Investigadores de la Universidad de Stanford han desarrollado una nueva forma de controlar los autos autónomos que integra experiencias de conducción previas, un sistema que ayudará a que los autos funcionen de manera más segura en circunstancias extremas y desconocidas. Probado en los límites de la fricción en una pista de carreras con Niki, Volkswagen GTI autónomo de Stanford, y Shelley, Audi TTS autónomo de Stanford, el sistema funcionó tan bien como un sistema de control autónomo existente y un piloto de carreras experimentado.

"Nuestro trabajo está motivado por la seguridad, y queremos que los vehículos autónomos funcionen en muchos escenarios, desde conducción normal sobre asfalto de alta fricción hasta rápida, conducción de baja fricción en hielo y nieve, "dijo Nathan Spielberg, estudiante de posgrado en ingeniería mecánica en Stanford y autor principal del artículo sobre esta investigación, publicado el 27 de marzo en Ciencia Robótica . "Queremos que nuestros algoritmos sean tan buenos como los conductores más capacitados y, Ojalá, mejor."

Si bien los autos autónomos actuales pueden depender de evaluaciones instantáneas de su entorno, el sistema de control que diseñaron estos investigadores incorpora datos de maniobras recientes y experiencias de conducción pasadas, incluidos los viajes que Niki realizó alrededor de una pista de pruebas helada cerca del Círculo Polar Ártico. Su capacidad para aprender del pasado podría resultar particularmente poderosa, dada la abundancia de datos de vehículos autónomos que los investigadores están produciendo en el proceso de desarrollo de estos vehículos.

Física y aprendizaje

Los sistemas de control para automóviles autónomos necesitan acceso a información sobre la fricción disponible de la carretera y los neumáticos. Esta información dicta los límites de la fuerza con la que puede frenar el automóvil, acelerar y conducir para permanecer en la carretera en situaciones críticas de emergencia. Si los ingenieros quieren llevar un automóvil autónomo al límite de forma segura, como planificar una maniobra de emergencia en el hielo, tienen que proporcionarle detalles, como la fricción de los neumáticos de la carretera, por adelantado. Esto es difícil en el mundo real, donde la fricción es variable y, a menudo, es difícil de predecir.

Para desarrollar una más flexible, sistema de control sensible, los investigadores construyeron una red neuronal, un tipo de sistema informático artificialmente inteligente, que integra datos de experiencias de conducción pasadas en Thunderhill Raceway en Willows, California, y una instalación de pruebas de invierno con conocimientos básicos proporcionados por 200, 000 trayectorias basadas en la física.

"Con las técnicas disponibles en la actualidad, a menudo tiene que elegir entre métodos basados ​​en datos y enfoques basados ​​en la física fundamental, "dijo J. Christian Gerdes, profesor de ingeniería mecánica y autor principal del artículo. "Creemos que el camino a seguir es combinar estos enfoques para aprovechar sus fortalezas individuales. La física puede proporcionar información sobre la estructuración y validación de modelos de redes neuronales que, Sucesivamente, puede aprovechar grandes cantidades de datos ".

El grupo realizó pruebas de comparación para su nuevo sistema en Thunderhill Raceway. Primero, Shelley aceleró controlado por el sistema autónomo basado en la física, precargado con información establecida sobre el curso y las condiciones. Cuando se compara en el mismo curso durante 10 ensayos consecutivos, Shelley y un hábil piloto aficionado generaron tiempos de vuelta comparables. Luego, los investigadores cargaron a Niki con su nuevo sistema de red neuronal. El automóvil funcionó de manera similar ejecutando los sistemas aprendidos y basados ​​en la física, a pesar de que la red neuronal carecía de información explícita sobre la fricción en la carretera.

En pruebas simuladas, el sistema de red neuronal superó al sistema basado en la física en escenarios de alta y baja fricción. Lo hizo particularmente bien en escenarios que mezclaban esas dos condiciones.

Una abundancia de datos

Los resultados fueron alentadores, pero los investigadores enfatizan que su sistema de red neuronal no funciona bien en condiciones fuera de las que ha experimentado. Dicen que a medida que los autos autónomos generan datos adicionales para entrenar su red, los coches deberían poder soportar una gama más amplia de condiciones.

"Con tantos coches autónomos en las carreteras y en desarrollo, hay una gran cantidad de datos que se generan a partir de todo tipo de escenarios de conducción, ", Dijo Spielberg." Queríamos construir una red neuronal porque debería haber alguna forma de hacer uso de esos datos. Si podemos desarrollar vehículos que hayan visto miles de veces más interacciones que nosotros, con suerte, podemos hacerlos más seguros ".