Uber MultiNet: un nuevo sistema de conducción autónoma que promete predecir los movimientos de coches y peatones

Uber MultiNet: un nuevo sistema de conducción autónoma que promete predecir los movimientos de coches y peatones

Uber ha publicado un preprint (un estudio no validado) en el que los ingenieros de la compañía explican el funcionamiento de un nuevo sistema de conducción autónoma: su sistema MultiNet. Se trata de un nuevo enfoque en el que prima la rapidez de respuesta para detectar y predecir los movimientos de los obstáculos.

MultiNet promete realizar la segmentación de carreteras, la detección de automóviles y la clasificación de calles de forma conjunta.


El reto de entender el comportamiento humano

Uber La primera etapa corresponde a un sistema anterior llamado IntentNet, dotado de un sistema unimodal de predicción de movimientos. La segunda etapa corresponde al sistema MultiNet, que ha conseguido predecir correctamente el giro del vehículo.

Uber explica que, a diferencia de los modelos existentes, MultiNet razona sobre la incertidumbre del comportamiento y el movimiento de automóviles, peatones y ciclistas usando un modelo que infiere detecciones y predicciones y luego los refina para generar trayectorias potenciales.

Toca así uno de los principales retos de la Inteligencia Artificial: predecir el comportamiento humano. Porque hasta que la conducción autónoma no se democratice, seguirán siendo los humanos los que controlen a la máquina, y ya se ha comprobado lo difícil que resulta enseñar a un sistema a conducir de forma imperfecta, como lo haría una persona.

Por ejemplo, un coche autónomo puede determinar con cierta facilidad la trayectoria de otro vehículo que, al pararse en una intersección, solo puede seguir de frente o girar a la derecha. Sin embargo lo tendrá más difícil para predecir si un peatón empieza a cruzar de forma abrupta una calle o si un conductor decide saltarse una señal de Stop, o pegar un frenazo inesperado.

MultiNet toma como datos de entrada del sensor LIDAR y mapas de calles de alta definición y aprende conjuntamente las trayectorias de obstáculos y las incertidumbres de trayectoria. Luego hace una criba con los resultados recopilados.

Según la empresa californiana, MultiNet está optimizado para funcionar bien a una velocidad en tiempo real. Tiene dos componentes: KittiSeg, que establece un nuevo estado de la técnica en la segmentación de carreteras y KittiBox, que mejora tanto en velocidad de inferencia como en rendimiento de detección.

Peatones

Los investigadores entrenaron el sistema durante con un conjunto de datos que contiene lecturas de sensores de 5.500 escenarios recopilados por los vehículos autónomos de Uber en varias ciudades norteamericanas, utilizando un sensor LIDAR montado en el techo.

Según Uber, consiguió predecir con un margen significativo los movimientos de tres tipos de obstáculos: peatones, ciclistas y vehículos. Aún así, es un sistema que aún tiene mucho margen de mejora.

Dos años después de la primera muerte provocada por un coche autónomo (en concreto, un Volvo de la flota Uber), la compañía retomó el pasado mes de marzo las pruebas con coches autónomos, aunque es más que probable que la pandemia haya impedido que pudieran recopilar nuevos datos.

La start-up con sede en Boston Perceptive Automata enseña desde 2016 a las máquinas dotadas de inteligencia artificial a interpretar los movimientos e intenciones de las personas, de forma que puedan realizar juicios y anticipar nuestras acciones.

En este escenario, los investigadores y desarrolladores tienen dos tareas: modelar la conducción autónoma, de forma que resulte menos perfecta, y ‘enseñarla’ a predecir el ya de por sí complejo comportamiento humano.

En Motorpasión | Probamos el Toyota Land Cruiser en el desierto: un auténtico todoterreno de los que ya no quedan


La noticia

Uber MultiNet: un nuevo sistema de conducción autónoma que promete predecir los movimientos de coches y peatones

fue publicada originalmente en

Motorpasión

por
Victoria Fuentes

.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *