Los ojos de los coches aut¨®nomos, mejores que los de los humanos

El objetivo es que los sistemas de visi¨®n artificial registren el entorno, que los algoritmos resuelvan el acertijo y que los coches aut¨®nomos entiendan el mundo a la primera. Pero los ojos electr¨®nicos no llegan todav¨ªa a todos los rincones, y el punto flaco reside en lo que los expertos denominan los corner cases. Aunque cada una de las tecnolog¨ªas que utilizan los veh¨ªculos autopilotados est¨¢ preparada para cubrir las debilidades de las dem¨¢s, existen a¨²n circunstancias peliagudas, casos extra?os, que se escapan al control de la inteligencia artificial.

El radar detecta que tiene un objeto delante, por ejemplo, pero no sabe cu¨¢l es; la c¨¢mara ofrece una resoluci¨®n alt¨ªsima y representa muy bien el entorno, pero no acierta a averiguar la profundidad de campo; el l¨ªdar (acr¨®nimo del ingl¨¦s Laser Imaging Detection and Ranging), por su parte, calcula la distancia, sin prospecciones ni c¨¢lculos computacionales, pero proporciona una baja definici¨®n de imagen. Los expertos asumen que, en ¨²ltimo t¨¦rmino, no queda m¨¢s remedio que jugar a este piedra, papel o tijera de la visi¨®n artificial.

En el terreno de las c¨¢maras, Mobileye fabrica chips que ¡°explotan al m¨¢ximo la tecnolog¨ªa de extracci¨®n de informaci¨®n, calculando distancias con sus algoritmos propios¡±, cuenta Francisco Izquierdo, director t¨¦cnico de Track Surveying Solutions, representante en Espa?a de Mobileye.

La algoritmia cl¨¢sica hace una segmentaci¨®n de imagen basada en colores y en formas, mediante filtros y superp¨ªxeles que permiten definir qu¨¦ p¨ªxeles corresponden a un objeto determinado. ¡°Con eso se consiguen muy buenos resultados identificando personas y la parte trasera de los veh¨ªculos, es decir, la combinaci¨®n de luces m¨¢s matr¨ªcula¡±, explica Izquierdo. Pero la investigaci¨®n avanza por otro lado. Mobileye, que pertenece a Intel desde 2017 y que colabora con BMW, Nissan y Volkswagen, utiliza otra t¨¦cnica para extraer la informaci¨®n: las redes neuronales. ¡°Han evolucionado mucho en los ¨²ltimos cinco a?os gracias a Google y a Facebook, entre otros, gigantes que tienen much¨ªsimos datos y que han sido capaces de etiquetar la informaci¨®n¡±, adelanta Izquierdo.

Ante una imagen captada por una c¨¢mara, la red disuelve p¨ªxeles, busca patrones y aplica una serie de pesos que contextualizan la escena e indican al veh¨ªculo que est¨¢ en una carretera, que eso es una se?al y en concreto qu¨¦ se?al es. ¡°El cuello de botella est¨¢ en tener mucha informaci¨®n de origen segmentada, porque t¨² a la red neuronal le tienes que ense?ar¡±, a?ade el director t¨¦cnico de Track Surveying Solutions. ¡°Las redes neuronales tienen una gran capacidad de aprendizaje mediante algoritmos de machine learning y deep learning y pueden llegar al autoaprendizaje, pero el sistema necesita datos. Primero le ense?amos qu¨¦ es un coche, qu¨¦ es una moto y tambi¨¦n qu¨¦ no es un coche y qu¨¦ no es una moto¡±, concreta Marga S¨¢ez, responsable del ¨¢rea de Sistemas de Visi¨®n del Centro Tecnol¨®gico de Automoci¨®n de Galicia. ¡°La c¨¢mara tiene una ventaja fundamental, que es la gran potencia de clasificaci¨®n de objetos. Y con las c¨¢maras de alta definici¨®n actuales se puede hacer con una precisi¨®n alta¡±, a?ade S¨¢ez.

La lluvia, enemiga de la IA

La inteligencia artificial, sin embargo, no sortea bien todos los obst¨¢culos. ¡°En algunos casos, los sem¨¢foros son dif¨ªciles de interpretar. Por ejemplo, cuando hay tres carriles y dos de ellos est¨¢n regulados por una luz y el tercero, por otra independiente. Y es peor en Estados Unidos, donde hay una luz para cada carril. Son muchas combinaciones posibles para el ordenador. Tiene que interpretar las luces, las l¨ªneas de carril¡­ El humano soluciona esta situaci¨®n sin demasiados problemas, pero un coche aut¨®nomo necesita que todo est¨¦ perfectamente estipulado¡±, explica Izquierdo.

La niebla es otra de las situaciones que suscita problemas a la visi¨®n artificial. Una c¨¢mara convencional ve tan mal como el ojo humano, o peor, y el l¨ªdar no recibe rebotes cuando hay agua en suspensi¨®n, pues esta absorbe la luz. Una de las soluciones m¨¢s brillantes la mostraron el a?o pasado tres investigadores del MIT Media Lab. Su sistema de detecci¨®n se basa en una c¨¢mara que lanza r¨¢fagas de l¨¢ser hacia los objetos y calcula el tiempo que tarda la luz en volver. Un algoritmo propio es capaz de descubrir patrones de luz reflejada, por mucho que esta se disperse en el agua, de manera que puede determinar con precisi¨®n a qu¨¦ distancia est¨¢n los objetos.

Ante la inabarcable cantidad de casos especiales con los que se encontrar¨¢n los coches aut¨®nomos, ¡°la ¨²nica salida es la combinaci¨®n de tecnolog¨ªas, como se hace en aviaci¨®n. Tienen que existir procesos decisorios en paralelo para que el veh¨ªculo no se quede colgado¡±, concluye Izquierdo.