abril 22, 2024

El entrenamiento de vehículos autónomos requiere más que simulación

GamesBeat Summit 2022 regresa con su mayor evento para líderes de juegos del 26 al 28 de abril. ¡Reserva tu asiento aquí!


El año pasado, Waabi, una startup que desarrolla tecnologías de vehículos autónomos, se lanzó de manera encubierta con $ 83,5 millones en fondos de riesgo. Fundada por Raquel Urtasun, excientífica jefe y jefa de investigación y desarrollo de Uber ATG, la división de autos sin conductor de Uber, Waabi dijo que uno de los principales componentes de su plataforma, un simulador para desarrollar sistemas de conducción autónomos, era superior a los de rivales como Waymo y Cruise.

Los autos sin conductor no se desarrollan únicamente en pistas de prueba y vías públicas del mundo real. Casi todas las principales empresas de vehículos autónomos tienen un simulador basado en software para reproducir o explorar nuevos escenarios de conducción en entornos digitales. Pero si bien este software ha mejorado a lo largo de los años y se ha utilizado para simular decenas de miles de millones de millas autónomas, según expertos como el científico informático Weisong Shi de la Universidad Estatal de Wayne, tiene limitaciones clave.

“[Simulators] Deberían [ideally] incluyen patrones de peatones más diversos, como género, altura, forma, clavijas, sillas de ruedas, diferentes cochecitos, incluidos peatones distraídos y distraídos. El objetivo final debería ser que los peatones en la simulación se comporten como los peatones reales en la carretera”, dijo Shi a VentureBeat por correo electrónico.[They’re also lacking in] capacidad para probar la tecnología de vehículo a infraestructura y de vehículo a vehículo [and] situaciones contradictorias como ciberataques contradictorios que pueden confundir el sistema de percepción del vehículo. [Finally, they need] escenarios que incluyen la construcción de carreteras y más [situations] que requieren habilidades para la toma de decisiones inmediatas”.

El argumento es oportuno ya que las empresas autónomas aumentan sus inversiones en logística durante la pandemia, lo que promete cambiar la forma en que se entregan los bienes hacia y desde las empresas. Apenas esta semana, Waymo Via, la división enfocada en envíos de Waymo, anunció un proyecto piloto con CH Robinson que le dará acceso a la compañía a 200,000 cargadores y transportistas. Por su parte, Mobileye de Intel anunció recientemente una asociación con la startup Udelv para poner en servicio vehículos de entrega automatizados en los Estados Unidos para 2023.

Simulación de carretera

Como explicó Urtasun a VentureBeat en una entrevista, en general, hay tres tipos de simuladores utilizados en la industria de vehículos autónomos: (1) reproducción de registros, (2) simulación virtual para planificación de movimiento y (3) representación del mundo virtual a través de motores gráficos para el entrenamiento de la percepción. Los simuladores de repetición de registros reproducen datos de sensores de automóviles adquiridos previamente para entrenar un sistema de conducción autónomo. La simulación virtual para pruebas de planificación de movimiento crea un mundo virtual inmersivo, mientras que la representación del mundo virtual, en el que se basa artistas para crear un mundo virtual: emplea técnicas automatizadas como el modelado de procedimientos para ampliar esos mundos.

Por ejemplo, simuladores como Carcraft, una de las herramientas de Waymo, aprovechan los datos de sensores del mundo real para modelar objetos que incluyen automóviles, ciclistas y peatones para versiones digitales de sistemas de conducción autónomos para navegar. Los ingenieros pueden modificar el entorno y evaluar diferentes situaciones, como agregar ciclistas o ajustar la hora del día o la velocidad del tráfico que se aproxima.

Waymo dice que sus simuladores pueden sintetizar automáticamente los viajes en automóvil y reproducir registros de sensores, lo que permite a los ingenieros recrear elementos como gotas de lluvia y reflejos solares. Un portavoz de Cruise le dijo a VentureBeat que su simulador usa “patrones aprendidos” para predecir cosas como el comportamiento de los conductores, ciclistas y peatones. Y Yandex, el gigante tecnológico ruso, afirma probar “miles” de escenarios de simulación simultáneamente y analizar casos de prueba para “miles” de parámetros.

Pero a pesar de lo capaces que son los simuladores, están sujetos a deficiencias técnicas que los convierten en sustitutos imperfectos del mundo real. Ziyuan Zhong, asistente de investigación en Columbia que se especializa en sistemas autónomos, señala que algunos “errores” identificados por los simuladores pueden deberse a artefactos introducidos por la propia simulación. Además, los simuladores pueden pasar por alto los errores del mundo real porque no pueden anticiparlos, dice.

“[Some] la información del sensor simulado nunca puede ocurrir en el mundo real… [and the] el simulador puede no tener en cuenta [certain] tipos de variaciones en [their] escenarios de prueba “, dijo Zhong a VentureBeat por correo electrónico. “Por ejemplo, en el mundo real, alguien puede cambiar el aspecto de sus vehículos al colocar diferentes tipos de pegatinas, que potencialmente pueden engañar al patrón de visión del vehículo autónomo”.

Estas son preocupaciones bien fundadas. En un ejemplo comúnmente citado, los investigadores colocaron calcomanías en una señal de alto para hacer que un automóvil autónomo pensara que la señal decía que había un límite de velocidad de 45 mph. Otro estudio de la Universidad de Michigan encontró que los sistemas de percepción de conducción autónoma basados ​​en lidar, una tecnología de detección utilizada por Waymo y Cruise, entre otros, pueden ser engañados para que “vean” un obstáculo inexistente.

“En términos de [the] ‘lo completo’ [of simulators,] hay varias perspectivas a considerar”, dijo Zhong. “Primero, las limitaciones inherentes de un simulador pueden impedirle probar ciertos escenarios. En segundo lugar, el número potencial de escenarios a probar. [is] infinito [and,] en este punto, todavía no hay un consenso uniforme sobre el estándar definitivo de “rigurosidad” para probar vehículos autónomos “.

Mejoras en todos los ámbitos

Urtasun dice que el simulador de Waabi resuelve muchos de estos problemas al depender en gran medida de la IA para diseñar pruebas, evaluar habilidades y enseñar a los sistemas de conducción autónomos a “aprender a conducir”. El simulador de Waabi puede construir “gemelos digitales” del mundo a partir de datos y ejecutar simulaciones de “sensores casi en tiempo real”, dice, creando automáticamente narios para probar el estrés de los sistemas de conducción autónomos sin intervención humana.

“La primera aplicación de nuestra tecnología de conducción autónoma será en la logística, un área que aprovechará al máximo la autonomía debido a la escasez crónica de conductores y los graves problemas de seguridad”, dijo Urtasun. “[S]La simulación ha estado al margen de las pruebas en tecnologías de conducción autónoma durante algún tiempo… El problema es que los simuladores que se utilizan hoy en día tienden a resolver un problema en particular o se centran en desarrollar la eficacia en un área”.

Zhong y Shi se muestran escépticos de que la solución de Waabi aborde todos los problemas de los simuladores de conducción autónomos actuales. A partir de sus observaciones, Zhong dice que los simuladores deben “mejorar el realismo de la simulación del sensor”, por ejemplo, agregando “ruido realista” al simular la información del sensor. Los comportamientos de los vehículos y peatones en segundo plano en los simuladores también deben hacerse más realistas, dice Zhong, y los simuladores deberían permitir a los usuarios diseñar escenarios más “diferentes”.

“En mi opinión, hasta que hayamos cubierto todos los escenarios posibles en la simulación que un conductor típico ve en la carretera, necesitamos realizar pruebas en el mundo real para probar los casos extremos”, dijo Shi. “Creo que las pruebas de simulación actualmente son limitadas en este sentido. El automóvil autónomo puede aprender a responder a diferentes patrones de conducción solo experimentando realmente estos escenarios”.

Un desafío de larga data en las simulaciones que involucran datos reales es que cada escena debe responder a los movimientos de un automóvil autónomo, incluso aquellos que pueden no haber sido registrados por el sensor original. Cualquier ángulo o punto de vista que no se capte en una foto o video debe renderizarse o simularse usando modelos predictivos, razón por la cual la simulación se ha basado históricamente en gráficos generados por computadora y la representación basada en la física que representa el mundo de manera bastante cruda.

“La realidad es que todas las simulaciones son algo limitadas, ya que hay que calibrarlas y validarlas con la realidad”, dijo Jonny Dyer, exdirector de ingeniería de la División de conducción autónoma de nivel 5 de Lyft, a VentureBeat en una entrevista anterior. “No reemplazará la conducción en carretera en el corto plazo [because] no se puede hacer todo en la simulación.

Haciendo hincapié en los riesgos de confiar demasiado en la simulación, un estudio realizado por investigadores de la Universidad de Ginebra en Suiza descubrió que los sistemas de conducción autónomos entrenados en simuladores no siempre transfieren con éxito las habilidades a la carretera real. Después de probar tres sistemas de inteligencia artificial de última generación disponibles públicamente para mantenerse en el carril, los coautores descubrieron que el “fotorrealismo deficiente” y la “representación inadecuada de las fuentes de incertidumbre ambiental y sensorial del vehículo” condujeron a fallas en los sistemas del vehículo en un sistema de pista de prueba del mundo real.

Otra investigación investigó si los sistemas de conducción autónomos pueden fallar en la detección de peatones de piel oscura, dados los sesgos arraigados en los tipos de sistemas de visión artificial y los conjuntos de datos que probablemente se utilizan para entrenar los sistemas de conducción autónomos.

“Con los simuladores actuales, podemos probar el rendimiento de un vehículo ego en diferentes condiciones climáticas, terreno de la carretera, conducción urbana y urbana, interacción y respuesta a dispositivos de control de tráfico como semáforos y señales de alto, interacciones con otros usuarios de la carretera. como peatones, ciclistas y más “, dijo Wei. “Sin embargo, siempre hay margen de mejora”.

La misión de VentureBeat debe ser una plaza de la ciudad digital para que los tomadores de decisiones técnicas obtengan información sobre la tecnología y las transacciones comerciales transformadoras. para saber mas

Deja una respuesta

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