Los coches autónomos han sido uno de los temas más populares en la industria automotriz en los últimos años. Sin embargo, a pesar de los avances tecnológicos y la inversión millonaria en el desarrollo de estos vehículos, su despliegue masivo en las carreteras todavía parece estar lejos de ser una realidad.
Uno de los mayores desafíos que enfrentan los vehículos autónomos es la imprevisibilidad del comportamiento humano en la carretera. Aunque los coches autónomos han recorrido millones de millas en pruebas y están equipados con sensores y mapas detallados, aún no pueden prever los movimientos erráticos de otros conductores y peatones.
Según Henry Liu, profesor de ingeniería civil en la Universidad de Michigan, «el rendimiento de seguridad de estos vehículos de conducción autónoma, incluso con un sistema de conducción automatizado de última generación, no está a la altura de los conductores humanos en este momento». Además, la rareza de los accidentes en la conducción diaria dificulta que los vehículos autónomos aprendan de situaciones peligrosas.
La solución de Liu y su equipo
Para solucionar este problema, Liu y su equipo en la Universidad de Michigan han desarrollado una técnica innovadora para acelerar el aprendizaje de los coches autónomos en situaciones de conducción complejas mediante el uso de aprendizaje automático y datos del mundo real.
En lugar de depender únicamente de la conducción autónoma en carreteras públicas, el equipo de Liu recolectó datos de sensores de privacidad instalados en intersecciones inteligentes en Ann Arbor y Detroit, y de coches de voluntarios equipados con sensores. Los datos incluían información sobre velocidad, dirección y accidentes, y se eliminó información no crítica de seguridad para el aprendizaje automático.
Luego, el equipo de Liu utilizó un entorno de pruebas de realidad mixta llamado M-City, que incluía señales de tráfico, peatones robóticos y otros vehículos, para entrenar a los coches autónomos en situaciones peligrosas que solo ocurren raramente en la carretera. Los vehículos de prueba se encontraron con muchas más situaciones peligrosas y frecuentes en el entorno virtual, lo que aceleró significativamente el proceso de aprendizaje.
Los resultados del estudio
Liu estima que el tiempo necesario para entrenar a un coche autónomo como Waymo ahora podría ser solo unas pocas miles de km que contienen una variedad de accidentes, en lugar de decenas de millones de km de conducción sin incidentes. Esta técnica de aprendizaje automático tiene el potencial de mejorar significativamente la seguridad y la eficacia de los coches autónomos en las carreteras.
Sin embargo, los expertos señalan que los ordenadores en los vehículos autónomos todavía no pueden igualar la capacidad de pensamiento rápido e intuitivo de los conductores humanos en situaciones impredecibles y complejas.
Sea como sea, parece que tardaremos en ver coches autónomos por las calles.