¿Por qué los coches autónomos son el futuro y cómo se crean?

Debido a las recientes medidas de cuarentena adaptativa impuestas en prácticamente todas las partes del mundo, el transporte aéreo, el transporte público y muchos otros sectores sufrieron un gran golpe en 2020. Sin embargo, el mundo automotriz y los vehículos autónomos, en particular, han mostrado una mayor resistencia durante este difícil tiempo. De hecho, empresas como Ford han aumentado sus inversiones en el desarrollo de coches eléctricos y autónomos al asignar $29 mil millones de dólares en el cuarto trimestre del año pasado. Específicamente, $7 mil millones de ese dinero se destinarán al desarrollo de coches autónomos. Así, Ford se une a General Motors, Tesla, Baidu y otros fabricantes de automóviles que invierten fuertemente en vehículos autónomos. En este artículo, les contaremos por qué las empresas invierten en coches autónomos y cómo se entrenan los algoritmos de aprendizaje automático que los impulsan.

¿Por qué tantas empresas invierten en coches autónomos?

Cuando examinamos todos los beneficios que ofrecen los vehículos autónomos, es fácil ver por qué tantas empresas invierten en su desarrollo. Los conductores podrán ahorrar más dinero ya que no tendrán que pagar planes de seguro costosos, acelerarán sus desplazamientos diarios, mejorarán la economía de combustible y muchos otros beneficios. Para las empresas, esta automatización abre la puerta a mayores ahorros. Un gran ejemplo de esto es el transporte de camiones de larga distancia autónomos, que podrá reducir los costos operativos en un 45%, según un informe de McKinsey & Company.

El principal beneficio tiene que ser la mayor seguridad. Según la NHTSA, el 94% de los accidentes graves son el resultado de errores humanos. Los coches autónomos pueden reducir significativamente el número de accidentes ya que no requieren ninguna entrada del conductor y tienen una visión de 360 grados en todo momento. Además, los sistemas avanzados de seguridad para conductores (ADAS) pueden asumir funciones de seguridad críticas en situaciones peligrosas, como frenar y dirigir. Hay mucho valor agregado que los vehículos autónomos ofrecen a la sociedad, como la reducción de emisiones. De hecho, un caso básico mostró una reducción del 9% en la energía y las emisiones de gases de efecto invernadero en toda la vida del vehículo en comparación con los de un vehículo convencional. Ahora que conocemos todos los beneficios que los coches autónomos tienen que ofrecer, veamos cómo se entrenan para reconocer el mundo que los rodea.

¿Cómo funcionan los AV y cómo pueden convertirse en una realidad

Un vehículo autónomo necesita seguir las reglas de la carretera y para hacerlo, necesita reconocer todos los diversos signos de tráfico, marcas viales, detectar otros vehículos y peatones, y contarless objetos. Estos vehículos de IA confían en el aprendizaje automático para “calcular” qué debe hacerse en todas las situaciones de conducción. Comencemos con un ejemplo básico. Una persona está en su AV conduciendo en la autopista para ir al trabajo. El coche necesitará identificar correctamente el límite de velocidad publicado, mantener una distancia segura del coche de adelante y, cuando entre en una zona residencial, necesitará reconocer a los peatones y dejar que crucen la carretera.

Esto requiere miles y miles de imágenes que deben ser anotadas mediante técnicas que van desde la etiquetado hasta la segmentación semántica. De hecho, Evgenia Khimenko, la CEO de Mindy Support, una empresa que proporciona servicios de anotación de datos para el sector automotriz, dice que hay una amplia gama de proyectos de anotación de datos para la industria automotriz que son posibles:

“Estos incluyen proyectos como el reconocimiento de caras en videos para entrenar a los coches autónomos para identificar el comportamiento de otros conductores en la carretera, etiquetado y anotación de video para detectar el movimiento y la dirección del vehículo (anotamos más de 545 millones de secuencias de imágenes). Otra tarea de anotación de audio sofisticada fue cuando tuvimos que identificar la marca de tiempo y etiquetar el habla humana, así como todo el ruido de fondo que ocurre dentro del vehículo, como la radio, la risa, los gritos, el canto, los animales e incluso el silencio”.

Consideremos un escenario complejo. Imaginemos que el vehículo autónomo conduce en un barrio residencial y hay adolescentes con patinetas que esperan cruzar la carretera. Según las reglas, el coche tiene el derecho de paso, pero hay una buena posibilidad de que los adolescentes no esperen a que el semáforo se vuelva verde y traten de cruzar la carretera prematuramente. Un conductor humano estará bien consciente de tal riesgo y reducirá la velocidad para anticipar tal evento, pero para una máquina, esto sería muy difícil de calcular. Este es el próximo paso que los investigadores están tratando de dar con los vehículos autónomos y simplemente más datos anotados pueden ser la respuesta.

¿Cómo ven los AV el mundo físico?

Los vehículos autónomos confían en la tecnología LiDAR para ayudarlos a ver el mundo que los rodea. LiDAR crea una nube de puntos 3D que es una representación digital de cómo el sistema de IA ve el mundo. Esta tecnología no se reserva solo para vehículos autónomos, también se utiliza para otros trabajos de automatización robótica, como crear un robot que pueda cosechar cultivos para el sector agrícola. La nube de puntos 3D también necesitará ser anotada para que la máquina sepa exactamente lo que está viendo. Esto generalmente se hace con técnicas como la etiquetado, cajas 3D y segmentación semántica. Una forma más avanzada de anotación sería codificar por colores la nube de puntos 3D para que el vehículo entienda la distancia del objeto.

La forma en que funciona LiDAR es que envía una señal de luz a todos los objetos que lo rodean y, dependiendo de cuánto tiempo tarda la luz en regresar, le da a la IA una comprensión de cuán lejos está el objeto. Por ejemplo, el suelo en la nube de puntos 3D siempre será azul porque es el punto más bajo, la luz se reflejará rápidamente y el azul tiene una longitud de onda muy corta. Uno de los edificios circundantes puede ser rojo o naranja, dependiendo de cuán lejos esté.

Es digno de mencionar que LiDAR no es el único juego en la ciudad. Por ejemplo, Tesla utiliza algo llamado Hydrant, que es una combinación de ocho cámaras que cosen una imagen completa de la carretera. Otras empresas, como Waymo y Voyage, utilizan LiDAR. Una posible razón por la que Tesla puede estar evitando LiDAR es que es muy voluminoso y arruina la apariencia general del coche. Después de todo, los Teslas son muy caros y los conductores probablemente no querrán una gran caja sentada en el techo de sus coches. Las empresas que desarrollan robotaxis, como Waymo, pueden permitirse el lujo de utilizar LiDAR.

¿Por qué los datos de entrenamiento de calidad son tan importantes?

Tener datos de entrenamiento de calidad es una de las cosas más esenciales que se necesitan para crear un coche autónomo. Sin embargo, simplemente obtener estos datos no es suficiente. Los conjuntos de datos de entrenamiento necesitan ser preparados a través de la anotación de datos para que el sistema de IA pueda aprender de ellos. Si bien este es un proceso muy tiempo consumidor y tedioso, el éxito de todo el proyecto depende de él. Después de todo, los coches autónomos son el futuro y pueden potencialmente ayudarnos a reducir o incluso eliminar algunos de los problemas que estamos experimentando en términos de accidentes de coche y víctimas, problemas ambientales y el congestionamiento en las carreteras.