coche-autonomo-edisonews-drive.ai

El Deep Learning en la automovilística

Automóviles que tengan la capacidad de llevar a los pasajeros a su destino sin la necesidad de un conductor. Existen gran cantidad de startups, además de grandes empresas como Uber o Google, que se encuentran en la fase de desarrollo de coches autónomos. Entre ellas se encuantra Drive.ai, con base en California, la cual ha apostado por fundamentar su desarrollo de coches autónomos en el Deep Learning (Machine Learning). Los coches autónomos con los que trabaja son de Nivel 4 de autonomía: un sistema de conducción autónoma que no necesita de la intervención humana en la mayoría de los escenarios.

La startup norteamericana ve el Deep Learning (literalmente traducido como “aprendizaje profundo”) como la solución más viable para llegar a crear un coche completamente autónomo, capaz de desenvolverse de forma segura en la conducción diaria. Como afirma Samep Tandon, cofundador y CEO de la compañía: “Si tenéis en cuenta las posibilidades a largo plazo de estos algoritmos, junto con cómo se prevé construir los coches autónomos en un futuro, aplicar el Deep Learning es la opción más sensata. Hay demasiadas complicaciones en la conducción, hay demasiados factores a tener en cuenta; y si tenemos que resolver todos estos problemas mediante soluciones que no aprenden, entonces nunca conseguiremos estos coches autónomos”.

Hace poco más de un año que Drive.ia salió a bolsa, pero la empresa ya dispone de 4 vehículos que navegan de forma casi autónoma por San Francicsco. El Deep Learning ayuda a los vehículos a aprender de las diferentes situaciones, con tal de responder mejor en próximas situaciones.

Drive.ai, los coches del futuro

Como su nombre sugiere, la compañía fue creada para desarrollar vehículos inteligentes, unos vehículos que fueran capaces de conducir sin la necesidad de que un humano interviniera o supervisara la conducción. Fue fundada en 2015 por expertos en Deep Learning del Laboratorio de Inteligencia Artificial de la Universidad de Stanford. La empresa se enfocó desde un principio en aplicar el Deep Learning a la conducción autónoma. Drive.ai ha sido capaz de adaptarse rápidamente al mercado y proveer de innovadoras y creativas soluciones.

“Creo que es la primera vez en que la conducción autónoma ha sido enfocada  de forma tan significativa al Deep Learning” afirma Tandon. “Este es el contraste y el punto diferencial con la robótica tal y como la conocemos” continúa Carol Riley, cofundadora y presidente de la compañía de investigación.

drive.ai-tecnologias-futuro-deep-learning

Uno de los principales ámbitos al que están aplicando el Deep Learning es la “percepción”. Con esto nos referimos a la identificación, por ejemplo, de peatones. Es más, no sólo se queda con la identificación superficial, sino que después del análisis de diferentes patrones, extiende esta capacidad a objetos que nunca antes había percibido. En otras palabras, no es necesario enseñarle todos los tipos de peatones existentes, sino que aprende a clasificar tanto a una anciana con un andador o un niño con un bate y una gorra de béisbol, como el mismo tipo de objetos.

Pero, aparte del reconocimiento de viandantes, la percepción también es necesaria para aplicarse a la circulación. Por ejemplo ¿cómo debe entender el vehículo quién tiene preferencia en un cruce de cuatro caminos? Esta situación de toma de decisiones suele ser la restricción de la mayoría de desarrolladores de vehículos autónomos, pero justamente la aplicación del Deep Learning es la mejor opción para solventar este tipo de problemas. 

La caja negra

Un sistema de Deep Learning con la habilidad de reconocer patrones es una herramienta muy útil; ya que el hecho de que el reconocimiento de patrones ocurra como parte de las redes neuronales del algoritmo, hace que el sistema funcione como las cajas negras de los aviones. Es decir, se guardan todos los datos recibidos en una base de datos segura, de manera que se pueden analizar los acontecimientos en caso de fallo del sistema.

Entrenando al sistema

El sistema de Deep Learning se basa en los datos recogidos. Si el algoritmo analiza más datos, es capaz de responder de mejor manera y a más cantidad de situaciones. En otras palabras, como más información sea capaz de recibir el sistema, más aprenderá de las diferentes situaciones y mejor responderá en el futuro. Pero este sistema de recolecta de datos lo llevan a cabo todas las empresas de vehículos inteligentes, el verdadero reto está en encontrar la manera de gestionar la información y saber filtrar cuál es la información más adecuada para próximas situaciones. Ese momento es donde el Deep Learning es capaz de relacionar las situaciones entre sí y, de esta manera, desarrollar patrones de comportamiento con tal de entender el por qué y poder reaccionar de forma autónoma en un futuro.

El Deep Learning, aunque se trata de uno de los sistemas más complicados del mundo informático, es también una de las mejores alternativas para cuestiones como los coches inteligentes. Aunque es un sector que ha avanzado a pasos agigantados durante los últimos años, aún queda mucho camino por recorrer.

A pesar de que aún queda bastante tiempo como para empezar a ver coches completamente autónomos circulando por las carreteras, podemos seguir soñando con un futuro donde no tengamos que conducir.

2 Comentarios

Dejar respuesta

Please enter your comment!
Please enter your name here