Con el objetivo de dotar a los vehículos autónomos de un razonamiento más parecido al humano, investigadores del MIT han creado un sistema que utiliza únicamente mapas sencillos y datos visuales para que los coches autónomos puedan circular por rutas en entornos nuevos y complejos.
Los conductores humanos son excepcionalmente buenos orientándose en carreteras por las que nunca han circulado, utilizando la observación y herramientas sencillas. Simplemente comparamos lo que vemos a nuestro alrededor con lo que vemos en nuestros dispositivos GPS para determinar dónde estamos y adónde necesitamos ir. Sin embargo, los coches autónomos tienen dificultades con este razonamiento básico. En cada nueva zona, los coches deben primero cartografiar y analizar todas las carreteras nuevas, lo que requiere mucho tiempo. Además, los sistemas dependen de mapas complejos, generalmente generados mediante escaneos en 3D, cuya creación y procesamiento sobre la marcha requieren una gran capacidad computacional.
En un artículo que se presentará esta semana en la Conferencia Internacional sobre Robótica y Automatización, investigadores del MIT describen un sistema de control autónomo que "aprende" los patrones de dirección de los conductores humanos mientras circulan por carreteras de una zona pequeña, utilizando únicamente datos de las cámaras de vídeo y un mapa sencillo de tipo GPS. Después, el sistema entrenado puede controlar un coche autónomo a lo largo de una ruta planificada en una zona totalmente nueva, imitando al conductor humano.
De forma similar a los conductores humanos, el sistema también detecta las discrepancias entre su mapa y las características de la carretera. Esto le permite determinar si su posición, sensores o cartografía son incorrectos, con el fin de corregir el rumbo del coche.
Para entrenar inicialmente el sistema, un operador humano controló un Toyota Prius automatizado, equipado con varias cámaras y un sistema básico de navegación GPS, para recopilar datos de calles de zonas residenciales cercanas, incluidas diversas estructuras viales y obstáculos. Una vez desplegado de forma autónoma, el sistema logró guiar el coche por una ruta preplanificada en una zona boscosa distinta, destinada a pruebas de vehículos autónomos.
"Con nuestro sistema, no es necesario entrenar en cada carretera de antemano", afirma el primer autor, Alexander Amini, estudiante de posgrado del MIT. "Se puede descargar un mapa nuevo para que el coche circule por carreteras que nunca ha visto antes."
"Nuestro objetivo es lograr una navegación autónoma robusta para conducir en entornos nuevos", añade la coautora Daniela Rus, directora del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) y catedrática Andrew y Erna Viterbi de Ingeniería Eléctrica e Informática. "Por ejemplo, si entrenamos a un vehículo autónomo para conducir en un entorno urbano, como las calles de Cambridge, el sistema también debería ser capaz de conducir con suavidad en el bosque, incluso si es un entorno que nunca ha visto antes."
Junto a Rus y Amini, en el artículo también participan Guy Rosman, investigador del Instituto de Investigación de Toyota, y Sertac Karaman, profesor asociado de Aeronáutica y Astronáutica del MIT.
Navegación punto a punto
Los sistemas de navegación tradicionales procesan los datos de los sensores a través de múltiples módulos diseñados para tareas como la localización, la cartografía, la detección de objetos, la planificación del movimiento y el control de la dirección. Durante años, el grupo de Rus ha estado desarrollando sistemas de navegación "de extremo a extremo", que procesan los datos sensoriales de entrada y generan comandos de dirección, sin necesidad de módulos especializados.
Hasta ahora, sin embargo, estos modelos se diseñaban estrictamente para seguir la carretera de forma segura, sin un destino real en mente. En el nuevo artículo, los investigadores han ampliado su sistema de extremo a extremo para conducir desde un punto de partida hasta un destino, en un entorno no visto previamente. Para ello, entrenaron su sistema para predecir una distribución de probabilidad completa sobre todos los posibles comandos de dirección en cualquier instante durante la conducción.
El sistema utiliza un modelo de aprendizaje automático llamado red neuronal convolucional (CNN), de uso habitual en el reconocimiento de imágenes. Durante el entrenamiento, el sistema observa y aprende a dirigir el vehículo a partir de un conductor humano. La CNN relaciona los giros del volante con las curvaturas de la carretera que observa a través de las cámaras y de un mapa introducido. Con el tiempo, aprende el comando de dirección más probable para diversas situaciones de conducción, como tramos rectos, cruces de cuatro vías o en forma de T, bifurcaciones y rotondas.
"Inicialmente, en un cruce en forma de T, hay muchas direcciones distintas en las que el coche podría girar", explica Rus. "El modelo empieza considerando todas esas direcciones, pero a medida que ve más datos sobre lo que hace la gente, observará que algunas personas giran a la izquierda y otras a la derecha, pero nadie sigue recto. Seguir recto queda descartado como posible dirección, y el modelo aprende que, en los cruces en forma de T, solo puede girar a la izquierda o a la derecha."
¿Qué dice el mapa?
En las pruebas, los investigadores introducen en el sistema un mapa con una ruta elegida al azar. Durante la conducción, el sistema extrae características visuales de la cámara, lo que le permite predecir las estructuras de la carretera. Por ejemplo, identifica una señal de stop a lo lejos o las interrupciones de las líneas en el margen de la carretera como indicios de una intersección próxima. En cada momento, utiliza su distribución de probabilidad predicha de comandos de dirección para elegir el más probable y seguir su ruta.
Es importante destacar, según los investigadores, que el sistema utiliza mapas fáciles de almacenar y procesar. Los sistemas de control autónomo suelen utilizar escaneos LIDAR para crear mapas masivos y complejos que ocupan aproximadamente 4000 gigabytes (4 terabytes) de datos solo para almacenar la ciudad de San Francisco. Para cada nuevo destino, el coche debe crear mapas nuevos, lo que supone una enorme cantidad de procesamiento de datos. Sin embargo, los mapas utilizados por el sistema de los investigadores abarcan el mundo entero con solo 40 gigabytes de datos.
Durante la conducción autónoma, el sistema también compara continuamente sus datos visuales con los datos del mapa y registra cualquier discrepancia. Esto ayuda al vehículo autónomo a determinar mejor dónde se encuentra en la carretera. Además, garantiza que el coche se mantenga en la trayectoria más segura si recibe información contradictoria: si, por ejemplo, el coche circula por una carretera recta sin giros y el GPS indica que debe girar a la derecha, el coche sabrá que debe seguir recto o detenerse.
"En el mundo real, los sensores sí fallan", afirma Amini. "Queremos asegurarnos de que el sistema sea robusto ante los distintos fallos de los distintos sensores, creando un sistema capaz de aceptar estas entradas ruidosas y, aun así, navegar y localizarse correctamente en la carretera."
