Vehículo autónomo

Un vehículo autónomo, también conocido como robótico, o informalmente como sin conductor o autoconducido, es un vehículo capaz de imitar las capacidades humanas de manejo y control. Como vehículo autónomo, es capaz de percibir el medio que le rodea y navegar en consecuencia.1​ El conductor podrá elegir el destino, pero no se le requiere para activar ninguna operación mecánica del vehículo.

Componentes

Para alcanzar una conducción realmente automática en una situación urbana con tráfico impredecible son necesarios muchos sistemas de tiempo real, que deben interoperar. Por ejemplo, es necesario un sistema de localización, de percepción del entorno, de planificación y lógicamente, un sistema de control. Además, son necesarios un conjunto de sensores que recojan y proporcionen la información necesaria para poder tomar las decisiones.

Cuando pensamos en un sistema de control para un coche autónomo es fácil caer en la tentación de imaginar que los algoritmos que lo controlan se asemejan a las normas de programación clásicas, del estilo “if (…) then…else…”, por ejemplo “Si se cruza un peatón en medio de la calle, entonces se reducirá la velocidad llegando a frenar si fuere necesario”. Es evidente que esa forma de pensar no es adecuada ya que el número de situaciones posibles es muy elevado y por lo tanto es necesario un sistema capaz de generalizar.

En lugar de implementar innumerables normas para reconocer estos objetos, es mucho más práctico implementar un algoritmo de machine learning al que se “entrena” con distintas imágenes que ejemplifican todas las situaciones posibles.

Cada una de las imágenes se asocia con el tipo de vehículo que contiene. El algoritmo empieza a procesar las imágenes. Inicialmente, intenta adivinar que vehículo hay en cada imagen y al principio se equivocará muy a menudo. Como conoce “la solución”, es decir, que vehículo hay en realidad en cada imagen, modifica y adapta parámetros internos y lo vuelve a intentar. El proceso continua reduciendo iterativamente la tasa de fallos. Más adelante, cuando se le presenten nuevas imágenes podrá clasificarlas correctamente. Podemos, entonces, afirmar que el algoritmo ha aprendido.

Ese mismo enfoque se puede utilizar para la toma y evaluación de decisiones. En vez de proporcionar una lista de normas con las que evaluar la acción a tomar para cada situación, se entrena un algoritmo con situaciones de tráfico en las que se especifica la acción correcta a tomar. Igual que antes, el algoritmo intenta adivinar la acción correcta y modifica parámetros internos en función de si se equivoca o acierta.

Otra de las técnicas que se usan en la algorítmica de la conducción autónoma son los modelos probabilísticos. Para tomar decisiones, el coche necesita predecir su propia posición y también la de todos los objetos que identifica, como peatones u otros vehículos, puesto que se están moviendo. Como no sabe la posición en la que estarán, la intenta predecir utilizando distribuciones de probabilidad.