Los ordenadores que controlan los coches autónomos están adquiriendo conocimientos muy valiosos sobre el mundo real de formas sorprendentes, incluidas las de estudiar mapas de inte et y jugar a videojuegos.
Unos investigadores de la Universidad de Princeton (EEUU) han desarrollado un sistema de visión de máquinas y mapeo que recopila datos útiles sobre las propiedades físicas de las carreteras a través de Google Street View y compara las escenas con los datos de mapeo de fuente abierta. Esto ha permitido que el sistema aprenda, por ejemplo, dónde deberían estar los bordes de una intersección según las imágenes captadas por los coches de mapeo de Google.
En un trabajo independiente presentado la semana pasada, unos investigadores de OpenAI, una organización sin ánimo de lucro centrada en investigaciones básicas de inteligencia artificial (IA), crearon una manera de lograr que los agentes de software aprendan estrategias de conducción dentro del videojuego Grand Theft Auto V, mediante una plataforma conocida como Universe. Algunos videojuegos ahora son tan visualmente realistas que pueden permitir a un programa de visión de máquinas aprender sobre el mundo real (ver Los coches autónomos están jugando al 'Grand Theft Auto' para aprender a conducir).
Estos nuevos enfoques para entrenar a coches autónomos podrían democratizar la tecnología, y hacerla más fiable. Los coches autónomos llenaron la Feria de Electrónica de Consumo (CES, por sus siglas en inglés) celebrada recientemente en Las Vegas (EEUU), y la tecnología estuvo en primera fila de la Feria Automovilística Inte acional de Norteamérica en Detroit (EEUU). Pero no todos disponen de los recursos de Ford, Google o Uber, y los vehículos autónomos aún luchan por rendir bien en muchas situaciones (ver El taxi autónomo de Uber me condujo hacia el futuro del transporte). Así que algunos investigadores están elaborando maneras creativas de recopilar los datos y entrenar sistemas de conducción. Incluso existen esfuerzos que intentan convertir la tecnología requerida para la conducción autónoma en fuente abierta.
Los investigadores de la Universidad de Princeton minaron Google Street View y OpenStreetMap para recopilar sus datos. Las características de las carreteras en las imágenes de Google Street View a veces están ocultas tras un vehículo, un peatón que cruza la calle u otra cosa, por lo que el sistema tuvo que aprender a reconocer, y después descartar tales errores. Los investigadores probaron su sistema con imágenes nuevas y descubrieron que averiguaba las características de carretera de manera bastante precisa. Dicen que podría ofrecer una manera de equipar un sistema de conducción autónoma con parte de los conocimientos básicos requeridos para navegar carreteras comunes. Los investigadores entrenaron su sistema con 150.000 imágenes panorámicas de Google Street View.
Su precisión debería mejorar aumentado el conjunto de datos de entrenamiento, según el alumno de postgrado de la Universidad de Princeton Ari Seff, que desarrolló el sistema con Jianxiong Xiao. Este profesor ha dejado la universidad recientemente para fundar una start-up automovilística llamada AutoX.ai.
"Generar mapas en 3D en alta definición de forma manual para la conducción autónoma es tedioso y caro", señala el profesor de CSAIL del Instituto Tecnológico de Massachusetts (MIT; EEUU) John Leonard, que está especializado en el mapeo y la conducción autónoma. "Si este proceso puede automatizarse con redes profundas que operen con grandes bases de datos públicas, sería un gran triunfo para la tecnología de conducción autónoma".
El enfoque también permite entrenar a un sistema para que reconozca situaciones con las que un coche autónomo real podría tener que lidiar en raras ocasiones, como una intersección muy compleja. Seff explica: "Estos modelos podrían utilizarse como parte de un sistema de contingencia en los vehículos autónomos, para corroborar la información proporcionada por mapas en 3D preescaneados. Sin embargo, aún no lo hemos probado en un vehículo de verdad",
Los investigadores también sugieren que su sistema podría proporcionar una advertencia sobre infraestructuras de carretera - por ejemplo, si el sistema concluye que una calle parece ser de sentido único cuando no lo es, entonces podría necesitar actualizarse la señalización. Las limitaciones son que el sistema no puede reconocer objetos que no estén identificados por un mapa, como peatones u otros vehículos, y no es lo suficientemente preciso para determinar la ubicación de un coche.
"Aprender de Google Street View es una buena idea", afirma el ingeniero de Otto Craig Quiter, cuya empresa desarrolla camiones autónomo y fue adquirida por Uber el año pasado. "Los resultados no bastan para conducir un coche, pero desde luego son útiles junto con otras percepciones como informaciones para un planificador", añade.
Quiter desarrolló Grand Theft Auto V mientras trabajaba como contratista para OpenIA el año pasado. El juego puede entrenar software para reconocer elementos del mundo real.
"GTA V proporciona a los investigadores acceso a un mundo rico y diverso para probar y desarrollar la IA", escribe Quiter en un blog publicado por OpenAI. "Su ento o tiene casi la quinta parte de la extensión de Los Ángeles (EEUU), lo que ofrece un amplio abanico de escenarios para probar sistemas. Si añadimos eso a los 257 vehículos distintos, siete tipos de bicicletas y 14 tipos de condiciones meteorológicas, es posible explorar un elevadísimo número de permutaciones con un único simulador".
Con Universe, un agente también puede desarrollar una estrategia de conducción al experimentar dentro del juego y refinar sus propios conocimientos a medida que cumple determinados objetivos, un enfoque conocido como el aprendizaje reforzado.
Quiter añadió en un correo electrónico que al publicar la tecnología requerida para la conducción autónoma, los investigadores y las empresas la pueden democratizar. El investigador concluye: "Creo que probar la IA de coches autónomos acaba de facilitarse muchísimo".