Los coches autónomos tardan más en llegar a nuestras carreteras de lo que pensábamos. Los expertos de la industria automotriz y las empresas de tecnología predijeron que estarían aquí en 2020 y se generalizarían en 2021 . Pero resulta que poner coches en la carretera sin conductor es una tarea mucho más complicada de lo previsto inicialmente, y todavía estamos avanzando muy lentamente hacia una visión de transporte individual autónomo.
Pero la línea de tiempo extendida no ha desanimado a los investigadores e ingenieros, que están trabajando arduamente para descubrir cómo hacer que los autos autónomos sean eficientes, asequibles y, lo más importante, seguros. Con ese fin, un equipo de investigación de la Universidad de Michigan tuvo recientemente una idea novedosa: exponer los autos sin conductor a conductores terribles. Describieron su enfoque en un artículo publicado la semana pasada en Nature .
Puede que no sea demasiado difícil para los algoritmos de conducción autónoma aprender los conceptos básicos de la operación de un vehículo, pero lo que los desconcierta (y a los humanos) es el comportamiento atroz de otros conductores en la carretera y escenarios peligrosos aleatorios (un ciclista de repente se desvía en medio de la carretera; un niño corre delante de un coche para recuperar un juguete; un animal trota de la nada y choca directamente con sus faros).
Afortunadamente, estos no son demasiado comunes, por lo que se consideran casos extremos: ocurrencias raras que aparecen cuando no las espera. Los casos extremos representan gran parte del riesgo en la carretera, pero son difíciles de categorizar o planificar, ya que no es muy probable que los conductores los encuentren. Los conductores humanos a menudo pueden reaccionar a estos escenarios a tiempo para evitar muertes, pero enseñar algoritmos para hacer lo mismo es un poco difícil.
Como dijo Henry Liu, el autor principal del artículo : “Para los conductores humanos, podríamos tener… una muerte cada 100 millones de millas. Entonces, si desea validar un vehículo autónomo con un rendimiento de seguridad mejor que los conductores humanos, entonces, estadísticamente, realmente necesita miles de millones de millas”.
En lugar de conducir miles de millones de millas para construir una muestra adecuada de casos extremos, ¿por qué no ir directamente al grano y construir un entorno virtual que esté lleno de ellos?
Eso es exactamente lo que hizo el equipo de Liu. Construyeron un entorno virtual lleno de automóviles, camiones, ciervos, ciclistas y peatones. Sus pistas de prueba, tanto de carretera como urbanas, usaron realidad aumentada para combinar vehículos de fondo simulados con infraestructura vial física y un auto de prueba autónomo real, con los obstáculos de realidad aumentada ingresados en los sensores del auto para que este reaccionara como si fueran reales.
El equipo distorsionó los datos de entrenamiento para centrarse en la conducción peligrosa, llamando al enfoque «aprendizaje de refuerzo profundo denso». Las situaciones que encontró el automóvil no estaban preprogramadas, sino que fueron generadas por la IA, por lo que, a medida que avanza, la IA aprende cómo probar mejor el vehículo.
El sistema aprendió a identificar peligros (y filtrar los que no son peligros) mucho más rápido que los algoritmos de conducción autónoma entrenados convencionalmente. El equipo escribió que sus agentes de IA pudieron «acelerar el proceso de evaluación en varios órdenes de magnitud, de 10^3 a 10^5 veces más rápido».
El entrenamiento de algoritmos de conducción autónoma en un entorno virtual no es un concepto nuevo, pero el enfoque del equipo de Michigan en escenarios complejos proporciona una forma segura de exponer los vehículos autónomos a situaciones peligrosas. El equipo también creó un conjunto de datos de capacitación de casos extremos para que los usen otros «sistemas autónomos críticos para la seguridad».
Con algunas herramientas más como esta, quizás los autos autónomos estén aquí antes de lo que estamos prediciendo.