Algoritmo avanzado de conducción autónoma permite cambios de carril seguros y agresivos

• El nuevo algoritmo de cambio de carril se basa en datos en tiempo real recogidos por cámaras y sensores del coche.
• Crea y computa nuevas zonas de seguridad sobre la marcha.
• Permite amplia gama de estilos de conducción, de agresivo a conservador, garantizando seguridad.

¿Sabes que el primer paso hacia coches sin conductor vino en los 1980, y sigue ahí — el sistema antibloqueo de frenos. La idea era usar sensores para prevenir que las ruedas se bloqueen y envíen el coche a un derrape incontrolado. Una década después, fabricantes usaron sensores para control de tracción y estabilidad.

Desde entonces, hemos avanzado mucho; ahora coches autónomos usan combinación de sensores, radar, cámara e inteligencia artificial para viajar entre destinos. Empresas tech constantemente mejoran sus algoritmos de auto-conducción, haciéndolos más seguros y fiables.

Una de las partes cruciales de sistemas de auto-conducción es el algoritmo de cambio de carril, tema candente entre desarrolladores. La mayoría de algoritmos existentes de cambio de carril tienen 1 de 2 limitaciones —

1. Se basan en modelo estadístico complejo que no puede analizarse en tiempo real, o
2. Son tan simples que siempre resultan en una solución común: no cambiar de carril.

Ahora investigadores de MIT han desarrollado un nuevo algoritmo que se basa en información en tiempo real y permite cambios de carril más agresivos [tipo humano] que previos sistemas de auto-conducción. Por información en tiempo real, nos referimos a datos de otros vehículos [como su velocidad y dirección] recogidos por cámaras y sensores del coche.

Algoritmo convencional de cambio de carril

El objetivo principal es hacer que los coches se conduzcan como humanos con la menor cantidad de datos posible. El nuevo algoritmo puede adaptar una amplia gama de estilos de conducción, de agresivo a conservador, garantizando seguridad.

¿Cómo funciona el algoritmo?

Lo más importante para vehículos autónomos es la seguridad. Los algoritmos computan zonas de seguridad alrededor de otros vehículos para evitar colisiones. Estas zonas contienen posiciones actuales y futuras de todos los vehículos cercanos.

El algoritmo calcula la posición futura de otros vehículos para un corto marco temporal, analizando su velocidad y dirección. Decidir cuándo cambiar de carril depende completamente de estas zonas de seguridad.

La eficiencia y rendimiento del sistema se basa en el método usado para calcular zonas de seguridad dentro del contexto de modelo de patrón de tráfico. Usualmente, zonas de seguridad óptimas son pre-calculadas, y se vuelven demasiado restrictivas cuando el tráfico es rápido y denso, impidiendo al vehículo cambiar de carril.

Sin embargo, el algoritmo propuesto computa nuevas zonas de seguridad sobre la marcha. Para hacer estas zonas fiables o libres de colisión, el algoritmo usa un método matemático eficiente llamado distribución Gaussiana — una función continua que aproxima la distribución binomial exacta de eventos.

Fuente: MIT

La distribución muestra la posición actual del vehículo. Las dimensiones del vehículo así como la incertidumbre de su estimación de posición se toman en cuenta. Usando estas estimaciones [velocidad y dirección del vehículo], el algoritmo genera una función logística, que se multiplicaさらに por la distribución Gaussiana.

Algoritmo propuesto

Esto sesga la distribución (con velocidades más rápidas) hacia la dirección del movimiento del vehículo. La distribución no es más que una nueva zona de seguridad del vehículo. Dado que el número de variables es menor, el sistema puede computarla en tiempo real.

Tests

Usaron una simulación para testear este algoritmo. El entorno simulado tenía dieciséis coches autónomos y cientos de otros vehículos.

Leer: Nueva tecnología de auto-conducción navega sin mapas 3D

Los coches autónomos [corriendo en el nuevo algoritmo] no tenían comunicación directa entre sí, y todos corrían en paralelo sin ninguna colisión o conflicto. Cada coche está asociado con diferentes parámetros de riesgo, permitiendo a desarrolladores generar múltiples estilos de conducción.