Una de las nuevas tendencias que desean renovar por completo el transporte en las ciudades es la de los autos autónomos conpiloto automáticoo, en pocas palabras, los vehículos que se conducen solos. Estos han empezado a ser probados en países como Japón y Estados Unidos y los primeros servicios de taxi bajo este modelo han empezado a operar en sus ciudades más importantes.
Sin embargo, mucho de estos servicios (como Waymo, Tesla o Cruise) ya están siendo suspendidos por una gran cantidad de problemas en el mundo real, los cuales son muy distintos a los datos con los que fueron entrenados. Por lo mismo, una investigación publicada por la firma Artificio presenta una posible solución: se deben entrenar estas redes con el verdadero tráfico de países como Perú y sus ciudades principales.
“Si un vehículo autónomo puede navegar e identificar fácilmente cada objeto y obstáculo de los videos de rutas en Lima, Hanoi o Bombay, entonces hacer inferencias perceptuales en ciudades como San Francisco, Londres y Beijing debería ser trivial”, se lee en el artículo. Si a los autos se les enseña el “Entrenamiento Adversario”, tendrán mayor probabilidad de funcionar mejor cuando se enfrenten tanto a lo esperado como a lo inesperado.
Lima, Cajamarca y Cusco: un caso de investigación
El estudio pide a las empresas recopilar más conjuntos de datos “fuera de distribución” (fuera de lo normal) en países en desarrollo donde este tipo de conductas son “muy comunes”. Sí, como en Lima, Perú. A esto, se le debe añadir un paradigma de capacitación de sistemas de visión por computadora de big data a alineación representacional (NeuroAI).
Para el estudio, se escogió Cusco, Lima y Cajamarca desde diciembre de 2022 hasta mediados de febrero de este año.
En el caso cusqueño, la recopilación de datos detalló grandes problemas (para la conducción) como las ferias itinerantes y un flujo masivo de personas en distintos puntos de la ciudad, además de condiciones climáticas adversas como la lluvia y el granizo. En el caso cajamarquino, el principal problema fue el estado de las pistas, además del cambio drástico entre lo rural y urbano.
Pero en el caso limeño, hubo de todo. “Por otro lado, el viaje en Lima requirió un enfoque de planificación diferente debido a la impresionante variedad de vehículos, el comportamiento de conducción y la congestión del tráfico de la ciudad. En total, se cubrieron 22 distritos de los 43, y los datos recopilados en esta ciudad podrían representar un verdadero desafío para cualquier modelo de visión por computadora”, se lee.
En la capital, la recopilación de datos se realizó de 2 a 6 de la tarde y, a los vehículos, se les añadió una cámara dashcam para obtener imágenes que luego se ejecutarían en el software OpenPilot, un sistema de asistencia al conductor de código abierto.
De acuerdo con los investigadores, en las ciudades de Perú se registraron 100 veces más escenarios caóticos que en ciudades como San Francisco y Londres, “donde existen niveles más altos de estándares de conducción”.
El equipo pasó decenas de problemas. Uno de los más comunes fue el que la inteligencia reconozca los tipos de obstáculos que hay en nuestras pistas: desde tierra, cubetas, carteles caídos o hasta rompemuelles sin señalizar.
Otra de las dificultades era reconocer la gran variedad de vehículos en las vías. No solo los distintos buses molestaban, sino también los mototaxis, los carritos de helados e incluso los triciclos con cestas delanteras.
Los peatones y los conductores fueron los principales riesgos: se añaden videos en los que los peatones cambian de decisión entre cruzar o no en medio de la pista, autos yendo en sentido contrario y una infinidad más de faltas al aire libre.
Probaron con otros sistemas de IA como YOLO-V8, EVA-01 y Detectron2 y llegaron a la conclusión que “existe un alto riesgo de falsos positivos y confusión entre autos, autobuses y trenes”.
Soluciones al problema gracias al caso peruano
Una de las principales soluciones que propone la empresa es entrenar un modelo conjunto que pueda determinar correctamente (o en la medida de lo posible) lo que detecta y clasifica, especialmente con los tipos de vehículos que aparecen. Este funcionaría como lo hace Google Lens y permitiría consultar cualquier objeto aleatorio que se encuentre en la pista, como pasa en Perú. Y la han denominado NeuroAI.
Los métodos de este sistema están siendo desarrollados por neurocientíficos e investigadores de IA, y se interesan por la alineación representacional hombre-máquina aprovechando los sesgos inductivos, los datos neuronales y técnicas de aprendizaje profundo como la optimización adversarial/perceptual y la simetría.
“A medida que avanza la legislación sobre los vehículos autónomos y evolucionan las propias complejidades de la sociedad, los vehículos autónomos deberían poder percibir y razonar de la misma manera que lo hacen los humanos”, añade.
Y claro, entrenar con datos reales de situaciones adversas como lo que ocurre diariamente en nuestras pistas peruanas es la mejor forma de capacitación posible.
“Y este es el problema que tienen hoy en día las empresas de vehículos autónomos. Creen firmemente que “los datos son todo lo que necesitas”. No estamos de acuerdo, necesitamos datos fuera de distribución, puntos de referencia desafiantes y mejores algoritmos”, finaliza el estudio.