Un coche sin conductor en el centro de Los Ángeles
Allen J. Schaben/Los Angeles Times/Getty Images
Los sistemas de inteligencia artificial que controlan los vehículos sin conductor aún pueden tener dificultades para predecir la aparición repentina de otros vehículos, ciclistas y peatones, pero un nuevo algoritmo ha demostrado cómo pueden anticipar con mayor precisión la presencia de dichos objetos ocultos y predecir sus movimientos.
“Nos aseguramos de que capturara las complejidades del mundo real, como peatones ocultos o ciclistas que se mueven de forma impredecible”, dice Hari Thiruvengada en VERSES AI, una empresa de informática cognitiva con sede en California. “Agregamos razonamiento de oclusión para ayudar a anticipar el comportamiento de los usuarios de la vía ocultos a la vista directa; por ejemplo, un ciclista oculto por un camión estacionado”. Estos obstáculos ocultos u oclusiones son difíciles de detectar para los vehículos autónomos porque sus sistemas de inteligencia artificial a menudo requieren un uso intensivo de computación y tienen dificultades para generalizar desde escenarios de entrenamiento hasta situaciones inesperadas.
Thiruvengada y sus colegas trabajaron con el fabricante de automóviles sueco Volvo Cars para desarrollar un algoritmo que puede inferir la presencia de objetos ocultos y predecir sus trayectorias. Por ejemplo, si el vehículo autónomo está en camino de adelantar a una camioneta estacionada, el modelo calcularía la probabilidad de que algunos objetos (por ejemplo, una bicicleta o un automóvil, o incluso algunos peatones) puedan estar ocultos detrás del camión, y luego predeciría las posibles trayectorias de cada uno de estos objetos. El modelo reduce situaciones tan complejas y que cambian rápidamente a un conjunto más simple de posibles movimientos que podrían realizar los posibles objetos ocultos.
En teoría, el algoritmo podría influir en la velocidad o dirección de un vehículo autónomo cuando se acerca a áreas donde es probable que haya personas u objetos invisibles. Una vez que sus sensores confirman si existen esos peatones o vehículos ocultos, puede actualizar su comportamiento de conducción.
Agregar este algoritmo a los modelos avanzados de IA que normalmente se usan en vehículos autónomos podría ayudar a los autos sin conductor a tomar decisiones más rápidas y precisas en la carretera, incluso durante aquellas situaciones inesperadas para las que no fueron entrenados. “Los vehículos autónomos deben desarrollar representaciones intermedias eficaces para la toma de decisiones”, afirma Mahault Albarracín en VERSOS AI. “Tienen que equilibrar los datos sin procesar de los sensores con características aprendidas que puedan generalizarse en diferentes escenarios”.
Los investigadores entrenaron su modelo en una simulación basada en un conjunto de datos abiertos compilados a partir de los sensores de los vehículos sin conductor Waymo. Las pruebas demostraron que su técnica superó a las versiones de modelos avanzados de IA en la predicción precisa de trayectorias de vehículos ocultos; también lo hizo para peatones ocultos que se movían a velocidades más lentas, pero la diferencia fue mucho menor.
Estos resultados de simulación son “preliminares y limitados”, dado que la demostración se centró en un pequeño subconjunto del conjunto de datos más grande de Waymo, dice Bernardo Lange en la Universidad de Stanford en California. También advirtió que el nuevo modelo “podría no ser lo suficientemente expresivo para captar la variedad de movimientos que se pueden observar en la vía pública”. El equipo planea mejorar la precisión del modelo incorporando características del mapa e información sobre las carreteras.
Es difícil comparar el nuevo modelo con los sistemas de los vehículos autónomos existentes porque todavía hay “muy poca información pública” sobre qué tan bien los vehículos autónomos operados por compañías como Waymo pueden anticipar objetos ocultos, dice Lange. Mientras tanto, “la mayoría de los vehículos modernos vendidos con sistemas de asistencia a la conducción, como prevención de colisiones o frenado de emergencia, no tienen módulos de inferencia de oclusión activa y dependen predominantemente de sistemas rápidos de detección y control”, afirma.
Temas: