Enseñando anticipación a los automóviles

Los buenos conductores anticipan las situaciones peligrosas y ajustan su conducción antes de que las cosas se pongan peligrosas. Unos investigadores de la universidad de Bonn quieren ahora enseñar esta habilidad a los coches autoconducidos. Han desarrollado un algoritmo que han utilizado para probar su método.

Pensemos en una calle vacía, con una fila de coches aparcados a un lado: nada indica que debamos ser cuidadosos. Pero espera: ¿no hay una calle lateral más adelante, medio tapada por los automóviles aparcados? Quizá sea mejor levantar un poco el pie del acelerador, quién sabe si alguien podría salir desde ese lado. Situaciones como esta ocurren constantemente cuando conducimos e interpretarlas correctamente y alcanzar las conclusiones apropiadas precisa mucha experiencia. En cambio, los coches autoconducidos se comportan a veces como un conductor principiante que está recibiendo su primera lección. El objetivo, indica el doctor Jürgen Gall, es enseñar a los vehículos autónomos este estilo de conducción preventivo, lo que les permitiría reaccionar más deprisa ante situaciones peligrosas.

El algoritmo que ha desarrollado el grupo de Gall se encarga de interpretar datos procedentes de un LiDAR. Se trata de un láser giratorio que se halla montado en el techo de la mayoría de los coches autónomos. El rayo láser se refleja en el entorno, y el LiDAR mide cuándo la luz reflejada regresa al sensor y utiliza este tiempo para calcular la distancia. El sistema detecta la distancia a unos 120.000 puntos alrededor del vehículo por cada revolución del láser.

El problema es que a medida que la distancia se incrementa, el espacio entre los puntos se amplía. Entonces se hace difícil obtener una correcta interpretación del entorno a partir de un único escaneo LiDAR.  Lo que se ha hecho ahora es tomar las secuencias de varias docenas de escaneos (giros del láser) y superponerlas. Los datos obtenidos de este modo contienen también puntos que el sensor había solo registrado cuando el coche había ya avanzado unos pocos metros más allá. Es decir, muestran no solo el presente sino también el futuro.

Un único escaneo LiDAR (izquierda), los datos superpuestos (derecha), con descripciones (colores) proporcionadas por un observador humano y el resultado del programa (centro). (Foto: © AG Computer Vision der Universität Bonn)

Estos puntos superpuestos contienen información importante, como la geometría de la escena y las dimensiones espaciales de los objetos que contiene, lo cual no se halla disponible en un único escaneo. Además, se etiquetan todos y cada uno de los puntos en ellos, por ejemplo, una acera, un peatón o un motociclista. Los científicos alimentan su programa con una pareja de datos: un único escaneo LiDAR como entrada y los datos superpuestos asociados, incluyendo la información semántica como salida deseada. Repitieron este proceso para varios miles de parejas de este tipo.

Durante la fase de adiestramiento, el algoritmo aprendió a completar e interpretar los escaneos individuales. Esto significa que podía añadir mediciones faltantes e interpretar lo que se veía en los escaneos. El proceso puede completar asimismo correctamente alrededor de la mitad de los datos faltantes. La interpretación semántica, como deducir qué objetos se hallan ocultos tras puntos de medición, no funciona aún demasiado bien: el ordenador alcanza una precisión máxima de un 18 por ciento.

Sin embargo, esta investigación se halla aún en su infancia. La precisión aumentará sustancialmente en los próximos años, y puede esperarse un 50 por ciento muy pronto, lo que supondrá una gran diferencia para la calidad de la conducción autónoma.