En el camino hacia la conducción autónoma, todavía quedan algunos obstáculos por superar. En particular, debe mejorarse la inteligencia artificial de los sistemas de asistencia al conductor. Los sistemas de asistencia a la conducción (ADAS para sistemas avanzados de asistencia al conductor) son una parte integral del mundo de la automoción. Ya sea el control de crucero automático, el sistema de asistencia para mantener el carril, los sistemas de frenado de emergencia, la cámara de marcha atrás o la ayuda al estacionamiento, estas tecnologías aumentan al mismo tiempo: comodidad de conducción y seguridad vial.
ADAS, no Hadas
(Un paréntesis, ADAS es un acrónimo -Advanced driver-assistance systems-, mientras que hadas son los seres bellos y fantásticos de literatura y cine por ejemplo). Al hacerlo, los sistemas ADAS apoyan la conducción en diferentes etapas tecnológicas, desde la conducción asistida hasta la conducción semiautomática y la conducción autónoma. Sin embargo, el camino permanece pavimentado con obstáculos antes de alcanzar este objetivo, en particular desafíos técnicos. Para pasar de la conducción semiautomática a la altamente automatizada, las tecnologías subyacentes deben garantizar el más alto nivel de seguridad y fiabilidad. Esto requiere sistemas que recopilen, evalúen y procesen en tiempo real información proveniente de diferentes fuentes y, en particular, los numerosos sensores a bordo de vehículos conectados.
El desafío entonces es transformar la enorme cantidad de datos recopilados por los sensores en información útil y hacer que esta “inteligencia vial colectiva” esté disponible para otros usuarios, para ver más allá de los sensores. Las iniciativas para estandarizar los formatos de datos (como Sensoris) ya están en marcha a nivel internacional para promover el intercambio de datos entre vehículos y, por ejemplo, permitir advertir en una etapa temprana de atascos o un accidente en su camino. El desarrollo de este tipo de estándar es un motor fundamental del desarrollo de la conducción autónoma.
La inteligencia artificial aprende de lo que ve en la carretera Para aprovechar la inteligencia proporcionada por los sensores, los métodos de inteligencia artificial (IA) como el aprendizaje automático, el aprendizaje profundo y las redes neuronales son cada vez más populares. Gracias a algoritmos avanzados, estas tecnologías pueden analizar grandes cantidades de datos y aprender de ellos. Los sistemas se entrenan, es decir, aprenden patrones que se repiten en los datos del sensor y derivan cierta información de ellos de forma autónoma.
Integradas en las soluciones ADAS, estas tecnologías de inteligencia artificial ya pueden admitir varias funciones de asistencia automatizada. Por ejemplo, los sistemas automáticos de control de distancia o los asistentes de frenado de emergencia pueden identificar de forma fiable una amplia variedad de obstáculos, como un vehículo delante, ciclistas o peatones en la carretera. Esto permite que el vehículo reaccione de forma automática y rápida para evitar una colisión.
El aprendizaje es largo pero las cosas se están acelerando. En 2019, se creó un instituto de investigación independiente especializado en inteligencia artificial (IARAI) en Viena, por ejemplo, para desarrollar nuevos algoritmos de aprendizaje automático y aprendizaje profundo para la conducción autónoma.
Cartografía digital, motor del coche autónomo
Los mapas digitales juegan un papel central en la conducción de la automatización. Son ellos los que dotan al vehículo de las “estructuras lógicas” que le permiten posicionarse en una pista hasta el centímetro y anticipar las condiciones para ir más allá de la visibilidad de los sensores de a bordo para planificar las maniobras de control del vehículo.
También hay un interés creciente en mapas digitales para entrenar un sistema en situación real en entornos de simulación específicos, diseñados por especialistas en simulación como el American MathWorks. Estos entornos hacen posible probar virtualmente sistemas ADAS, entrenar sensores para reconocer configuraciones particulares y construir modelos 3D representativos de la realidad a costos reducidos. Para proporcionar información confiable y consistente, los mapas también deben poder actualizarse constantemente, y aquí es donde entran los sensores y los sistemas de asistencia.
Capturan el entorno del vehículo, incluso los cambios más pequeños y usan esta información para alimentar la cartografía que construye continuamente un memoria colectiva de la carretera casi en tiempo real. Pero capturar el entorno del vehículo casi en tiempo real para permitir que se alimente el llamado mapeo de “alta resolución” (HD) es complejo, ya que la información sobre los carriles, las posiciones de los paneles y semáforos, y las marcas del suelo u otros objetos deben registrarse con extrema precisión.
Para lograr tal grado de precisión, la tecnología láser de detección remota o LiDAR es esencial. Ampliamente utilizada en ciencias ambientales y arqueología, esta tecnología permite modelar entornos urbanos y redes viales complejas. Los sensores generan una nube de puntos de 360 grados diez veces por segundo, lo que permite una gran cantidad de mediciones 3D. Al fusionarlo con la posición y orientación del vehículo, se obtiene una nube de puntos 3D totalmente georreferenciada que captura las diferentes perspectivas y detalles precisos del entorno. Las nubes de puntos se proyectan en una imagen 2D y se evalúan mediante el aprendizaje profundo.
Luego, una red neuronal evalúa las imágenes y predice un valor específico para cada píxel en la imagen 2D. Por tanto, es posible predecir de forma fiable todas las características de la carretera. Más allá de construir el mapa, actualizarlo es un verdadero desafío. Para estar lo más actualizada posible y, por lo tanto, confiable, la tarjeta debe poder autoajustarse casi en tiempo real cuando cambia un parámetro. Estamos hablando de un mapa de autocuración en vivo, y es también para responder a esta necesidad de automatización de actualizaciones que la inteligencia artificial juega un papel preponderante para el automóvil autónomo. Es imposible crear manualmente un mapa de este tipo a escala global.
La automatización de su construcción y su actualización mediante el uso de inteligencia artificial es, por tanto, fundamental. Y para que los sistemas aprendan sabiamente, los sistemas ADAS deben continuar enriqueciéndose. La combinación de inteligencia artificial, datos de sensores y un mapa digital permitirá que estos sistemas funcionen de manera aún más confiable y maximicen la comodidad de conducción y la seguridad vial, acercándonos un paso más a la conducción autónoma.
Leer también: https://www.hostdime.la/blog/como-administrar-datos-no-estructurados/; https://www.hostdime.la/blog/apollo-open-data-platform-el-software-de-baidu-para-autos-autonomos/; https://www.hostdime.la/blog/que-es-la-obsolescencia-tecnologica-significado-concepto/
More from Negocios
¿Por qué los data centers son importantes para los negocios?
En la era digital en la que nos encontramos, donde cada clic cuenta y cada segundo de inactividad puede traducirse …
La cohesión entre el trabajo humano y las tecnologías conduce a importantes innovaciones
Con la pandemia, muchos de los cambios realizados ciertamente correspondían a tendencias que ya estaban emergiendo, pero los procesos de …
La escucha activa, saber escuchar, ¿Qué es? ¿En qué consiste?
Siempre se ha dicho que no es gratuito que tengamos dos orejas y solo una boca, porque vale el doble …