Avance en IA: predice movimientos de peatones para coches autónomos más seguros

Ingenieros desarrollan redes neuronales para que coches autónomos detecten personas y predigan sus próximos movimientos.

Predice con precisión poses y próximas posiciones para múltiples peatones simultáneamente hasta 45 metros del vehículo.

Red neuronal recurrente inspirada en biomecánica

Hasta ahora, la tecnología autónoma usó métodos de machine learning con millones de imágenes 2D. Reconocen señales de stop en tiempo real en el mundo real.

La nueva técnica usa clips de video de varios segundos para reconocer movimiento y hacer predicciones precisas sobre a dónde irán los peatones en el siguiente paso.

Referencia: arXiv:1809.03705 | Universidad de Michigan

El sistema observa poses de peatones: si miran izquierda/derecha o juegan con el móvil. Estas informaciones dicen mucho sobre lo que probablemente harán a continuación.

La red neuronal se basa en red de memoria a corto-largo plazo con inspiración en biomecánica de la marcha humana: simetría espejo/bilateral del cuerpo humano y periodicidad del caminar.

¿Qué tan precisa es?

Los resultados fueron impresionantes: error medio de traducción ~10 cm tras 1 segundo y <80 cm tras 6 segundos. Otras técnicas similares llegaban a 700 cm de error.

Para hacer la red más eficiente, el equipo puso restricciones físicas aplicables al cuerpo humano —como velocidad máxima caminando/corriendo o imposibilidad de volar— para que el sistema no tenga que calcular cada posible siguiente movimiento.

Usaron dos GPUs NVIDIA TITAN X con framework CUDA deep learning para entrenar la red neuronal en dataset PedX que incluye intersecciones reales en Michigan.

Se implementó en Python 3.6 y tarda ~1 milisegundo en predecir el siguiente paso de cada persona en cada frame. Según investigadores, el código puede optimizarse más para mejores resultados.

Leer: Nuevo algoritmo para vehículos autónomos puede cambiar de carril agresivamente

La IA puede elevar la capacidad de coches sin conductor. También puede beneficiar estudios de marcha de robots bípedos y aplicarse a sistemas de rehabilitación de marcha clínica.