Hoy por hoy, los vehículos autónomos concentran los esfuerzos tecnológicos de grandes fabricantes, aplicaciones de movilidad, centros de investigación… Seguro que ya has oído hablar largo y tendido de muchos ejemplos.
También es probable que, en todos esos casos, el vehículo equipara una arquitectura de radares LiDAR y cámaras, con la que registrar el entorno y actuar en consecuencia. La información que proporcionan es procesada por algoritmos de análisis de imágenes.
Todo sea por garantizar que estos vehículos detectan los obstáculos y los evitan de forma fiable. Además, no se trata solo de los simples obstáculos, sino también de los peatones y otros coches en la vía.
¿Cuál puede ser la alternativa?
Pero todo eso puede estar a punto de cambiar. Un equipo internacional liderado por el profesor Gwanggil Jeon, de la Universidad Nacional de Incheon –Corea del Sur-, ha desarrollado un sistema de punto a punto basado en el Internet de las Cosas.
Con él, es posible detectar un mayor número de objetos en tres dimensiones en tiempo real mediante el aprendizaje profundo de máquinas. Este método resulta mucho más preciso, fiable y eficiente que los LiDAR tradicionales. Además, funciona mejor en condiciones de baja iluminación o ante las inclemencias del tiempo.
El modelo de detección desarrollado se basa en un algoritmo ampliamente conocido: el YOLOv3. Curiosamente, esta denominación responde a las siglas de la frase “You Only Live Once” [“sólo se vive una vez”]. Inicialmente, dicho modelo se usó para la detección de objetos en dos dimensiones, y posteriormente fue modificado para operar con objetos en 3D.
Se alimentó a este algoritmo con imágenes recogidas en escala de colores RGB y mapas de puntos. De esta forma, el YOLOv3 entregó etiquetas de clasificación y las llamadas “bounding boxes” o cajas delimitadoras -un rectángulo dentro del cual el algoritmo ubica el objeto que acaba de reconocer- con una serie de puntuaciones de confianza.
Eficacia certificada
Para probar la fiabilidad de los outputs del algoritmo YOLOv3, su rendimiento se comparó con la información disponible en la base de datos de Lyft sobre conducción autónoma de nivel 5. Esta empresa de transporte estadounidense que ya lleva tiempo operando con coches autónomos.
El resultado ha sido una precisión de más del 96%, tanto para objetos 2D como 3D. Esta cifra sitúa al experimento del equipo del profesor Jeon por encima de los modelos más avanzados que se habían probado hasta ahora.
El pasado 17 de octubre, el estudio se publicó en la revista “IEEE Transactions of Intelligent Transport Systems”. El profesor Jeon resume el estado de la investigación con coches autónomos: “Actualmente, la conducción autónoma se pone en práctica mediante procesamiento de imagen basado en radares LiDAR, pero se prevé que una cámara general sustituya a estos dispositivos en el futuro.
Como tal, la tecnología usada en vehículos autónomos cambia a cada instante, y estamos a la vanguardia”. Jeon estima que, de acuerdo con el desarrollo actual de las tecnologías, los vehículos autónomos habrán mejorado considerablemente su seguridad en un plazo de cinco a diez años.
