ALICANTE (EP). El investigador del Instituto de Investigación en Ingeniería (I3E) de la Universidad Miguel Hernández de Elche (UMH) Luca Lusvarghi ha desarrollado el primer modelo basado en inteligencia artificial (IA) capaz de estimar, en tiempo real, la relevancia de varios objetos para un vehículo autónomo.
Los objetos pueden representar diferentes tipos de usuarios y elementos de la vía como vehículos, peatones, conos de tráfico y semáforos. Aunque algunos de estos objetos son fundamentales para la seguridad de la conducción autónoma y el cumplimiento de las normas de tráfico, otros tienen poca o ninguna influencia en la conducción de un vehículo autónomo.
Hasta ahora, los trabajos existentes han abordado la identificación y priorización de objetos en entornos de conducción autónoma principalmente mediante técnicas convencionales de IA o costosas anotaciones manuales, sin proporcionar una estimación directa de la influencia de cada objeto sobre las decisiones de conducción, es decir, de su relevancia para el vehículo autónomo.
El modelo propuesto por el investigador, bajo la supervisión del catedrático Javier Gozálvez, aborda por primera vez este problema mediante aprendizaje causal, en el marco de "un enfoque de vanguardia" en el campo de la IA, según un comunicado de la UMH.
Así, ha apuntado que, "en lugar de inferir la relevancia a partir de criterios indirectos, este enfoque mide directamente el impacto de cada objeto en las decisiones de conducción del vehículo autónomo, proporcionando una forma más directa y precisa de determinar qué objetos son realmente relevantes para la conducción".
"Comprender la relevancia de los objetos permite a un vehículo autónomo centrarse en aquellos que realmente importan y optimizar en gran medida el uso de los recursos computacionales, especialmente en escenarios urbanos de alta densidad, donde el número de objetos detectados puede ser muy elevado", ha destacado Lusvarghi.
Objetos "relevantes"
Por ejemplo, poner el foco en los objetos "relevantes" permite al vehículo autónomo reducir la carga computacional sobre su 'hardware', tomar decisiones de conducción más eficaces y reducir el consumo energético. En definitiva, centrarse en los objetos relevantes permite al vehículo autónomo conducir de forma más eficiente y de una manera mucho más similar a los humanos.
"Cuando conducimos, también detectamos (mejor dicho, vemos) un gran número de usuarios de la vía: no solo los vehículos que tenemos delante, sino también peatones en la acera o vehículos estacionados. Sin embargo, para conducir nos centramos únicamente en una parte de toda esta información, como puede ser el vehículo que tenemos delante", ha explicado.
La capacidad de estimar la relevancia de los objetos no solo permite a los vehículos autónomos conducir de forma más eficiente, sino también comunicarse así. "Los seres humanos identificamos y comunicamos de forma natural únicamente la información más relevante para transmitir un determinado mensaje, minimizando así nuestros esfuerzos de comunicación. Nuestros modelos de IA permiten a los vehículos conectados y autónomos comunicarse de una manera similar, seleccionando y transmitiendo cuidadosamente únicamente los objetos que son relevantes para los vehículos receptores", ha indicado.
Resultados
Los resultados muestran que este nuevo enfoque permite reducir hasta 2,8 veces la cantidad de datos intercambiados por los vehículos conectados y autónomos en comparación con los métodos de comunicación existentes, en los que los vehículos transmiten todos los objetos detectados sin considerar su relevancia para los vehículos receptores.
El diseño de métodos de comunicación más eficientes es "fundamental" para el despliegue a gran escala de los vehículos conectados y autónomos. En particular, los modelos propuestos pueden permitir que las redes de comunicación soporten hasta cuatro veces más vehículos conectados y autónomos.
Según el investigador del I3E, "la identificación de los objetos relevantes puede tener un impacto en todo el ecosistema de la conducción conectada y autónoma, desde ayudar a un vehículo a centrarse en lo que realmente importa para la conducción hasta aumentar el número de vehículos que puede soportar una red de comunicación". "Creemos que estos modelos de estimación de la relevancia pueden abrir el camino hacia una nueva generación de vehículos conectados y autónomos más eficientes y escalables", ha concluido.
