Expertos HC

¿Qué puedes esperar de los vehículos eléctricos totalmente autónomos?

La conducción autónoma es una característica que será cada vez más común, en poco tiempo, pero se deben superar varias dificultades en su desarrollo para lograr que realmente ayude a la sostenibilidad.

Conducción autónoma verde

Los Advanced Driver Assistance System -ADAS mantienen una gran esperanza. Pero a veces, los titulares sobre vehículos autónomos -AV en inglés- se ven amenazantes. Se centran en accidentes, regulación o tasación de compañías que algunos encuentran indignos. Nada de esto es irracional, pero hace que las increíbles posibilidades de un mundo con AV parezcan opacas.

Su impacto positivo a nivel medioambiental

Una de sus ventajas aceptadas universalmente es su potencial impacto positivo para el medio ambiente, pues la mayoría serán también eléctricos -EV por sus siglas anglosajonas-.

The Linley Group y su informes de analistas de la Industria proyectan un 2023 en el que el 7% de los vehículos en funcionamiento tendrán capacidades autónomas. En concreto serán unos 7,3 millones, y requerirán alrededor de 1.500 millones de dólares en procesadores específicos para conducción autónoma. Para el 2030 ya se espera una inversión de 14.000 millones, cuando más de la mitad de vehículos vendidos se clasificarán en nivel 3 o mayor. Esto dentro del ránking de capacidades autónomas según la Sociedad de Ingenieros Automotrices -SAE-.

Mientras que los chips fotónicos son más veloces y eficientes energéticamente, menos chips necesitarán alcanzar este nivel 3 de la SAE. Sin embargo, podemos esperar que este funcionamiento mejorado de cálculo acelere el desarrollo y la disponibilidad de AVs que estén enteramente dentro del nivel 5 de la SAE. En ese caso, el mercado para procesadores de conducción autónoma seguramente superará la proyección de 14 billones de dólares para 2030.

Cuando consideras todos los potenciales usos de los vehículos eléctricos autónomos -AEV-, incluyendo taxis y otros servicios en grandes ciudades, o el transporte limpio de bienes en autopistas, empezamos a ver como esta tecnología puede rápidamente impactar en nuestro entorno. Traerían aire limpio a las ciudades más pobladas y contaminadas.

Actualmente tienen un problema de sostenibilidad

Para funcionar de manera eficiente y segura, los AEVs deben sacar ventaja de de un despliegue de sensores: cámaras, lidar, radar y sensores ultrasónicos, por mencionar algunos. Estos trabajan juntos y agrupan datos para detectar, reaccionar y predecir, a tiempo real, convirtiéndose esencialmente en los «ojos» del vehículo.

Mientras que hay un debate sobre el número específico de sensores requeridos para asegurar los AVs adecuados, sí que hay unanimidad respecto a algo. Y es que crearan cantidades masivas de datos. Reaccionar a la información generada por estos sensores, incluso de manera simplista, requiere un gran poder de cálculo. Esto sin mencionar la energía para las baterías que operen los sensores. Este procesamiento y análisis de los datos requiere de algoritmos de aprendizaje profundo, una rama de IAs que destacan por su enorme huella de carbono.

Para ser una alternativa viable, tanto en eficiencia energética como en la económica, deben acercarse al rango que poseen los otros vehículos tradicionales. Sin embargo, a más sensores y algoritmos trabajan durante el trayecto del AEV, más bajas serán la capacidad de batería y la de conducción del vehículo.

Capacidades y autonomía de los eléctricos

Hoy apenas son capaces de alcanzar unos 480 kilómetros, antes de necesitar ser recargados. Un tradicional motor de combustión alcanza de media unos 663 kilómetros con el depósito lleno, de acuerdo con el Departamento de Energía de Estados Unidos. Añadir la conducción autónoma a esta mezcla amplía el espacio incluso más, acelerando una potencial degradación de las baterías.

El periódico Nature Energy publicó hace poco un trabajo que asegura que el alcance de AVs que conducen por la ciudad se reduce entre un 10% y un 15%. En el evento del Día de Autonomía Tesla de 2019, se desveló que el alcance en conducción se podría reducir hasta un 25%, cuando el sistema de asistencia a la conducción de Tesla se activa para trayectos urbanos. Esto reduce la autonomía media de 480 a 362 kilómetros, cruzando un umbral de atractivo para los clientes.

Un análisis de primer principio lleva esto incluso más allá. La solución de cálculo de la IA de NVIDIA para «robotaxis», llamada DRIVE, tiene un consumo de energía de 800 watts. Por su parte, un Tesla Model 3 tiene un consumo de 11,9 kWh/100km. A la velocidad media de 5o km/h por las ciudades, el Model 3 consume alrededor de 6 kW, con la energía dedicada exclusivamente al cálculo de la IA suponiendo alrededor del 13% de toda la energía para la conducción.

Problemas en batería, alcance y en su adopción

Este problema también se compone de los gastos generales de energía asociados con el enfriamiento de la generación de corriente, para los hambrientos chips de ordenador usados hoy en algoritmos de IA avanzados. Mientras se procesan las grandes cargas de trabajo de la IA, estas arquitecturas para chips semiconductores generan cantidades masivas de calor.

Mientras los chips procesan esta carga de trabajo, generan un calor que aumenta su temperatura, y que por tanto afecta al funcionamiento. Se necesita entonces un mayor esfuerzo, y se desperdicia energía en disipadores de calor, en ventiladores y otros métodos para reducir las altas temperaturas. Esto continúa reduciendo la energía de la batería, y por consiguiente el alcance del EV. Mientras la industria automotriz autónoma sigue evolucionando, se necesitan urgentemente nuevas soluciones que eliminen este calor por el chip de cálculo con IA.

Los obstáculos actuales con el chip

Durante décadas hemos dependido de la Ley de Moore, así como de la Escala de Dennard de su primo menos conocido, para obtener más poder de cálculo por impacto cada año. Hoy se sabe bien que los ordenadores eléctricos ya no mejoran de manera significativa el funcionamiento por watt. Esto ha resultado en sobrecalentamiento en centros de datos por todo el mundo.

Las mayores ganancias a conseguir en cálculo se encuentran en el nivel de arquitectura de los chips, específicamente en los hechos a medida y para aplicaciones determinadas. Sin embargo, los avances en esta arquitectura son un truco único. Sólo pueden hacerse en momentos singulares de tiempo, dentro de la historia de la informática.

Actualmente, la energía de cálculo requerida para entrenar algoritmos de inteligencia artificial, y para hacer funcionar la conclusión con los modelos resultantes, está creciendo exponencialmente. Ya lo hace cinco veces más rápido que el ritmo de progreso de la Ley de Moore. Una consecuencia es el enorme espacio entre la cantidad de computación en la nube requerida para llevar la promesa de los AVs, y el estado actual de la informática.

Los AEVs se encuentran en un «tira y afloja» entre mantener el alcance de la batería, y el poder informático a tiempo real que se necesita para aumentar la autonomía.

*Artículo escrito por Nick Harris y publicado originalmente en TechCrunch.

DEJA UNA RESPUESTA

¡Por favor, escribe tu comentario!
Por favor, introduce tu nombre aquí

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.