Los vehículos autónomos pueden seguir las reglas generales de las carreteras estadounidenses, reconocer las señales de tráfico y las marcas de los carriles, notando los cruces peatonales y otras características regulares de las calles. Pero solo funcionan en carreteras bien señalizadas que se escanean y mapean cuidadosamente con anticipación.

Muchos caminos pavimentados, aunque, tienen pintura descolorida, letreros oscurecidos detrás de árboles e intersecciones inusuales. Además, 1.4 millones de millas de carreteras de EE. UU., Un tercio de las carreteras públicas del país, no están pavimentadas, sin señales en la carretera como las marcas de los carriles o las líneas de parada aquí. Eso no incluye millas de caminos privados, calzadas sin pavimentar o senderos fuera de la carretera.

¿Qué debe hacer un automóvil autónomo que sigue las reglas cuando las reglas no son claras o no existen? ¿Y qué deben hacer sus pasajeros cuando descubren que su vehículo no puede llevarlos a donde van?

Contando por lo oscuro

La mayoría de los desafíos en el desarrollo de tecnologías avanzadas implican el manejo de situaciones poco frecuentes o poco comunes, o eventos que requieren un rendimiento más allá de las capacidades normales de un sistema. Eso es definitivamente cierto para los vehículos autónomos. Algunos ejemplos en la carretera pueden ser navegar por zonas de construcción, encontrar un caballo y una calesa, o ver un grafiti que parece una señal de alto. Fuera del camino, las posibilidades incluyen la variedad completa del mundo natural, como los árboles que caen sobre la carretera, inundaciones y charcos grandes, o incluso animales que bloquean el camino.

En el Centro de Sistemas Avanzados de Vehículos de la Universidad Estatal de Mississippi, hemos asumido el desafío de entrenar algoritmos para responder a circunstancias que casi nunca ocurren, son difíciles de predecir y complejos de crear. Buscamos poner a los coches autónomos en el escenario más difícil posible:conducir en una zona que el coche no conoce previamente, sin una infraestructura confiable como pintura de carreteras y señales de tráfico, y en un entorno desconocido donde es tan probable ver un cactus como un oso polar.

Nuestro trabajo combina la tecnología virtual y el mundo real. Creamos simulaciones avanzadas de escenas exteriores realistas, que usamos para entrenar algoritmos de inteligencia artificial para tomar una imagen de la cámara y clasificar lo que ve, etiquetado de árboles, cielo, caminos abiertos y obstáculos potenciales. Luego, transferimos esos algoritmos a un vehículo de prueba con tracción en las cuatro ruedas especialmente diseñado y lo enviamos a nuestra pista de pruebas todoterreno dedicada, donde podemos ver cómo funcionan nuestros algoritmos y recopilar más datos para alimentar nuestras simulaciones.

Comenzando virtual

Hemos desarrollado un simulador que puede crear una amplia gama de escenas exteriores realistas para que los vehículos naveguen. El sistema genera una variedad de paisajes de diferentes climas, como bosques y desiertos, y puede mostrar cómo las plantas, los arbustos y los árboles crecen con el tiempo. También puede simular cambios climáticos, la luz del sol y la luz de la luna, y las ubicaciones precisas de 9, 000 estrellas.

El sistema también simula las lecturas de sensores comúnmente utilizados en vehículos autónomos, como lidar y cámaras. Esos sensores virtuales recopilan datos que se alimentan a las redes neuronales como datos de entrenamiento valiosos.

Construyendo una pista de prueba

Las simulaciones son tan buenas como sus representaciones del mundo real. La Universidad Estatal de Mississippi ha comprado 50 acres de terreno en el que estamos desarrollando una pista de prueba para vehículos autónomos todoterreno. La propiedad es excelente para pruebas todoterreno, con pendientes inusualmente empinadas para nuestra área de Mississippi - hasta un 60 por ciento de pendientes - y una población de plantas muy diversa.

Hemos seleccionado ciertas características naturales de esta tierra que esperamos sean particularmente desafiantes para los vehículos autónomos, y los replicamos exactamente en nuestro simulador. Eso nos permite comparar directamente los resultados de la simulación y los intentos de la vida real de navegar por la tierra real. Finalmente, Crearemos emparejamientos similares reales y virtuales de otros tipos de paisajes para mejorar las capacidades de nuestro vehículo.

Recopilando más datos

También hemos construido un vehículo de prueba, llamado el Proyecto Halo, que tiene un motor eléctrico y sensores y computadoras que pueden navegar por varios entornos todoterreno. El automóvil Halo Project tiene sensores adicionales para recopilar datos detallados sobre su entorno real, lo que puede ayudarnos a crear entornos virtuales para ejecutar nuevas pruebas.

Dos de sus sensores lidar, por ejemplo, están montados en ángulos de intersección en la parte delantera del automóvil para que sus rayos recorran el terreno que se aproxima. Juntos, pueden proporcionar información sobre qué tan rugosa o lisa es la superficie, así como capturar lecturas de césped y otras plantas y elementos en el suelo.

Hemos visto algunos resultados iniciales interesantes de nuestra investigación. Por ejemplo, Hemos mostrado resultados preliminares prometedores de que los algoritmos de aprendizaje automático entrenados en entornos simulados pueden ser útiles en el mundo real. Como ocurre con la mayoría de las investigaciones sobre vehículos autónomos, aún queda un largo camino por recorrer, pero nuestra esperanza es que las tecnologías que estamos desarrollando para casos extremos también ayuden a que los vehículos autónomos sean más funcionales en las carreteras de hoy.

Este artículo se ha vuelto a publicar de The Conversation con una licencia de Creative Commons. Lea el artículo original.