Los coches autónomos funcionan con algoritmos de aprendizaje automático que requieren grandes cantidades de datos de conducción para funcionar de forma segura. Pero si los coches autónomos pudieran aprender a conducir de la misma forma que los bebés aprenden a caminar, observando e imitando a los que los rodean, necesitarían muchos menos datos de conducción compilados. Esa idea está impulsando al ingeniero de la Universidad de Boston, Eshed Ohn-Bar, a desarrollar una forma completamente nueva para que los vehículos autónomos aprendan técnicas de conducción segura, al observar a otros autos en la carretera, predecir cómo responderán a su entorno y usar esa información para hacer su propias decisiones de conducción.
Ohn-Bar, profesor asistente de ingeniería eléctrica e informática de la Facultad de Ingeniería de la BU y miembro de la facultad junior del Instituto Rafik B. Hariri de Computación y Ciencia e Ingeniería Computacional de la BU, y Jimuyang Zhang, estudiante de doctorado en ingeniería eléctrica e informática de la BU, presentó recientemente su investigación en la Conferencia 2021 sobre Visión por Computador y Reconocimiento de Patrones. Su idea para el paradigma de la formación surgió del deseo de aumentar el intercambio de datos y la cooperación entre los investigadores en su campo; actualmente, los vehículos autónomos requieren muchas horas de datos de conducción para aprender a conducir de forma segura, pero algunas de las empresas de automóviles más grandes del mundo mantienen su vasto cantidades de datos privados para evitar la competencia.
“Cada empresa pasa por el mismo proceso de tomar automóviles, colocarles sensores, pagar a los conductores para que conduzcan los vehículos, recopilar datos y enseñar a los automóviles a conducir”, dice Ohn-Bar. Compartir esos datos de conducción podría ayudar a las empresas a crear vehículos autónomos seguros más rápido, permitiendo que todos en la sociedad se beneficien de la cooperación. Los sistemas de conducción con inteligencia artificial requieren tantos datos para funcionar bien, dice Ohn-Bar, que ninguna empresa podrá resolver este problema por sí sola.
“Miles de millones de millas [de datos recopilados en la carretera] son solo una gota en un océano de eventos y diversidad del mundo real”, dice Ohn-Bar. "Sin embargo, una muestra de datos que falte podría provocar un comportamiento inseguro y un posible bloqueo".
El algoritmo de aprendizaje automático propuesto por los investigadores funciona estimando los puntos de vista y los puntos ciegos de otros automóviles cercanos para crear un mapa a vista de pájaro del entorno circundante. Estos mapas ayudan a los automóviles autónomos a detectar obstáculos, como otros automóviles o peatones, y a comprender cómo otros automóviles giran, negocian y ceden el paso sin chocar contra nada.
A través de este método, los automóviles autónomos aprenden traduciendo las acciones de los vehículos circundantes en sus propios marcos de referencia: sus redes neuronales impulsadas por algoritmos de aprendizaje automático. Estos otros coches pueden ser vehículos conducidos por humanos sin sensores o vehículos piloteados automáticamente de otra empresa. Dado que las observaciones de todos los automóviles circundantes en una escena son fundamentales para el entrenamiento del algoritmo, este paradigma de "aprender observando" fomenta el intercambio de datos y, en consecuencia, vehículos autónomos más seguros.
Ohn-Bar y Zhang probaron su algoritmo de "observar y aprender" haciendo que los autos autónomos conducidos por él naveguen por dos ciudades virtuales: una con giros sencillos y obstáculos similares a su entorno de entrenamiento, y otra con giros inesperados, como intersecciones de cinco vías. En ambos escenarios, los investigadores encontraron que su red neuronal autónoma sufre muy pocos accidentes. Con solo una hora de datos de conducción para entrenar el algoritmo de aprendizaje automático, los vehículos autónomos llegaron seguros a sus destinos el 92 por ciento del tiempo.
“Si bien los mejores métodos anteriores requerían horas, nos sorprendió que nuestro método pudiera aprender a conducir de manera segura con solo 10 minutos de datos de manejo”, dice Ohn-Bar.
Estos resultados son prometedores, dice, pero todavía hay varios desafíos abiertos para lidiar con entornos urbanos intrincados. “Es muy difícil tener en cuenta las perspectivas que varían drásticamente entre los vehículos observados, el ruido y la oclusión en las mediciones de los sensores y varios conductores”, dice.
De cara al futuro, el equipo dice que su método para enseñar a los vehículos autónomos a conducirse por sí mismos también podría usarse en otras tecnologías. "Entrega los robots o incluso los drones podrían aprender observando otros sistemas de inteligencia artificial en su entorno ”, dice Ohn-Bar.
