Uno de los mayores desafíos que enfrentan los vehículos autónomos es que tienen dificultades para navegar en condiciones climáticas adversas, lo que realmente limita su implementación en ciudades nevadas como Detroit y Chicago. Los vehículos dependen de datos de sensores cruciales para detectar obstáculos y mantenerse en el lado correcto de la carretera, pero estos datos tienen problemas en la nieve.
En dos nuevos trabajos presentados en SPIE Defensa + Detección Comercial 2021investigadores de la Universidad Tecnológica de Michigan analizaron nuevas soluciones para escenarios de conducción en la nieve con vehículos autónomos.
Existe una amplia gama de vehículos autónomos, incluidos algunos con puntos ciegos o asistencia de frenado, y otros con modos de conducción autónoma activados y desactivados. Algunos de los mejores vehículos pueden funcionar completamente solos.
Debido a que la tecnología todavía está en su infancia en muchos sentidos, los fabricantes de automóviles y las universidades de investigación trabajan continuamente para mejorar la tecnología y los algoritmos. Cuando ocurren accidentes, a menudo son el resultado de un error de juicio por parte de la IA del automóvil o un error humano.
Sensores humanos
Los ojos humanos también son una forma de sensores, ya que perciben el equilibrio y el movimiento. Nuestro cerebro actúa como un procesador, ayudándonos a comprender nuestro entorno. Estos juntos nos permiten conducir en todos los escenarios, incluso en los que son nuevos, ya que nuestro cerebro puede generalizar experiencias novedosas.
Los vehículos autónomos suelen tener dos cámaras montadas en cardanes, y escanean y perciben la profundidad usando visión estéreo para imitar la visión humana. Al mismo tiempo, el equilibrio y el movimiento se pueden medir con una unidad de medida inercial. Las computadoras, por otro lado, solo pueden reaccionar a escenarios encontrados previamente o aquellos para los que ya han sido programados para reconocer.
Fusión de sensores
Los vehículos autónomos se basan en algoritmos de inteligencia artificial para tareas específicas, que requieren múltiples sensores como cámaras de ojo de pez, sensores infrarrojos, radar, detección de luz y lidar.
Nathir Rawashdeh es profesor asistente de computación en la Facultad de Computación de Michigan Tech y uno de los autores principales del estudio.
“Cada sensor tiene limitaciones, y cada sensor cubre la espalda de otro”, dijo Rawashdeh. “La fusión de sensores utiliza múltiples sensores de diferentes modalidades para comprender una escena. No puede programar exhaustivamente cada detalle cuando las entradas tienen patrones difíciles. Por eso necesitamos la IA”.
Los colaboradores del estudio incluyeron a Nader Abu-Alrub, estudiante de doctorado en ingeniería eléctrica e informática, y Jeremy Bos, profesor asistente de ingeniería eléctrica e informática. Otros colaboradores incluyeron estudiantes de maestría y graduados del laboratorio de Bos: Akhil Kurup, Derek Chopp y Zach Jeffreies.
Los sensores autónomos y los algoritmos de conducción autónoma se desarrollan casi exclusivamente en paisajes soleados y despejados. El laboratorio de Bos comenzó a recopilar datos en un vehículo autónomo de Michigan Tech en medio de fuertes nevadas, y se recopilaron más de 1000 cuadros de datos de imágenes, radar y lidar de carreteras nevadas en Alemania y Noruega.
Según Bos, la detección del sensor es difícil debido a la variedad de nieve. Es importante preprocesar los datos y garantizar un etiquetado preciso.
“No toda la nieve se crea igual”, dijo Bos. “La IA es como un chef: si tiene buenos ingredientes, habrá una excelente comida”, dijo. “Dé a la red de aprendizaje de IA datos de sensores sucios y obtendrá un mal resultado”.
Algunos otros desafíos importantes involucran datos de baja calidad y suciedad, y la acumulación de nieve en los sensores causa sus propios problemas. Incluso después de borrar los sensores, no siempre hay acuerdo en la detección de obstáculos. A menudo es realmente difícil lograr que los sensores y sus evaluaciones de riesgo se comuniquen y aprendan unos de otros, ya que cada uno puede llegar a sus propias conclusiones. Sin embargo, el equipo quiere que los sensores autónomos lleguen colectivamente a una conclusión mediante el uso de la fusión de sensores.
“En lugar de votar estrictamente, mediante el uso de la fusión de sensores obtendremos una nueva estimación”, dice Bos.
Los sensores de vehículos autónomos seguirán aprendiendo y mejorando con mal tiempo, y los nuevos enfoques, como la fusión de sensores, podrían abrir el camino a los vehículos autónomos en carreteras nevadas.