Un nuevo entorno virtual de pruebas rompe la "maldición de la rareza" en la toma de decisiones de emergencia en vehículos autónomos.
El impulso hacia vehículos verdaderamente autónomos se ha visto obstaculizado por el coste y el tiempo asociados a las pruebas de seguridad, pero un nuevo sistema desarrollado en la Universidad de Michigan demuestra que la inteligencia artificial puede reducir los kilómetros de pruebas necesarios en un 99,99%.
Podría ser el pistoletazo de salida de un cambio de paradigma que permita a los fabricantes verificar más rápidamente si su tecnología de vehículos autónomos puede salvar vidas y reducir las colisiones. En un entorno simulado, vehículos entrenados por inteligencia artificial realizan maniobras peligrosas, obligando al AV a tomar decisiones a las que los conductores sólo se enfrentan en raras ocasiones en la carretera, pero que son necesarias para entrenar mejor a los vehículos.
Para encontrarse repetidamente con este tipo de situaciones y recopilar datos, los vehículos de prueba del mundo real deben recorrer entre cientos de millones y cientos de miles de millones de kilómetros.
Los sucesos críticos para la seguridad -los accidentes o los cuasi accidentes- son muy poco frecuentes en el mundo real y, a menudo, los AV tienen dificultades para gestionarlos", explica Henry Liu, catedrático de Ingeniería Civil de la UM y director de Mcity y del Centro de Transporte Automatizado y Conectado, un centro regional de investigación sobre transporte financiado por el Departamento de Transporte de EE.UU. Los investigadores de la UM se refieren al problema como "la maldición de la rareza".
Los investigadores de la UM denominan a este problema "maldición de la rareza" y lo abordan aprendiendo de los datos de tráfico del mundo real que contienen incidentes críticos para la seguridad poco frecuentes. Las pruebas realizadas en pistas que imitan la conducción urbana y en autopista han demostrado que los vehículos virtuales entrenados con IA pueden acelerar miles de veces el proceso de prueba. El estudio aparece en la portada de Nature.
"Los vehículos de pruebas audiovisuales que utilizamos son reales, pero hemos creado un entorno de pruebas de realidad mixta. Los vehículos de fondo son virtuales, lo que nos permite entrenarlos para crear situaciones difíciles que rara vez se dan en la carretera", explica Liu.
El equipo de la UM utilizó un método para entrenar a los vehículos que elimina la información no crítica para la seguridad de los datos de conducción utilizados en la simulación. Básicamente, elimina los intervalos largos en los que otros conductores y peatones se comportan de forma responsable y previsible, pero conserva los momentos peligrosos que exigen una actuación, como cuando otro conductor se salta un semáforo en rojo.
Al utilizar sólo los datos críticos para la seguridad para entrenar las redes neuronales que toman las decisiones sobre las maniobras, los vehículos de prueba pueden encontrarse con más de esos sucesos raros en menos tiempo, lo que abarata mucho las pruebas.
Según Shuo Feng, profesor adjunto del Departamento de Automatización de la Universidad de Tsinghua y antiguo investigador científico adjunto del Instituto de Investigación del Transporte de la Universidad de Michigan, "el aprendizaje por refuerzo denso liberará el potencial de la IA para validar la inteligencia de sistemas autónomos críticos para la seguridad, como los vehículos eléctricos, la robótica médica y los sistemas aeroespaciales".
"También abre la puerta a la formación acelerada de sistemas autónomos críticos para la seguridad mediante el aprovechamiento de agentes de prueba basados en IA, lo que puede crear una relación simbiótica entre las pruebas y la formación, acelerando ambos campos."
Y está claro que la formación, junto con el tiempo y los gastos que conlleva, es un impedimento. Un artículo de Bloomberg de octubre afirmaba que, aunque los vehículos del líder de robotaxi Waymo habían recorrido 20 millones de millas en la década anterior, se necesitaban muchos más datos.
"Eso significa", escribía el autor, "que sus coches tendrían que conducir 25 veces más que su total antes de que pudiéramos decir, siquiera con una vaga sensación de certeza, que causan menos muertes que los conductores de autobús."
Las pruebas se llevaron a cabo en el entorno urbano de Mcity en Ann Arbor, así como en la pista de pruebas de autopista del American Center for Mobility en Ypsilanti.
Lanzado en 2015, Mcity, fue el primer entorno de pruebas del mundo construido específicamente para vehículos conectados y autónomos. Con el nuevo apoyo de la National Science Foundation, los investigadores externos pronto podrán realizar pruebas remotas de realidad mixta utilizando tanto la simulación como la pista de pruebas física, similares a las descritas en este estudio.
Los conjuntos de datos reales que sirven de base a las simulaciones de Mcity se recogen en cruces inteligentes de Ann Arbor y Detroit, y se equiparán más cruces. Cada intersección está equipada con sensores que preservan la privacidad para captar y categorizar a cada usuario de la carretera, identificando su velocidad y dirección. La investigación ha sido financiada por el Center for Connected and Automated Transportation y la National Science Foundation.
(University of Michigan)
