AEB: Um Estudo Comparativo entre Sweeping e NSGA-II", p. 489-493 . In: Anais do XXXII Simpósio Internacional de Engenharia. São Paulo: Blucher, 2025.
ISSN 2357-7592, DOI 10.5151/simea2025-PAP95

últimos 30 dias | último ano | desde a publicação


downloads


visualizações


indexações