Los investigadores de inteligencia artificial y aprendizaje automático se están centrando en el desarrollo de vehículos autónomos como una nueva tendencia de moda. Waymo, una empresa de taxis autónomos, ofrecerá un servicio llamado Waymo One a los consumidores en 2020. AutoX, una subsidiaria de Alibaba Group, ha comenzado a operar una flota de vehículos sin conductor y totalmente automatizados en Shenzhen, China. Los vehículos autónomos, que utilizan sensores para recopilar datos sobre su entorno, están reemplazando rápidamente a los conductores humanos como resultado de la inteligencia artificial automotriz. Los vehículos autónomos, por otro lado, interpretan los datos de diferentes maneras. Este es el uso más significativo de la inteligencia artificial en la industria automotriz.
Ver también: Principales desafíos que enfrenta la industria FinTech en 2021
Para aquellos que estén interesados en un futuro sin conductor, conozca los algoritmos de aprendizaje automático más destacados para la conducción autónoma y por qué son importantes.
El papel de los algoritmos de aprendizaje automático
La inteligencia artificial abarca varios campos diferentes, incluido el aprendizaje automático. Con ella, se puede mejorar la forma en que una máquina realiza un determinado trabajo. Pero aquí está la clave: el aprendizaje implica que la computadora vaya más allá de la información que aprendió de los primeros datos de entrenamiento. Para que la inducción sea efectiva, las computadoras necesitan algoritmos de aprendizaje automático. En otras palabras, el desarrollo de software a medida basado en el aprendizaje automático y la inteligencia artificial puede prosperar donde la programación convencional no puede.
Aprendizaje supervisado vs. no supervisado
En los coches autónomos se utiliza el aprendizaje automático supervisado o no supervisado. Al comparar los dos métodos, la mayor diferencia es la cantidad de intervención humana necesaria para aprender. Una computadora utiliza el aprendizaje supervisado para analizar datos y generar predicciones basadas en la información de entrada, y luego compara esas predicciones con los datos de salida correctos para mejorar las predicciones futuras. En el aprendizaje no supervisado, los datos no se etiquetan. Como resultado, la computadora simplemente aprende a identificar la estructura subyacente a partir de la información de entrada.
El aprendizaje automático es una de las tecnologías de conducción autónoma más de moda en la actualidad. Los vehículos autónomos utilizan cada vez más el aprendizaje profundo, una rama del aprendizaje automático conocida como aprendizaje profundo, que se centra en enseñar a las computadoras a aprender mediante el análisis de grandes cantidades de datos del mundo real. El aprendizaje profundo permite que los vehículos autónomos transformen grandes cantidades de datos sin procesar en conocimiento útil.
Historia del desarrollo de vehículos autónomos en el campo del aprendizaje automático
A medida que los vehículos autónomos aparecen en las aplicaciones de aprendizaje automático, tanto la industria automotriz como la tecnológica se benefician de ello. Las aplicaciones de aprendizaje automático para vehículos autónomos incluyen:
Fusión de sensores y comprensión de escenas para localización y mapeo en el espacio
La evaluación del estado del conductor y la identificación de tendencias en su conducta durante la navegación y la planificación del movimiento.
El proceso mediante el cual los vehículos autónomos toman decisiones
La detección de objetos, así como los algoritmos de clasificación de objetos, permiten a los vehículos autónomos reconocer cosas, comprender circunstancias y sacar conclusiones. Para ello, identifican y categorizan cosas. En lo que respecta a la navegación por carretera, el algoritmo de aprendizaje automático de Mindy Support ofrece servicios completos de anotación de datos para ayudar en el entrenamiento.
Diversidad y redundancia
Para lograr el aprendizaje automático, se combinan y superponen diversos algoritmos para reducir los fallos y garantizar la seguridad. Las señales de tráfico son interpretadas por estos algoritmos, que identifican carriles y cruces.
¿Cómo funcionan los coches autónomos?
Los tres sensores principales de los vehículos autónomos funcionan en conjunto, como los ojos y el cerebro de una persona. Las cámaras, el radar y el lidar son ejemplos de sensores. Funcionan como una unidad para proporcionar al vehículo una imagen completa de su entorno. Con estos sensores, el vehículo puede determinar la distancia, la velocidad y la forma 3D de los objetos cercanos. Las unidades de medición inercial de los vehículos autónomos ahora detectan y regulan la aceleración y la posición.
Cámaras confiables
Para obtener una imagen clara de su entorno, los vehículos autónomos utilizan varias cámaras colocadas en distintos ángulos. Para la visión a larga distancia, algunas cámaras tienen un campo de visión más pequeño, mientras que otras tienen un campo de visión de 120 grados. Para el estacionamiento, las cámaras de ojo de pez de gran angular proporcionan un campo de visión amplio.
Sistemas antirradar
Por la noche o cuando la visión es deficiente, los detectores de radar ayudan a que los sensores de las cámaras trabajen aún más. Utilizan ondas de radio para enviar pulsos y recibir información sobre la velocidad y la posición del objeto que están buscando.
Enfoque láser
Los sensores lidar utilizan láseres pulsados para calcular la distancia, lo que proporciona a los vehículos autónomos una vista en 3D de su entorno. Esto les proporciona información más detallada sobre aspectos como la forma y la profundidad que una cámara sola.
Algoritmos de aprendizaje automático utilizados por los coches autónomos
Histograma de gradientes orientados (HOG)
Un método de aprendizaje automático fundamental para la conducción autónoma y la visión artificial es el histograma de gradientes orientados (HOG). Este analiza cómo y en qué dirección varía la intensidad de una imagen en una pequeña área de la misma llamada celda. Al utilizar HOG, se puede ver cuántas veces aparece cada dirección conectando los gradientes de cada celda. Después, la máquina de vectores de soporte (SVM) clasifica los datos en función de las nuevas características que se descubrieron.
Las distribuciones de imágenes son a lo que se refiere HOG cuando se describen imágenes. En lugar de simplemente una colección de píxeles, produce un gradiente de imagen útil para decodificar y comprimir imágenes. Además, utiliza pocos recursos del sistema. HOG puede ser una primera etapa eficaz en el proceso de reconocimiento de imágenes para vehículos autónomos.
Yolo
Clasificar objetos como vehículos, personas y árboles nunca ha sido tan fácil gracias al algoritmo de aprendizaje automático YOLO (You Only Look Once). De hecho, es una alternativa al método de búsqueda basado en heurística de HOG. YOLO divide la imagen en segmentos después de analizarla en su conjunto. YOLO asigna etiquetas a los objetos en función de las características que son comunes a todas sus clases.
Para cada segmento de imagen, el algoritmo genera cuadros delimitadores y predicciones. Solo utiliza la evaluación de la red una vez y tiene en cuenta cada predicción en el contexto de toda la imagen. Otros, en cambio, utilizan detectores y clasificadores en varias ubicaciones y áreas de una imagen para identificar objetos. Como resultado, YOLO es más preciso y rápido que HOG en comparación. El reconocimiento de objetos en los coches autónomos se hace más fácil utilizando el algoritmo YOLO. Como resultado, los problemas del mundo real se manejan rápidamente y los vehículos también responden rápidamente.
El futuro de los coches autónomos y el aprendizaje automático
El aprendizaje automático es una técnica potente cuando se utiliza en vehículos autónomos. El futuro del transporte estará determinado por los vehículos autónomos que utilicen el aprendizaje automático. Y no se puede negar su compatibilidad. La percepción y la toma de decisiones en los coches autónomos suelen gestionarse mediante algoritmos de aprendizaje automático. Sin embargo, hay una gran cantidad de otros métodos y aplicaciones para el aprendizaje automático que pueden revolucionar los vehículos autónomos. El aprendizaje automático puede incluso utilizarse para la navegación autónoma y la detección del estado emocional del conductor, por ejemplo.
Hoy en día, los vehículos autónomos ya son capaces de realizar muchas tareas gracias a los avances en el aprendizaje automático. Sus capacidades no harán más que aumentar en el futuro. En otras palabras, cuando los coches se conduzcan solos, sabrás exactamente qué ha motivado el movimiento.
Imagen destacada: Foto de Hannes Egler en Unsplash