Un coche autónomo virtual ha aprendido a contemplar varias reacciones posibles de los conductores humanos cercanos antes de decidir cómo acelerar o cambiar de carril.
En una carretera real, dos automovilistas que se encuentran en una situación similar no reaccionan necesariamente de la misma manera. Uno puede dejar pasar a un coche y otro incorporarse rápidamente delante de él. Para un sistema automatizado, basarse únicamente en las posiciones y velocidades actuales limita, por tanto, su capacidad para preparar su próxima acción.
Imagen ilustrativa de Pixabay
Los investigadores han diseñado un método que no intenta predecir un único futuro. Produce varias trayectorias plausibles para los vehículos cercanos a partir de sus movimientos e interacciones. Estas posibilidades se convierten después en información utilizable por el programa encargado de conducir. En otras palabras, este puede preparar su decisión teniendo en cuenta varios comportamientos humanos posibles.
Esta anticipación también sirve para evitar que el aprendizaje de la IA explore demasiado a menudo acciones poco realistas. El sistema aprende mediante ensayos sucesivos en una simulación, con penalizaciones en caso de colisión o maniobra innecesaria. También recibe una recompensa cuando avanza eficazmente sin sacrificar la seguridad.
Para que los ensayos fueran más realistas, el equipo utilizó trayectorias registradas en autopistas alemanas mediante el conjunto de datos HighD. Allí, unos drones habían seguido desde el aire los desplazamientos de los vehículos. En este estudio, 2.325 trayectorias reales sirvieron, entre otras cosas, para entrenar el módulo encargado de anticipar los movimientos.
Los resultados son muy alentadores en este entorno virtual. En el escenario de referencia, la tasa de colisiones alcanza el 0,1 %, frente al 0,7 %–2,7 % de cuatro métodos de aprendizaje comparados. Durante una frenada de emergencia, alcanza el 1,0 %, frente a aproximadamente el 24 % de dos métodos competidores probados en las mismas condiciones.
El equipo también probó un tráfico un 50 % más denso. La tasa de colisiones alcanzó allí el 0,3 %, frente al 1,8 % de los dos métodos de comparación seleccionados. El experimento mostró paralelamente una velocidad media más elevada. Los autores atribuyen este resultado, entre otras cosas, a la posibilidad de anticipar varias evoluciones del tráfico antes de actuar.
Aún es necesario dar un paso antes de plantear un uso real: el sistema tendrá que aprender a adaptarse a situaciones ausentes de sus datos iniciales. Los investigadores también prevén integrar el consumo de energía y ampliar su método a varios vehículos autónomos que cooperen mediante comunicación directa.