Los algoritmos de veh\u00edculos aut\u00f3nomos se est\u00e1n convirtiendo cada vez m\u00e1s en una realidad. <\/p>\n\n
Esta publicaci\u00f3n de blog responder\u00e1 a estas preguntas. Tambi\u00e9n explicar\u00e1 qu\u00e9 los hace tan peligrosos para los peatones, ciclistas y otros conductores, y por qu\u00e9 deber\u00edamos preocuparnos por eso.<\/p>\n\n
Primero, hablemos sobre c\u00f3mo funcionan realmente estos sistemas de IA. El quid de cualquier algoritmo aut\u00f3nomo es una red neuronal profunda (DNN). Las DNN utilizan una red neuronal artificial para representar datos en capas: capa de entrada, capa(s) oculta(s) y capa de salida. Son conocidos por tener muchos par\u00e1metros que los hacen dif\u00edciles de entrenar. Afortunadamente, existen muchos tipos diferentes de t\u00e9cnicas de aprendizaje que pueden ayudar a aliviar ese problema. Por ejemplo, podemos utilizar la formaci\u00f3n previa y transferir el aprendizaje para que el proceso de formaci\u00f3n sea m\u00e1s r\u00e1pido y preciso.<\/p>\n\n
Hay varios tipos diferentes de DNN: las capas convolucionales, las capas recurrentes (RNN) y las capas de avance (FF) se usan ampliamente en aplicaciones de aprendizaje profundo, como los algoritmos de autom\u00f3viles aut\u00f3nomos. Las capas convolucionales aplicar\u00e1n un n\u00facleo o filtro para extraer caracter\u00edsticas de alto nivel de una entrada, de modo que cada elemento de la salida tenga dimensiones muy similares en comparaci\u00f3n con la capa anterior. Los RNN aprovechan las dependencias temporales, lo que significa que se pueden usar en situaciones en las que necesita comprender c\u00f3mo cambia algo con el tiempo, como comprender el habla o detectar objetos en im\u00e1genes\/videos. Las capas feedforward son mejores para capturar dependencias espaciales, raz\u00f3n por la cual se usan com\u00fanmente en tareas de clasificaci\u00f3n muy precisas.<\/p>\n\n
Para entrenar estos DNN, podemos usar una de dos t\u00e9cnicas: aprendizaje supervisado o aprendizaje no supervisado. Con el aprendizaje supervisado, el resultado deseado para cada entrada se entrega al modelo durante el entrenamiento; esto suele funcionar mejor cuando hay una etiqueta disponible que corresponde a cada observaci\u00f3n. El aprendizaje no supervisado implica el uso de un conjunto de datos sin etiquetar y darle funciones por s\u00ed mismo para que pueda agruparlos con patrones por s\u00ed mismo. Este enfoque nos permite clasificar objetos sin etiquetas, lo que hace que los algoritmos de autom\u00f3viles aut\u00f3nomos sean especialmente \u00fanicos en comparaci\u00f3n con la mayor\u00eda de las otras aplicaciones de visi\u00f3n artificial donde las etiquetas est\u00e1n presentes en casi todos los casos.<\/p>\n\n
El siguiente paso en la descripci\u00f3n de los algoritmos de los autom\u00f3viles aut\u00f3nomos es comprender qu\u00e9 los hace dif\u00edciles para los peatones, ciclistas y otros conductores. La respuesta a esa pregunta radica en c\u00f3mo estos sistemas de inteligencia artificial detectan objetos en movimiento. Por ejemplo, imagina que eres un coche aut\u00f3nomo que se acerca a un paso de peatones sin se\u00f1al de alto ni sem\u00e1foro. Cuando el peat\u00f3n presiona el bot\u00f3n en la intersecci\u00f3n, activar\u00e1 una se\u00f1al que le indicar\u00e1 a los autos que tienen derecho de paso. Nuestro sistema de inteligencia artificial debe confiar en esta se\u00f1al de radio inal\u00e1mbrica para determinar si debe reducir la velocidad o detenerse; de lo contrario, es posible que no pueda reaccionar lo suficientemente r\u00e1pido si se cruzan sin mirar a ambos lados.<\/p>\n\n
Esto plantea varios problemas: en primer lugar, las se\u00f1ales de RF a menudo son de corto alcance, por lo que su uso no es ideal para los algoritmos de autom\u00f3viles aut\u00f3nomos, ya que necesitar\u00edamos montar sensores adicionales encima de ellos; tambi\u00e9n necesitar\u00edamos m\u00e1s infraestructura y coordinaci\u00f3n en toda la ciudad para que funcione. En segundo lugar, las radios a menudo funcionan con bater\u00edas, por lo que pueden no ser confiables en ciertas situaciones, aunque esto tambi\u00e9n es un problema con los peatones humanos, no solo con los sistemas de IA. En tercer lugar, si hay interferencia o falta de conectividad, nuestro sistema de inteligencia artificial no sabr\u00e1 cu\u00e1ndo alguien est\u00e1 a punto de cruzar o si debe detenerse o reducir la velocidad. El cuarto problema es que los algoritmos de los autom\u00f3viles aut\u00f3nomos no tienen acceso a este tipo de se\u00f1ales, ya que la mayor\u00eda a\u00fan no est\u00e1 conectada directamente a las redes inal\u00e1mbricas locales.<\/p>\n\n
Esto significa que los sistemas de IA deben depender de otros tipos de datos de entrada para navegar en las intersecciones, como c\u00e1maras montadas en el exterior, c\u00e1maras dentro del autom\u00f3vil para detectar pasajeros y sensores en las ruedas para medir la velocidad. Esto tambi\u00e9n plantea algunos problemas: por ejemplo, si alguien activa un sem\u00e1foro con un autom\u00f3vil RC u otro tipo de controlador, nuestro sistema de inteligencia artificial podr\u00eda tener problemas para detectarlo porque no hay c\u00e1maras apuntando a esa intersecci\u00f3n. Los sem\u00e1foros tambi\u00e9n requieren electricidad, por lo que pueden fallar en ciertas situaciones, y esto es especialmente problem\u00e1tico si la bater\u00eda de nuestro autom\u00f3vil aut\u00f3nomo se agota.<\/p>\n\n
Sin embargo, existen muchos otros desaf\u00edos relacionados con el entrenamiento de algoritmos de autos sin conductor. Por ejemplo, el primer conjunto de problemas se relacionaba principalmente con la detecci\u00f3n de objetos, mientras que los peatones\/ciclistas no estaban presentes, ya que se mueven mucho m\u00e1s lentamente que los autom\u00f3viles, por lo que sus vectores de velocidad no ser\u00edan tan grandes en comparaci\u00f3n con los autom\u00f3viles. Sin embargo, ahora nos estamos acercando a un punto de inflexi\u00f3n en el que las velocidades de los autom\u00f3viles aut\u00f3nomos comienzan a rivalizar con los humanoides y ah\u00ed es donde se vuelven mucho m\u00e1s dif\u00edciles de detectar.<\/p>\n\n
Tambi\u00e9n est\u00e1 el problema de los datos de entrenamiento: si los entrenamos con demasiadas muestras de una determinada ciudad, es posible que no manejen bien las intersecciones en otras ciudades. Este es un problema especialmente masivo para empresas como Google, que han pasado a\u00f1os viajando por todo el mundo para mapear cada intersecci\u00f3n para que los sistemas de inteligencia artificial puedan implementarse en cualquier lugar del mundo. Puede leer m\u00e1s sobre este tema aqu\u00ed o echar un vistazo a esta serie de videos sobre visi\u00f3n artificial.<\/p>\n\n
Dado que es dif\u00edcil para este tipo de algoritmos navegar por las intersecciones, algunos investigadores est\u00e1n desarrollando nuevos m\u00e9todos que se basan en el aprendizaje por refuerzo en lugar del aprendizaje supervisado. Esta t\u00e9cnica consiste en entrenar a un autom\u00f3vil aut\u00f3nomo para navegar en las intersecciones adivinando al azar qu\u00e9 debe hacer despu\u00e9s de cada paso, como si su velocidad debe acelerarse o desacelerar y en qu\u00e9 direcci\u00f3n. Intenta una gran cantidad de acciones hasta que aprende el camino correcto de A a B, de manera similar a como los animales aprenden de sus padres en lugar de que se les ense\u00f1e expl\u00edcitamente.<\/p>\n\n
Por supuesto, los algoritmos de aprendizaje por refuerzo todav\u00eda se basan en sensores colocados alrededor del autom\u00f3vil, como c\u00e1maras que detectan peatones\/bicicletas. Una ventaja es que pueden mejorar en el manejo de las intersecciones con el tiempo, ya que podemos mejorar nuestra suposici\u00f3n inicial con cada intento consecutivo. Otro beneficio es que estos sistemas no requieren una infraestructura costosa como sem\u00e1foros y transmisores de radio, aunque a\u00fan necesitan poder detectar personas sin ellos.<\/p>\n\n
Es por eso que algunos investigadores de autom\u00f3viles aut\u00f3nomos est\u00e1n comenzando a utilizar humanos como una fuente adicional de datos de se\u00f1ales siempre que sea posible. Con suficiente capacitaci\u00f3n, pueden proporcionar a nuestros sistemas de IA informaci\u00f3n confiable sobre las pr\u00f3ximas intersecciones, y cuantos m\u00e1s datos reciban, mejor ser\u00e1 su toma de decisiones. Esto tambi\u00e9n podr\u00eda ser \u00fatil para otras tareas, como ayudar a nuestros compa\u00f1eros robots a navegar a trav\u00e9s de \u00e1reas concurridas o incluso encontrar objetos ocultos en las casas, ya que los robots generalmente dependen de c\u00e1maras\/sensores en lugar de la vista humana.<\/p>\n\n
Por supuesto, este m\u00e9todo tiene sus debilidades; por ejemplo, los humanos no son infalibles y no todos tenemos la misma cantidad de experiencia en la navegaci\u00f3n por las ciudades, adem\u00e1s siempre hay margen para el error cuando se trata de enviar instrucciones a los autos sin conductor. No est\u00e1 claro qu\u00e9 tan bien funcionar\u00e1n nuestros algoritmos de aprendizaje autom\u00e1tico en diferentes entornos, especialmente porque la toma de decisiones humanas tiende a estar influenciada por el propio paisaje urbano, lo que significa que es dif\u00edcil generalizar entre ubicaciones. Es por eso que muchos expertos todav\u00eda recomiendan el aprendizaje supervisado hasta que desarrollemos modelos m\u00e1s avanzados que puedan manejar estos problemas.<\/p>\n\n
Aunque hay menos accidentes automovil\u00edsticos cada a\u00f1o, por lo general ocurren en intersecciones donde los investigadores han tenido dificultades para entrenar los sistemas de inteligencia artificial, ya que los datos est\u00e1n incompletos o simplemente no est\u00e1n disponibles para ciertas regiones\/pa\u00edses, como las \u00e1reas rurales. Si desea obtener m\u00e1s informaci\u00f3n sobre los desaf\u00edos adicionales asociados con el desarrollo de veh\u00edculos aut\u00f3nomos, haga clic aqu\u00ed o consulte esta serie de art\u00edculos sobre el aprendizaje por refuerzo profundo.<\/p>\n\n
En pocas palabras, el autom\u00f3vil utiliza una serie de algoritmos para procesar grandes cantidades de datos de su entorno. Para entender lo que esto significa, es importante entender qu\u00e9 es un algoritmo. En inform\u00e1tica, un algoritmo es un conjunto de procedimientos o reglas paso a paso que definen c\u00f3mo se procesar\u00e1 y manejar\u00e1 la informaci\u00f3n. Los autom\u00f3viles aut\u00f3nomos utilizan estos algoritmos para procesar ciertas cosas sobre su entorno y hacer predicciones basadas en ellas, por ejemplo, la velocidad a la que se mueven los objetos entre s\u00ed. Se pueden encontrar muchos tipos de algoritmos en un autom\u00f3vil aut\u00f3nomo: detecci\u00f3n y clasificaci\u00f3n de objetos, planificaci\u00f3n y predicci\u00f3n de movimiento, localizaci\u00f3n y mapeo (SLAM), etc. Estos c\u00e1lculos los realizan muchos tipos diferentes de sensores, incluidas c\u00e1maras y esc\u00e1neres l\u00e1ser.<\/p>\n\n
Los autom\u00f3viles aut\u00f3nomos utilizan una variedad de sensores diferentes para rastrear su entorno. Algunas de las tecnolog\u00edas de sensores clave que se utilizan en los autom\u00f3viles aut\u00f3nomos son el radar, el Lidar y las im\u00e1genes \u00f3pticas. El radar emite ondas de radio para detectar objetos reflej\u00e1ndolos en las superficies; es bueno para ver objetos s\u00f3lidos\/grandes que pueden ser dif\u00edciles usando solo datos \u00f3pticos. Lidar es la abreviatura de Light Detection and Ranging: utiliza luz l\u00e1ser en lugar de ondas de radio para detectar superficies, como marcas viales y carriles, que pueden ser dif\u00edciles de ver de noche o con lluvia o nieve. La imagen \u00f3ptica es exactamente lo que parece: las c\u00e1maras del autom\u00f3vil captan im\u00e1genes que incluyen cosas como se\u00f1ales de tr\u00e1fico, carteles, peatones, etc. Las im\u00e1genes de radar, Lidar y \u00f3pticas son importantes para mejorar la conciencia del autom\u00f3vil sobre su entorno.<\/p>\n\n
Los autom\u00f3viles aut\u00f3nomos deben hacer varias cosas a la vez para poder operar de manera segura por su cuenta. Primero, deben sentir el entorno que los rodea utilizando datos de sus diferentes sensores; luego, deben procesar esos datos en informaci\u00f3n que se puede usar para determinar qu\u00e9 acciones se deben tomar a continuaci\u00f3n. Para hacer esto, los autos aut\u00f3nomos usan algoritmos que funcionan como un conjunto de procedimientos o reglas que sigue el auto para hacer predicciones basadas en se\u00f1ales ambientales. Las tecnolog\u00edas utilizadas en los autom\u00f3viles aut\u00f3nomos se mejoran constantemente con cada nuevo modelo que se lanza a las carreteras, pero a pesar de que estas m\u00e1quinas contin\u00faan mejorando, todav\u00eda tienen un largo camino por recorrer antes de convertirse en la corriente principal.<\/p>\n\n
\u00bfQui\u00e9nes son las personas detr\u00e1s de estos algoritmos? Los autom\u00f3viles aut\u00f3nomos son piezas de maquinaria complejas con muchos procesos diferentes en su interior en todo momento, por lo que se necesitan equipos de profesionales dedicados para que funcionen correctamente. Hay innumerables carreras en el mundo de los autos sin conductor, pero algunas de las m\u00e1s comunes incluyen ingenieros de visi\u00f3n por computadora, ingenieros de rob\u00f3tica y desarrolladores de software. Cada uno juega un papel integral en el desarrollo o mejora de nuevos modelos que se pueden utilizar para varios prop\u00f3sitos. No solo eso, sino que cada nueva innovaci\u00f3n genera oportunidades para otros que quieran involucrarse en su proceso de producci\u00f3n. \u00bfLa l\u00ednea de fondo? Dado que empresas de todo el mundo est\u00e1n invirtiendo tiempo e investigaci\u00f3n en autom\u00f3viles aut\u00f3nomos, es solo cuesti\u00f3n de tiempo antes de que estas m\u00e1quinas se perfeccionen e implementen en la sociedad.<\/p>\n\n
\u00bfCu\u00e1les son algunos otros datos sobre los autos que conducen solos? Si usted mismo est\u00e1 interesado en ser parte de esta industria o simplemente quiere saber m\u00e1s sobre la tecnolog\u00eda que hace que estos veh\u00edculos funcionen correctamente, visite el siguiente curso hoy.<\/p>\n\n