Modelos y plataformas de IA
Vehículos todo terreno autónomos están llegando

Puntos claveEl conjunto de datos TartanDrive de la CMU incluye 200,000 interacciones todoterreno…
Ver más
- El conjunto de datos TartanDrive de la CMU incluye 200,000 interacciones todoterreno del mundo real provenientes de conducción agresiva de vehículos todo terreno (ATV).
- La autonomía todoterreno requiere comprender la dinámica del terreno, a diferencia de la conducción urbana más simple con etiquetas estáticas.
- Las primeras aplicaciones de vehículos autónomos probablemente serán áreas todoterreno controladas para minimizar el riesgo de colisiones.
Un equipo de investigadores de la Universidad Carnegie Mellon (CMU) está acercándonos un paso más a lograr vehículos todo terreno autónomos. El equipo condujo un vehículo todo terreno a través de diferentes entornos, incluyendo pastos altos, grava suelta y barro, para recopilar datos sobre cómo el vehículo interactuaba con estos tipos de entornos fuera de la carretera.
Creación del conjunto de datos TartanDrive
El vehículo todo terreno se condujo de manera agresiva a velocidades de hasta 30 millas por hora. Se deslizó en curvas, subió y bajó colinas y se atascó en el barro mientras recopilaba datos importantes como video, la velocidad de cada rueda y el recorrido de la suspensión de siete tipos de sensores.
Después de recopilar todos los datos, se compilaron en un conjunto de datos llamado TartanDrive. Incluye alrededor de 200,000 interacciones del mundo real, y el equipo cree que es el conjunto de datos de conducción fuera de la carretera multimodal más grande del mundo real. Los datos podrían utilizarse más adelante para entrenar a un vehículo autónomo para la navegación fuera de la carretera.
Wenshan Wang es un científico del proyecto en el Instituto de Robótica (RI).
“A diferencia de la conducción autónoma en la calle, la conducción fuera de la carretera es más desafiante porque debes entender la dinámica del terreno para conducir de manera segura y rápida”, dijo Wang.
Ha habido algún trabajo previo en este área, pero a menudo involucraba mapas anotados que proporcionaban etiquetas como barro, pasto, vegetación y agua. Estas etiquetas ayudaban al robot a entender el terreno que estaba navegando, pero el problema es que esta información a menudo es difícil de recopilar. También es información bastante genérica. Por ejemplo, “barro” podría significar un terreno que puede ser transitable o no.
Construcción de modelos de predicción
Con los datos de sensores multimodales que el equipo recopiló, podrían construir modelos de predicción que son superiores a los modelos desarrollados con datos simples y no dinámicos. Al conducir el vehículo todo terreno de manera agresiva, se hizo crucial entender la dinámica de su rendimiento.
Samuel Triest es un estudiante de maestría de segundo año en robótica y autor principal del artículo de investigación.
“La dinámica de estos sistemas tiende a volverse más desafiante a medida que aumentas la velocidad”, dijo Triest. “Conduces más rápido, te golpeas con más cosas. Gran parte de los datos que estábamos interesados en recopilar era esta conducción más agresiva, pendientes más desafiantes y vegetación más densa porque es donde algunas de las reglas más simples comienzan a fallar”.
Aunque es cierto que la mayoría de la investigación y el trabajo que rodea a los vehículos autónomos se dirige a la conducción en la calle, los investigadores dicen que las primeras aplicaciones probablemente serán áreas controladas fuera de la carretera. Esto permite un menor riesgo de colisiones.
El equipo realizó todas sus pruebas en un sitio controlado cerca de Pittsburgh donde el Centro Nacional de Ingeniería Robótica de CMU prueba vehículos todo terreno autónomos.
El vehículo todo terreno se condujo por humanos utilizando un sistema de control electrónico drive-by-wire para controlar la dirección y la velocidad.
“Estábamos obligando al humano a pasar por la misma interfaz de control que el robot”, dijo Wang. “De esa manera, las acciones que el humano toma pueden utilizarse directamente como entrada para cómo el robot debe actuar”.
La investigación se presentará en la Conferencia Internacional sobre Robótica y Automatización (ICRA) en Filadelfia.












