.

Mengxin Li

Inteligencia Artificial

Pilotos de Uber y sensores 'low cost' para crear el Google Maps del coche autónomo

1

En tan solo 24 horas, el ingenioso modelo de negocio de Mapper le permite entregar mapas de cualquier lugar del mundo que cualquier vehículo sin conductor podría usar para navegar. Para ello, contrata a conductores independientes a los que paga por recopilar los datos constantemente

  • por Elizabeth Woyke | traducido por Ana Milutinovic
  • 19 Octubre, 2018

Para entender el entorno por el que circulan y las situaciones que les rodean, los coches autónomos usan varios tipos de sensores para detectar obstáculos y mapas detallados en 3D de calles, señales e infraestructura. Pero crear estos mapas y mantenerlos actualizados es una tarea realmente complicada. Así que una nueva start-up llamada Mapper.ai ha decidido simplificar este proceso con un servicio que ofrece mapas a demanda que se actualizan continuamente.  

El servicio, que se acaba de lanzar, permite a las empresas seleccionar cualquier lugar del mundo con vías públicas que quieran mapear. Después, Mapper contrata a conductores locales para recopilar datos geográficos y los convierte en mapas 3D para venderlos junto con las actualizaciones posteriores, a través de un servicio de suscripción.

Durante el año pasado Mapper trabajó con un pequeño grupo de clientes en mapas para la conducción autónoma y semiautónoma. Actualmente, la compañía ya dispone de mapas de zonas de Asia, Europa y América del Norte. Su objetivo final consiste en reunir la mayor colección de mapas actualizados de calles y autovías para coches autónomos del mundo.

Aunque las compañías de coches autónomos solo han probado los mapas de Mapper en unas pocas ciudades, el CEO y cofundador de la empresa, Nikhil Naikal, cree que los ensayos se expandirán a docenas de ciudades y abarcarán miles de kilómetros en el próximo año o dos. "Estos mapas para máquinas aún no se han creado a gran escala", explica Naikal, quien ha trabajado en sensores y mapas de vehículos autónomos durante más de una década, y añade: "Nuestra misión es crearlos por todo el mundo, de la forma más rápida; y como nos pertenecen, podemos venderlos a todos".

 

Foto: Mapper ha creado este mapa geométrico en 3D en el que aparecen notas que muestran las marcas de los carriles y las señales de tráfico. Créditos: Cortesía de Mapper.​

Mapper atribuye su amplio y rápido alcance a su red de profesionales independientes. La mayoría de los conductores locales con los que colabora también conducen para servicios como Uber y Lyft. A mediodía, cuando las peticiones de usuarios escasean, los conductores pueden aprovechar para capturar los datos necesarios para construir los mapas. Pero estos pilotos no trabajan gratis para Mapper, la empresa les paga cerca de 1,5 euros por cada kilómetro recorrido, una cifra tres veces superior a la que ganan de media los conductores de Uber en EE. UU.

Los pilotos usan sus propios coches, y Mapper les proporciona los dispositivos de mapeo, que cuestan alrededor unos 300 euros. En lugar de diseñar un hardware costoso y propio, la start-up compra sensores de Alibaba y agrega su propio software para combinar todos los datos. El dispositivo, que se coloca en el espejo retrovisor de un coche, tiene cuatro cámaras de visión artificial, y sensores que miden el movimiento lineal y angular. También hay otro dispositivo ubicado en la parte superior del techo del coche que consta de dos cámaras de visión artificial, sensores de movimiento y un simple LIDAR. Los conductores usan ese dispositivo para mapear calles atascadas de la ciudad, porque al LIDAR se le da muy bien capturar la geometría de estructuras tridimensionales. La compañía afirma que su sistema es capaz de capturar detalles con precisión en un radio de cinco centímetros, una habilidad equiparable a la de otras tecnologías similares.

Para mapear un área, los conductores solo tienen que seguir las instrucciones de audio paso a paso que Mapper les proporciona a través de una aplicación móvil sincronizada con el dispositivo del mapeo. Cuando terminan sus tareas asignadas, suben la información al almacén en la nube de Mapper, donde automáticamente se convierten en lo que se conoce como una nube de puntos, es decir, una representación tridimensional del mundo. Un segundo equipo de profesionales independientes examina los datos y agrega notas sobre las marcas de los carriles, las señales de tráfico y los semáforos. Generalmente, Mapper solo tarda unas 24 horas en entregar los datos a los clientes tras haber recibido los datos de los conductores.

Mapper ha diseñado dos dispositivos que los conductores independientes pueden usar para mapear sus alrededores. Este modelo se adhiere magnéticamente al techo del automóvil e incluye cámaras de visión artificial, un acelerómetro, un giroscopio y un lidar de bajo costo.

Foto: Mapper ha diseñado dos dispositivos que los conductores independientes pueden usar para mapear sus alrededores. Este modelo se añade magnéticamente al techo del coche e incluye cámaras de visión artificial, un acelerómetro, un giroscopio y un LIDAR de bajo coste. Créditos: Cortesía de Mapper.

La estrategia de Mapper de mano de obra autónoma y distribuida le ofrecer actualizaciones diarias a sus clientes y asegurarse de que sus mapas abarcan el 100 % de un área determinada. El director del Desarrollo de Productos de Mapper, Neehar Garg, detalla: "En cuanto tenemos a un conductor en el terreno, podemos hacer esa ruta con la frecuencia que los clientes desean. Las actualizaciones son cada vez más fáciles, porque solo tenemos que dedicarnos a los elementos del entorno que han cambiado".

Un cliente de Mapper, que pidió no ser identificado porque trabaja para un fabricante de coches que está usando los mapas en un proyecto confidencial, explica por qué decidió contratar a la start-up frente a otras empresas más grandes como HERE y TomTom: "Si estás programando a un coche para doblar una esquina, el vehículo necesita saber dónde se encuentra dentro del mapa que está usando, no en el mundo en general. Con este nuevo tipo de mapa, se obtiene esa localización, lo que es realmente importante porque el GPS por sí solo no es lo suficientemente estable ni predecible".

Otras start-ups del sector, como DeepMap, también generan mapas localizados, pero son sus clientes quienes deben recopilar la información. Debido a que esas compañías no poseen sus propios datos de mapeo, tienden a crear mapas individuales de la misma zona para cada cliente. Naikal comenta que este planteamiento no se podrá escalar cuando los vehículos autónomos pasen de la fase de desarrollo a la de producción y uso. No tiene sentido crear un mapa 20 veces para 20 clientes diferentes cuando se puede vender un solo mapa a varios clientes y asegurarse de que esté siempre actualizado, explica.

Si bien los coches autónomos aún no han cumplido su promesa de revolucionar el transporte, Naikal espera que su colección de mapas se convierta en un pilar para esta innovación. Incluso está pensando en ofrecer sus mapas a desarrolladores e ingenieros individuales, del mismo modo que los desarrolladores de aplicaciones móviles usan la información de ubicación de Google Maps (aunque Mapper no ha decidido si cobrará por el acceso). Nikal concluye: "En este momento no es posible que cinco desarrolladores se reúnan en una cafetería para crear una solución para vehículos autónomos. Pero sí podría ocurrir si eliminamos las barreras y permitimos que las personas soliciten y obtengan mapas [legibles por las máquinas] de cualquier área".

Inteligencia Artificial

 

La inteligencia artificial y los robots están transformando nuestra forma de trabajar y nuestro estilo de vida.

  1. Por qué medir la IA sigue siendo un desafío pendiente

    Los benchmarks, diseñados para evaluar el rendimiento de una IA, a menudo están basados en criterios opacos o en parámetros que no reflejan su impacto real. No obstante, hay enfoques que buscan ofrecer evaluaciones más precisas y alineadas con desafíos prácticos

    Los benchmarks, diseñados para evaluar el rendimiento de una IA, a menudo se fundamentan en criterios opacos o en parámetros que no reflejan su impacto real
  2. Qué es el 'red-teaming', el proceso que permite a OpenAI detectar fallos en ChatGPT

    A través del red-teaming, un proceso en el que se simulan ataques para buscar fallos en los sistemas, OpenAI identifica vulnerabilidades en sus herramientas. Sin embargo, la amplia variedad de situaciones en las que se pueden utilizar estos modelos dificulta su control

    El 'red-teaming' es un proceso usado por OpenAI para detectar fallos en sus modelos
  3. Al habla con la IA: el reto de lograr voces más diversas e inclusivas

    La iniciativa Common Voice, de Mozilla, busca que las voces generadas por inteligencias artificiales sean más inclusivas y reflejen una mayor variedad de dialectos para asegurar que las particularidades de cada lugar y cultura se preserven frente al avance tecnológico

    La iniciativa Common Voice, de Mozilla, busca que las voces generadas por IA sean más inclusivas y diversas