Crear vehículos autónomos que puedan tomar decisiones similares a las de los humanos ha sido un objetivo de larga data de empresas como Waymo, GM Cruise, Uber y otras. Intel Mobileye ofrece un modelo matemático de Seguridad Sensible a la Responsabilidad (RSS), que la compañía describe como un enfoque de "sentido común" que se caracteriza por programar el piloto automático para que se comporte de una "buena" manera, como por ejemplo ceder el paso a otros coches. . Por otro lado, NVIDIA está desarrollando activamente Safety Force Field, una tecnología de toma de decisiones basada en sistemas que monitorea las acciones inseguras de los usuarios de la carretera circundante mediante el análisis de datos de los sensores del vehículo en tiempo real. Ahora un grupo de científicos del Instituto Tecnológico de Massachusetts (MIT) se ha sumado a esta investigación y ha propuesto un nuevo enfoque basado en el uso de mapas tipo GPS y datos visuales obtenidos de cámaras instaladas en el coche para que el piloto automático pueda navegar en direcciones desconocidas. Caminos similares a los de una persona.
Las personas son excepcionalmente buenas conduciendo automóviles en carreteras por las que nunca antes han estado. Simplemente comparamos lo que vemos a nuestro alrededor con lo que vemos en nuestros dispositivos GPS para determinar dónde estamos y adónde debemos ir. A los coches autónomos, por otro lado, les resulta extremadamente difícil circular por tramos desconocidos de la carretera. Para cada nueva ubicación, el piloto automático debe analizar cuidadosamente la nueva ruta y, a menudo, los sistemas de control automático se basan en complejos mapas 3D que los proveedores preparan con antelación.
En un artículo presentado esta semana en la Conferencia Internacional sobre Robótica y Automatización, investigadores del MIT describen un sistema de conducción autónoma que "aprende" y recuerda los patrones de toma de decisiones de un conductor humano mientras navega por las carreteras de una pequeña ciudad utilizando únicamente datos. cámaras y un mapa simple tipo GPS. Luego, el piloto automático entrenado puede conducir el vehículo sin conductor en una ubicación completamente nueva, simulando la conducción humana.
Al igual que un humano, el piloto automático también detecta cualquier discrepancia entre su mapa y las características de la carretera. Esto ayuda al sistema a determinar si su posición en la carretera, los sensores o el mapa son incorrectos para poder corregir el rumbo del vehículo.
Para entrenar inicialmente el sistema, un operador humano conducía un Toyota Prius automatizado equipado con múltiples cámaras y un sistema de navegación GPS básico para recopilar datos de las calles suburbanas locales, incluidas varias estructuras y obstáculos de la carretera. Luego, el sistema condujo con éxito el automóvil por una ruta planificada previamente en otra zona boscosa destinada a probar vehículos autónomos.
"Con nuestro sistema, no es necesario entrenar con antelación en cada carretera", afirma el autor del estudio, Alexander Amini, estudiante de posgrado del MIT. "Puedes descargar un nuevo mapa para que tu coche recorra carreteras que nunca antes has visto".
"Nuestro objetivo es crear una navegación autónoma que sea resistente a la conducción en nuevos entornos", añade la coautora Daniela Rus, directora del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL). "Por ejemplo, si entrenamos un vehículo autónomo para conducir en un entorno urbano como las calles de Cambridge, el sistema también debe poder conducir sin problemas en un bosque, incluso si nunca antes ha visto un entorno así".
Los sistemas de navegación tradicionales procesan datos de sensores a través de múltiples módulos configurados para tareas como localización, mapeo, detección de objetos, planificación de movimiento y dirección. Durante años, el grupo de Daniela ha estado desarrollando sistemas de navegación de extremo a extremo que procesan datos de sensores y controlan el automóvil sin necesidad de módulos especializados. Sin embargo, hasta ahora estos modelos se han utilizado exclusivamente para circular con seguridad por carretera, sin ningún propósito real. En el nuevo trabajo, los investigadores perfeccionaron su sistema de extremo a extremo para el movimiento de objetivo a destino en un entorno previamente desconocido. Para ello, los científicos entrenaron su piloto automático para predecir la distribución de probabilidad completa de todos los comandos de control posibles en cualquier momento mientras se conduce.
El sistema utiliza un modelo de aprendizaje automático llamado red neuronal convolucional (CNN), comúnmente utilizado para el reconocimiento de imágenes. Durante el entrenamiento, el sistema observa el comportamiento de conducción de un conductor humano. CNN correlaciona los giros del volante con la curvatura de la carretera, que observa a través de cámaras y en su pequeño mapa. Como resultado, el sistema aprende los comandos de dirección más probables para diversas situaciones de conducción, como carreteras rectas, intersecciones de cuatro vías o cruces en T, bifurcaciones y curvas.
"Al principio, en una intersección en forma de T, hay muchas direcciones diferentes en las que un automóvil puede girar", dice Rus. “El modelo comienza pensando en todas estas direcciones y, a medida que la CNN obtenga más y más datos sobre lo que la gente hace en determinadas situaciones en la carretera, verá que algunos conductores giran a la izquierda y otros a la derecha, pero nadie va directamente. . Seguir recto se descarta como posible dirección y el modelo concluye que en los cruces en T sólo se puede mover hacia la izquierda o hacia la derecha”.
Mientras conduce, la CNN también extrae características visuales de la carretera de las cámaras, lo que le permite predecir posibles cambios de ruta. Por ejemplo, identifica una señal de alto roja o una línea discontinua al costado de la carretera como señales de una próxima intersección. En cada momento, utiliza la distribución de probabilidad prevista de los comandos de control para seleccionar el comando más correcto.
Es importante señalar que, según los investigadores, su piloto automático utiliza mapas que son extremadamente fáciles de almacenar y procesar. Los sistemas de control autónomos suelen utilizar mapas LIDAR, que ocupan aproximadamente 4000 GB de datos para almacenar solo la ciudad de San Francisco. Para cada nuevo destino, el coche debe utilizar y crear nuevos mapas, lo que requiere una enorme cantidad de memoria. Por otro lado, el mapa utilizado por el nuevo Autopilot cubre todo el mundo ocupando sólo 40 gigabytes de datos.
Durante la conducción autónoma, el sistema también compara constantemente sus datos visuales con los datos del mapa y señala cualquier discrepancia. Esto ayuda al vehículo autónomo a determinar mejor dónde se encuentra en la carretera. Y esto garantiza que el automóvil permanezca en el camino más seguro, incluso si recibe información de entrada contradictoria: si, por ejemplo, el automóvil viaja por una carretera recta sin giros y el GPS indica que el automóvil debe girar a la derecha, el automóvil seguirá el camino más seguro. saber si debe seguir recto o detenerse.
"En el mundo real, los sensores fallan", afirma Amini. "Queremos asegurarnos de que nuestro piloto automático sea resistente a varias fallas de sensores mediante la creación de un sistema que pueda recibir cualquier señal de ruido y aun así navegar por la carretera correctamente".
Fuente: 3dnews.ru