Con el objetivo de llevar un razonamiento más humano a los vehículos autónomos, Los investigadores del MIT han creado un sistema que utiliza solo mapas simples y datos visuales para permitir que los autos sin conductor naveguen por rutas en nuevas, entornos complejos.

Los conductores humanos son excepcionalmente buenos para navegar por carreteras por las que no han conducido antes, utilizando la observación y herramientas sencillas. Simplemente hacemos coincidir lo que vemos a nuestro alrededor con lo que vemos en nuestros dispositivos GPS para determinar dónde estamos y hacia dónde debemos ir. Coches sin conductor, sin embargo, luchar con este razonamiento básico. En cada nueva área, los coches primero deben mapear y analizar todas las carreteras nuevas, que consume mucho tiempo. Los sistemas también se basan en mapas complejos, generalmente generados por escaneos 3-D, que son computacionalmente intensivos para generar y procesar sobre la marcha.

En un documento que se presenta en la Conferencia Internacional de Robótica y Automatización de esta semana, Los investigadores del MIT describen un sistema de control autónomo que "aprende" los patrones de conducción de los conductores humanos mientras navegan por las carreteras en un área pequeña. utilizando solo datos de las transmisiones de la cámara de video y un simple mapa similar a un GPS. Luego, el sistema capacitado puede controlar un automóvil sin conductor a lo largo de una ruta planificada en un área completamente nueva, imitando al conductor humano.

De manera similar a los conductores humanos, el sistema también detecta cualquier discrepancia entre su mapa y las características de la carretera. Esto ayuda al sistema a determinar si su posición, sensores, o el mapeo es incorrecto, para corregir el rumbo del coche.

Para entrenar el sistema inicialmente, un operador humano controlaba un Toyota Prius sin conductor, equipado con varias cámaras y un sistema de navegación GPS básico, que recopilaba datos de las calles suburbanas locales, incluidas varias estructuras de carreteras y obstáculos. Cuando se implementa de forma autónoma, el sistema condujo con éxito el automóvil a lo largo de un camino planificado previamente en una zona boscosa diferente, designado para pruebas de vehículos autónomos.

"Con nuestro sistema, no necesitas entrenar en todas las carreteras de antemano, "dice el primer autor Alexander Amini, un estudiante de posgrado del MIT. "Puede descargar un mapa nuevo para que el automóvil navegue por caminos que nunca antes había visto".

"Nuestro objetivo es lograr una navegación autónoma que sea robusta para conducir en nuevos entornos, "agrega la coautora Daniela Rus, director del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) y el Profesor Andrew y Erna Viterbi de Ingeniería Eléctrica e Informática. "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 el bosque, incluso si ese es un entorno que nunca antes había visto ".

Junto a Rus y Amini en el periódico están Guy Rosman, investigador del Toyota Research Institute, y Sertac Karaman, profesor asociado de aeronáutica y astronáutica en el MIT.

Navegación punto a punto

Los sistemas de navegación tradicionales procesan los datos de los sensores a través de varios módulos personalizados para tareas como la localización, cartografía, detección de objetos, planificación de movimiento, y control de dirección. Durante años, El grupo de Rus ha estado desarrollando sistemas de navegación "de un extremo a otro", que procesan los datos sensoriales introducidos y los comandos de dirección de salida, sin necesidad de módulos especializados.

Hasta ahora, sin embargo, Estos modelos fueron diseñados estrictamente para seguir la carretera de forma segura, sin ningún destino real en mente. En el nuevo periódico, los investigadores avanzaron en su sistema de extremo a extremo para conducir de un objetivo a otro, en un entorno nunca antes visto. Para hacerlo los investigadores entrenaron su sistema para predecir una distribución de probabilidad completa sobre todos los posibles comandos de dirección en un instante dado mientras se conduce.

El sistema utiliza un modelo de aprendizaje automático llamado red neuronal convolucional (CNN), de uso común para el reconocimiento de imágenes. Durante el entrenamiento, el sistema observa y aprende a conducir con un conductor humano. La CNN correlaciona las rotaciones del volante con las curvaturas de la carretera que observa a través de cámaras y un mapa ingresado. Finalmente, aprende el comando de dirección más probable para diversas situaciones de conducción, como carreteras rectas, intersecciones de cuatro vías o en forma de T, tenedores, y rotativos.

"Inicialmente, en una intersección en forma de T, hay muchas direcciones diferentes en las que el automóvil puede girar, "Dice Rus." El modelo comienza pensando en todas esas direcciones, pero a medida que ve más y más datos sobre lo que hacen las personas, verá que algunas personas giran a la izquierda y otras a la derecha, pero nadie va derecho. El recto está descartado como posible dirección, y el modelo aprende que, en intersecciones en forma de T, sólo puede moverse hacia la izquierda o hacia la derecha ".

¿Qué dice el mapa?

En prueba, los investigadores ingresan al sistema un mapa con una ruta elegida al azar. Al conducir, el sistema extrae características visuales de la cámara, lo que le permite predecir las estructuras de las carreteras. Por ejemplo, identifica una señal de alto distante o saltos de línea en el costado de la carretera como señales de una próxima intersección. En cada momento utiliza su distribución de probabilidad predicha de los comandos de gobierno para elegir el más probable para seguir su ruta.

En tono rimbombante, los investigadores dicen, el sistema utiliza mapas que son fáciles de almacenar y procesar. Los sistemas de control autónomos suelen utilizar escaneos LIDAR para crear mapas complejos que toman aproximadamente 4, 000 gigabytes (4 terabytes) de datos para almacenar solo la ciudad de San Francisco. Para cada nuevo destino el coche debe crear nuevos mapas, lo que equivale a toneladas de procesamiento de datos. Mapas utilizados por el sistema de los investigadores, sin embargo, captura el mundo entero utilizando solo 40 gigabytes de datos.

Durante la conducción autónoma, el sistema también compara continuamente sus datos visuales con los datos del mapa y observa cualquier desajuste. Hacerlo ayuda al vehículo autónomo a determinar mejor dónde se encuentra en la carretera. Y garantiza que el automóvil se mantenga en el camino más seguro si recibe información de entrada contradictoria:si, decir, el coche circula por una carretera recta sin giros, y el GPS indica que el automóvil debe girar a la derecha, el coche sabrá que debe seguir en línea recta o detenerse.

"En el mundo real, los sensores fallan, ", Dice Amini." Queremos asegurarnos de que el sistema sea resistente a diferentes fallas de diferentes sensores mediante la construcción de un sistema que pueda aceptar estas entradas ruidosas y aún así navegar y localizarse correctamente en la carretera ".