El papel de la Inteligencia Artificial en la conducción autónoma
El sueño de la conducción autónoma no es algo reciente. Hace ya más de 80 años, General Motors presentó en la exposición universal de Nueva York de 1939 su visión de un mundo futuro que incluía carreteras inteligentes y coches autónomos. Ese mismo año, las divisiones de Cadillac y Oldsmobile desarrollaron la transmisión automática. Sin saberlo, se comenzaban a dar los primeros pasos en el desarrollo del coche autónomo.
Muchos progresos en el desarrollo de Sistemas Avanzados de Asistencia a la Conducción (ADAS, por sus siglas en inglés) han surgido de comprobar que hacemos una conducción ineficiente. En los años 40, Ralph Teetor, quien no podía conducir por ser invidente, notó en su conductor una tendencia a reducir la velocidad al hablar, y a acelerar al escuchar. Su invención dio lugar al control de crucero moderno. El avance más relevante llegaría cuando comenzamos a poner ordenadores en los vehículos en los años 70 y 80, y la electrónica pasó a tener un papel predominante frente a la mecánica. Quizá el primer ejemplo en el que la electrónica del vehículo podía percibir el mundo que le rodeaba fue el sistema de advertencia de cambio involuntario de carril, desarrollado para el Mercedes-Benz Actros a principios de los 2000.
El factor humano -conducción distraída, uso del teléfono móvil, sueño, velocidad y alcohol─ sigue estando detrás de alrededor del 90 % de los siniestros, de acuerdo con la DGT. Una tecnología del vehículo que pueda “ver” a su alrededor mejor que una persona y reaccionar más rápido podría reducir significativamente estos accidentes y salvar vidas. Los avances en redes neuronales artificiales, software y hardware están favoreciendo una aceleración en el desarrollo del coche autónomo. Sin embargo, quedan algunos obstáculos por superar:
En primer lugar, la sensorización: para poder actuar, es necesario sentir. Es decir, el sistema autónomo debe ser capaz de comprender su entorno para tomar una decisión. Los avances en la tecnología de lidar, radar, ultrasonidos y vídeo, entre otros, están permitiendo dotar al vehículo de los datos de entrada necesarios. El lidar (del inglés Light Detection and Ranging) es un dispositivo de 360 grados alrededor del vehículo que continuamente dispara rayos de luz láser, midiendo el tiempo en que la luz tarda en regresar al sensor, lo que permite reconstruir en 3D el escenario de conducción. El lidar convencional tiene algunas limitaciones en condiciones meteorológicas adversas -nieve, niebla, lluvia- y por la falta de información sobre el contraste y color, su notable tamaño y su alto precio. El radar tradicional, por otro lado, puede ver a través de la nieve, es excelente a grandes distancias, y puede juzgar la velocidad relativa de los objetos, pero por sí solo no puede distinguirlos. Los sensores de ultrasonidos detectan bien objetos próximos, pero su alcance es reducido. Por último, las cámaras pueden detectar y clasificar peatones, otros vehículos, señales de tráfico, etc., pero dependen de las condiciones cambiantes de luz. Por ahora ningún sensor puede realizar el trabajo por sí solo, siendo necesario que trabajen conjuntamente, en lo que se conoce como fusión de sensores.
En segundo lugar, la batalla de los datos: en el desarrollo del coche autónomo será necesario recoger, almacenar, analizar e interpretar una ingente cantidad de datos al volante. Ello permitirá diseñar algoritmos que puedan reaccionar ante situaciones comunes y casos frontera que no se dan a menudo. Recoger todos estos datos puede tener un alto coste para las compañías, por lo que, complementar los datos reales con entornos de simulación fotorrealistas puede servir para probar los sistemas autónomos en situaciones difíciles o muy costosas de reproducir.
En tercer lugar, el Deep Learning: la IA se vuelve aún más interesante cuando la máquina no solo puede imitar, sino igualar o incluso superar el rendimiento humano. En este sentido, hay mucho entusiasmo sobre un tipo de aprendizaje automático llamado Deep Learning, donde se utilizan redes neuronales artificiales. Mediante un proceso en el que mostramos a la red diferentes experiencias o ejemplos (entrenamiento), conseguimos que la red aprenda las relaciones entre, por ejemplo, la imagen que le enseñamos y el objeto en cuestión. Sin embargo, estos modelos matemáticos deben integrarse como parte de un sistema mayor.
El cuarto punto a tratar es el despliegue: automatizar los flujos de trabajo de la IA con herramientas y APIs específicas puede acelerar significativamente el desarrollo de los productos, reducir riesgos, fomentar la colaboración entre equipos y, sobre todo, mejorar los resultados finales. Dado que será necesario integrar estos modelos de IA en el software del vehículo, disponer de la capacidad de generar automáticamente código optimizado que pueda ejecutarse sobre la plataforma hardware de destino podrá ahorrar un valioso tiempo y reducir el error humano. Asimismo, estos modelos deberán ser refinados a medida que se recorren más y más kilómetros. Esto implica disponer de mecanismos que automaticen la recogida y preparación de los datos, el entrenamiento de los modelos, la generación de código y realización de las pruebas antes de actualizar el software del vehículo.
Por último, la regulación y aceptación social: sin regulación y normativa, ningún vehículo que conduzca por sí solo podrá circular por la vía pública. Países como China o Estados Unidos llevan una notable ventaja con respecto a la Unión Europea. Los retos tecnológicos discutidos en los puntos anteriores ya están siendo resueltos a distintos niveles para el desarrollo de sistemas ADAS en vehículos disponibles hoy día y para vehículos totalmente autónomos en zonas o recintos controlados. Para enfrentarse a estos retos, ingenieros de automoción utilizan Matlab y Simulink, que les permiten avanzar rápidamente desde el prototipo al entorno de producción. A este complejo y, previsiblemente, largo proceso regulatorio, debemos añadir la aceptación social. Ya hemos reemplazado en el pasado actividades que realizábamos los humanos por una automatización en la que la máquina pasa a ser la responsable del proceso. ¿Estará la sociedad preparada para aceptar un sistema de transporte totalmente automatizado en la carretera?