211service.com
Conducción profunda
Cuando el proyecto de autos sin conductor de Google comenzó hace aproximadamente una década, la compañía tomó la decisión estratégica de construir su tecnología sobre lidar costoso y mapeo detallado. Incluso hoy, la tecnología de conducción autónoma de Google todavía se basa en esos dos pilares. Si bien ese enfoque es excelente hasta cierto punto, tenemos buenos algoritmos para usar datos de cámara y LIDAR para localizar un automóvil en el mapa, todavía no es lo suficientemente bueno. Conducir en calles complicadas y en constante cambio implica habilidades de percepción y toma de decisiones que son intrínsecamente inciertas (consulte Su viaje sin conductor está llegando).
Ahora se está utilizando una tecnología de inteligencia artificial llamada aprendizaje profundo para abordar el problema. En lugar de usar el antiguo método de algoritmos codificados a mano, ahora podemos usar sistemas que se programan a sí mismos aprendiendo de ejemplos de cómo debería comportarse un sistema en respuesta a una entrada. El aprendizaje profundo es ahora el mejor enfoque para la mayoría de las tareas de percepción, así como para muchas tareas de control de bajo nivel.
Un automóvil autónomo necesita un sistema de percepción para detectar las cosas que se mueven (automóviles, personas) y las que no (farolas, bordillos). Los vehículos autónomos detectan objetos dinámicos mediante sensores como cámaras, escáneres láser y radares. De estos tres, las cámaras son las más baratas, pero también son las que menos se usan porque es difícil traducir las imágenes en objetos detectados. Usando el aprendizaje profundo, estamos viendo mejoras dramáticas en la capacidad del automóvil para comprender y utilizar dichas imágenes.
También estamos viendo ganancias significativas de algo llamado aprendizaje profundo multitarea, en el que un sistema entrenado simultáneamente para detectar marcas de carril, automóviles y peatones funciona mejor que tres sistemas separados entrenados de forma aislada, ya que la red única puede compartir información entre las tareas separadas. .
En lugar de confiar completamente en un mapa precomputado, el automóvil puede usar el mapa como uno de los muchos flujos de datos, combinándolo con las entradas de los sensores para ayudarlo a tomar decisiones. (Una red neuronal que sabe a partir de los datos del mapa dónde están los cruces peatonales, por ejemplo, puede detectar con mayor precisión a los peatones que intentan cruzar que una que se basa únicamente en imágenes).
El aprendizaje profundo también puede aliviar uno de los mayores problemas identificados por muchos que han viajado en un automóvil autónomo: una sensación de sacudida en el estilo de conducción, que a veces provoca mareos. Pero un automóvil entrenado con ejemplos de conducción humana puede ofrecer un viaje que se siente más natural.
Todavía es temprano. Pero tal como lo hizo el aprendizaje profundo con la búsqueda de imágenes y el reconocimiento de voz, es probable que cambie para siempre el curso de los autos sin conductor.
Carol Reiley es la cofundadora de Drive.ai.