Este sistema del MIT entrena a los futuros coches autónomos

Investigadores del MIT han desarrollado un sistema de simulación para entrenar a los coches autónomos. Se trata de la creación de un mundo fotorrealista en el que podrán practicar la circulación en una serie de peores escenarios antes de dar el salto a las calles de nuestras ciudades.

Este tipo de sistemas de control dependen en gran medida de conjuntos de datos del mundo real, a partir de los cuales se pueden trazar “casos extremos peligrosos”, como evitar una salida forzosa de la calzada, la invasión de otros carriles, o los posibles choques con otros vehículos.  

Los investigadores del MIT abordan los problemas de los programas de simulación actuales con un sistema fotorrealista, llamado Síntesis de imagen virtual y transformación para la autonomía (Vista, por sus siglas en inglés Virtual Image Synthesis and Transformation for Autonomy). Este sistema utiliza solo un pequeño conjunto de datos, capturado por las personas que conducen en una carretera, para sintetizar un número prácticamente infinito de puntos de vista a partir de trayectorias que el vehículo podría tomar en el mundo real.

El ‘controlador’, como se denomina al coche en la simulación, es recompensado por la distancia que recorre sin estrellarse, por lo que debe aprender por sí mismo cómo llegar a un destino de manera segura. Al hacerlo, explican los investigadores, “el vehículo aprende a navegar con seguridad en cualquier situación que encuentre, incluida la de recuperar el control después de desviarse entre carriles o recuperarse de posibles accidentes”.

Hasta ahora la elaboración de estos motores de simulación para entrenar y probar vehículos autónomos ha sido en gran medida una tarea manual. Las empresas y universidades a menudo emplean equipos de artistas e ingenieros para esbozar entornos virtuales, con marcas viales precisas, carriles e incluso hojas detalladas en los árboles.

Sin embargo, es complejo abordar todo el complejo entorno del mundo real: “Es prácticamente imposible incorporar todo al simulador”, por lo que lo normal es que estos sistemas tengan “una falta de coincidencia entre lo que los coches aprenden en la simulación y cómo operan en el mundo real”.

¿Cómo se ha elaborado?

Este sistema desarrollado por el MIT cuenta con un motor de simulación “basado en datos que sintetiza, a partir de datos reales, nuevas trayectorias consistentes con la apariencia de la carretera, así como la distancia y el movimiento de todos los objetos en la escena”.

Primero se han recopilado datos de video de una persona que conduce por algunas carreteras y se implementan en el motor de simulación. Para cada cuadro, el motor proyecta cada píxel en un tipo de nube de puntos 3D. Después se coloca un vehículo virtual dentro de ese mundo y cuando el coche realiza un comando de dirección, el motor sintetiza una nueva trayectoria a través de la nube de puntos, basada en la curva de dirección y la orientación y velocidad del vehículo.

El motor de simulación utiliza esa nueva trayectoria para representar una escena fotorrealista. Para hacerlo, utiliza una red neuronal “comúnmente utilizada para tareas de procesamiento de imágenes, para estimar un mapa de profundidad, que contiene información relacionada con la distancia de los objetos desde el punto de vista del controlador”. Después combina el mapa de profundidad con una técnica que estima la orientación de la cámara dentro de una escena 3D. “Todo esto ayuda a determinar la ubicación del vehículo y la distancia relativa de todo dentro del simulador virtual”.

Con toda esta información, se reorientan los píxeles originales para recrear una representación 3D del mundo desde el nuevo punto de vista del vehículo, explican los investigadores. También se rastrea el movimiento de los píxeles para capturar el movimiento de los coches y las personas, y otros objetos en movimiento, en la escena. “Esto es equivalente a proporcionar al vehículo un número infinito de trayectorias posibles”, afirma Daniela Rus, directora del CSAIL del MIT.

“Cuando recopilamos datos físicos, obtenemos datos de la trayectoria específica que seguirá el automóvil. Pero podemos modificar esa trayectoria para cubrir todas las formas y entornos de conducción posibles. Esto es realmente poderoso”, puntualiza la responsable de este laboratorio.