Con el 'big data', los coches tendrán 'intuición' para anticiparse a los riesgos o despreciarlos

Desde que un conductor se pone al volante de un automóvil en su primera clase práctica de la autoescuela está aprendiendo constantemente, y a medida que acumula experiencia desarrolla una especie de intuición que nos permite anticiparnos a situaciones de riesgo incluso antes de que se produzcan. Así, por ejemplo, si circulamos por el carril rápido de una autopista y apreciamos un leve cambio en la trayectoria hacia la izquierda del vehículo que va por el carril derecho, no será necesario que su conductor active el intermitente izquierdo para entender que está a punto de cambiar de carril, de modo que prevemos el riesgo y levantamos ligeramente el pie del acelerador como acto reflejo. ¿Puede un vehículo autónomo aprender también de la experiencia hasta reaccionar intuitivamente, como si de un automovilista experimentadio se tratara? En Porsche Engineering creyeron que sí, y ahora lo han demostrado con su prueba Big Data Loop, en la que han aplicado ese principio para optimizar el sistema de control de crucero adaptativo, lo que abre el camino a que, en el futuro, los asistentes de conducción se perfeccionen continuamente con el uso.

¿Pero cómo puede un vehículo autónomo aprender de la experiencia de la misma manera que un ser humano, hasta reaccionar por 'intuición'? Porsche Engineering, Porsche AG y CARIAD, una empresa de software y tecnología del Grupo Volkswagen, colaboraron para demostrar cómo todas las funciones basadas en la inteligencia artificial (IA) pueden desarrollarse continuamente hasta crear una solución que se asemeja a un bucle: los datos del vehículo se transmiten de forma inalámbrica a la nube, donde se utilizan para seguir entrenando la IA. Después, el algoritmo mejorado se pone a prueba y el ciclo vuelve a comenzar.

Todos los vehículos modernos con asistentes de conducción producen grandes datos

Traducido a la investigación concreta sobre el control de crucero adaptativo (ACC), se parte del sistema convencional de asistencia al conductor empleado, por ejemplo, en el Porsche Taycan, que se encarga de mantener la distancia de seguridad con el vehículo que le precede. Para ello, el ACC se ocupa de detectar con antelación si otros usuarios de la carretera se interponen en la trayectoria, ya sea porque deceleran o frenan, o porque entran en el carril por el que circulamos. Pero ahora el objetivo del proyecto Big Data Loop era utilizar la IA para detectar precisamente esas situaciones en una fase más temprana.

Muchos datos, pero no todo vale

Para ello, en el vehículo de pruebas una red 'neuronal' desarrollada internamente se encarga de esa tarea, que se sigue entrenando continuamente con situaciones reales durante los ensayos de circulación. Esto crea un ciclo interminable de observación y aprendizaje que mejora continuamente el rendimiento del ACC. "Un cambio de carril probable se detecta entre medio segundo y un segundo antes, lo que en autopista equivale a 30 metros de recorrido", explica Joachim Schaper, director de IA y Big Data en Porsche Engineering. Todos los vehículos modernos con asistentes de conducción (ADAS) producen enormes cantidades de datos (Big Data), incluidas las señales de las cámaras evaluadas o la información de los sensores de radar, por lo que hay mucho material para entrenar a una red neuronal. Sin embargo, lo que parece sencillo resulta un verdadero reto a la hora de ponerla en práctica. "Por ejemplo, solo queremos registrar los datos que realmente ayudan al sistema a aprender", dice el director del proyecto Philipp Wustmann, experto en control longitudinal y lateral de Porsche Engineering. "Eso no es tarea fácil, pues los sensores de radar y las cámaras generan infinidad de datos, la mayoría de ellos no relevantes para la función que se está evaluando". Circular por una autopista vacía, por ejemplo, no ofrece oportunidades de aprendizaje para un controlador de distancia. Y analizar todos los datos llevaría demasiado tiempo.

TE PUEDE INTERESAR

Adiós a los triángulos de emergencia: esta es la 'luz inteligente' que la DGT exigirá a tu coche

El Confidencial

Por eso se seleccionaron situaciones específicas de las que la IA puede aprender algo. Esa tarea la realizó en el Taycan de pruebas el llamado SceneDetector: este algoritmo emplea las señales de cámara interpretadas en el bus del vehículo. No se trata de imágenes de vídeo en bruto, sino de información sobre qué objetos hay y a qué distancia se hallan del vehículo. El SceneDetector filtra aquellas situaciones reales del tráfico en las que el ACC no reacciona de forma óptima, como cuando el vehículo que se cruza se detecta demasiado tarde o de forma incorrecta. Además, es técnicamente posible hacer que el programa registre lo que se conoce como “casos límite”, es decir, casos que raramente se dan en la conducción diaria. Imaginemos un vehículo que nos precede y se desvía de su carril sin llegar a abandonarlo. El algoritmo podría registrar esta situación. Y lo mismo ocurre si la cámara no detecta las marcas del carril. De esta detección de escenas específicas se encarga un software especial llamado Automated Measurement Data Analytics (AMDA).

Una vez que el SceneDetector ha encontrado cinco situaciones potencialmente instructivas, transmite a un servidor los datos correspondientes a través de la radio móvil. En la nube, aumenta la cantidad de material ilustrativo; y para ello, los datos se introducen primero en una simulación que usa un 'motor de juego', la misma tecnología que emplean los juegos de ordenador para generar sus imágenes. Con la ayuda del Centro Virtual de Pruebas ADAS de Porsche Engineering se pueden reproducir recorridos de prueba virtuales en los que los coches que aparecen en el ordenador se comportan físicamente como los reales en el tráfico de una carretera. La simulación da lugar a mediciones que se corresponden con las del bus del vehículo real.

TE PUEDE INTERESAR

El plan para fomentar el coche eléctrico creará 142.000 empleos y un 1,7% de PIB

EFE

En el Centro Virtual de Pruebas ADAS se simulan también de forma automática distintas variantes del proceso registrado a partir de las mediciones reales, es decir, una resimulación de la situación real. En cada caso, los procesos simulados difieren solo mínimamente: en una versión, el otro usuario de la carretera se desplaza más rápidamente hacia la izquierda; en otra, se desplaza a una mayor distancia. Estas variaciones generan más datos de entrenamiento en muy poco tiempo, sin necesidad de realizar pruebas adicionales de circulación. También mejora el campo de aplicación del modelo de IA, ya que no solo reconoce las situaciones más habituales, sino también las que ocurren raramente. Esa es en líneas básicas la naturaleza de la tecnología: las redes neuronales adquieren nuevas habilidades exclusivamente a través de la observación. Cuantos más ejemplos vean, mejores serán, pues el entorno de simulación permite recrear, incluso, situaciones críticas o atípicas para ampliar la gama de datos de entrenamiento.

Coches con comportamiento humano

Una vez creadas todas las situaciones visuales, comienza el aprendizaje real. Todos los casos en que se produce un cruce del vehículo precedente, real o simulado, se emplean para entrenar una red neuronal en la nube. Mediante la observación, aprende a reconocer los indicios de un próximo cambio de carril, de forma similar a como lo hace un conductor. Esto permite al ACC frenar con suavidad, casi exactamente como un humano al volante. Y a largo plazo el vehículo podría desarrollar literalmente un 'sexto sentido' para anticiparse al comportamiento de otros usuarios de la vía, reconociendo por ejemplo un estilo de conducción agresivo que ayude a prever cambios de carril arriesgados.

Una vez finalizada la formación del sistema, se crea y valida automáticamente un nuevo software para el control de crucero adaptativo (ACC). Eso significa que durante las pruebas debe ser capaz de reconocer de forma fiable los cruces del vehículo precedente en un gran número de situaciones desconocidas. Y solo si el software lo demuestra de forma inequívoca, se transfiere al vehículo. Es entonces cuando el conductor verá un cuadro de diálogo en su vehículo con el texto "hay una nueva versión disponible. ¿Desea activarla?". Si el conductor está de acuerdo y pulsa "OK", el control de crucero adaptativo optimizado empieza a funcionar.

Según los responsables del proyecto, también sería posible probar primero el mejorado sistema ACC en el coche, pero en un segundo plano (ShadowMode); y en ese caso, durante la marcha el ACC optimizado recibe los mismo datos de los sensores que el ACC ya instalado, y debe reaccionar en consecuencia. Sin embargo, el primer ACC sigue controlando el acelerador y el freno, y el nuevo software se limita a controlar la validez de las predicciones. Si, por ejemplo, la IA optimizada predice una maniobra de frenado de otro vehículo que finalmente no se produce (un 'falso positivo' le llaman en Porsche) sería desautorizada, de manera que solo entrará en funcionamiento cuando quede claro que la red neuronal entrenada en la nube es realmente superior en sus previsiones al ACC inicial.

Y pronto, la producción en serie

Porsche Engineering consiguió implantar el sistema de control de crucero adaptativo con autoaprendizaje en solo cuatro meses, y la compañía alemana presentó una solicitud de patente para una parte de dicha tecnología. Como la prueba con el prototipo demostró que el enfoque técnico funciona, la nueva arquitectura usada en el Big Data Loop ya se está empleando en otros proyectos de desarrollo, como las pruebas y validaciones de una nueva generación de sensores en sustitución de los existentes. Y el siguiente paso será llevar el Big Data Loop a la producción en serie. En este sentido, aún quedan ciertos retos por superar, como la detección de casos límite o la optimización totalmente automatizada de funciones, aunque la empresa CARIAD está trabajando actualmente en una aplicación en serie del Big Data Loop en el contexto general de la circulación automatizada para las marcas del Grupo Volkswagen.

Una vez que la tecnología necesaria sea de serie en todos los vehículos entregados, el aprendizaje también será más rápido porque habrá más material visual digital. Mientras que hoy en día un solo vehículo de pruebas está en la carretera recogiendo maniobras de cruce, en el futuro todos los coches podrán enviar datos al fabricante si el cliente está de acuerdo, lo que acelerará el proceso de mejora, abaratará los costes y aumentará la seguridad de los usuarios.