- Los investigadores del MIT han desarrollado una nueva forma de ayudar a los vehículos autónomos a operar en condiciones de clima nevado.
- Si bien los sensores como cámaras, radares y lidar pueden quedar ocultos por la nieve, o no ver los copos, un sistema de radar terrestre que pulsa bajo tierra podría ofrecer algunas pistas a los autos.
- El manejo de automóviles autónomos en condiciones climáticas peligrosas, como la nieve, ha sido una preocupación durante mucho tiempo, ya que gran parte de las pruebas de los vehículos se realizan en estados cálidos y soleados.
Conducir en la nieve ya es lo suficientemente difícil para los humanos, pero para los vehículos autónomos, es una pesadilla.
En 2018, Krzysztof Czarnecki, profesor de la Universidad de Waterloo en Canadá, construyó un automóvil autónomo y lo entrenó para moverse por los vecindarios locales utilizando un conjunto de datos de conducción creado por investigadores en Alemania. Pero Ontario tiene algo de nieve en comparación con Alemania, y durante una prueba de manejo, Czarnecki tuvo que recuperar el control para evitar un accidente. El auto simplemente no podía lidiar con la nieve.
Incidentes como este son la razón por la cual un equipo del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT está buscando una solución, y creen que la han encontrado. Dirigido por Ph.D. estudiante Teddy Ort, el equipo desarrolló un nuevo sistema que toma prestado de la tecnología de radar existente que penetra en el suelo, utilizada para levantamiento de tumbas, trabajos de servicios públicos, levantamientos de sumideros e incluso exploración lunar, para medir la composición específica de rocas, suelo y raíces debajo de la carretera .
La invención del MIT se llama radar de penetración terrestre de localización (LGPR). Cuando el automóvil circula por una carretera nevada, utiliza un algoritmo de localización para determinar su ubicación precisa, dice Ort Mecánica Popular. El sensor LGPR escanea el suelo debajo del vehículo y muestra una imagen de radar que penetra en el suelo, lo que su equipo llama el “escaneo actual”.
Una vez que esos mapas LGPR se han creado para un área determinada, en teoría, en todas partes donde se espera que conduzca el automóvil, el sistema está listo para ayudar a un vehículo autónomo a “ver” dónde está si se mete en una debacle nevada.
Así es como funciona: los sensores GPS del automóvil se encuentran en el área general donde el automóvil está conduciendo actualmente. A partir de esas coordenadas, la computadora del automóvil puede adivinar dónde se encuentra actualmente. Luego, se hace referencia a los mapas LGPR de esa área para que el automóvil pueda descubrir dónde está más específicamente. ¿Está en el lado derecho de la carretera, como debería ser? ¿O el automóvil está a punto de conducir en una zanja, o peor, en el tráfico que se aproxima? Este enfoque es útil porque requiere menos potencia informática que intentar procesar todo el repositorio de mapas LGPR.
“La posición y orientación del vehículo que proporciona la coincidencia óptima entre el ‘escaneo actual’ y los datos en el área de búsqueda se encuentra utilizando una optimización de enjambre de partículas”, explica Ort en una terminología más técnica. Este algoritmo intenta mejorar los posibles resultados al pensar en múltiples objetivos diferentes que podrían conducir a diferentes soluciones.
Por ejemplo, en la naturaleza, las aves y los peces a menudo trabajan en grupos y comparten información dentro de una parvada o una escuela para garantizar la supervivencia. Decidir si una bandada entera debe aterrizar en el suelo o no es un ejemplo de un problema de optimización, al igual que decidir si esta parcela de terreno que recogió el GPS es el mismo terreno que ha sido mapeado por el radar de penetración en el suelo.
MIT CSAIL
En las pruebas, el equipo de Ort descubrió que el margen de error promedio del sistema de navegación estaba solo a una pulgada de sus mediciones en condiciones climáticas típicas, pero enfrentaron un problema imprevisto: la dificultad del sistema con la lluvia.
Resulta que el suelo empapado de lluvia cambia la composición de las rocas y la tierra en la tierra, lo que crea una disparidad entre los mapas LGPR originales y la condición actual de la misma parcela de suelo. Aún así, en ambos casos, los conductores de respaldo nunca tuvieron que hacerse cargo del volante en el transcurso de seis meses de pruebas del equipo (los cálculos solo se desactivaron en un promedio de 5.5 pulgadas).
Pero la lluvia no es lo único que altera la tierra debajo de las carreteras. Los deslizamientos de tierra, los terremotos e incluso la construcción de tuberías podrían cambiar las cosas, por lo que será necesario el mantenimiento del mapa, dice Ort.
“[These conditions] todos pueden hacer que los mapas sean menos precisos con el tiempo. El conocimiento previo sobre estos eventos podría usarse para actualizar mapas en lugares específicos “, dice.” De lo contrario, nuestra experiencia muestra que los mapas en áreas no alteradas pueden seguir siendo válidos durante muchos meses o incluso años “.
MIT CSAIL
Si bien el radar de penetración terrestre de localización es novedoso en vehículos autónomos, no puede funcionar solo. Junto con lidar, radar normal y cámaras, proporciona una opción a prueba de fallas para condiciones climáticas severas, pero no puede ayudar al sistema de visión del automóvil mucho más allá de eso.
Como Ort señala, los sensores lidar y de radar capturan vistas de 360 grados alrededor del vehículo, mientras que LGPR solo apunta directamente hacia el suelo debajo del automóvil, a unos seis a 10 pies bajo tierra.
“Dicho esto, sospecho que los fabricantes de automóviles pueden encontrar más fácil colocar múltiples sensores más pequeños debajo del vehículo, en lugar de un solo sensor grande de ancho completo como el que usamos actualmente”, dijo.
Eso es porque el sensor LGPR del MIT es bastante grande. El auto de prueba (un Toyota Prius) solo llevaba un sensor LGPR, pero abarcaba todo el ancho del vehículo. En el interior, hay una serie de 12 antenas de radar que, según Ort, pueden proporcionar colectivamente 11 canales de datos diferentes.
MIT CSAIL
Con el tiempo, el tamaño del componente completo se volverá mucho más pequeño, al igual que los sensores LIDAR. En un momento, ocuparon una barra de techo completa en vehículos autónomos, pero ahora pueden ocultarse en el exterior de un automóvil. Pero antes de que puedan miniaturizarse, el sensor LGPR todavía necesita perfeccionarse. Ort dice que los científicos aún necesitan enfocarse en diseñar técnicas de mapeo que puedan unir múltiples conjuntos de datos para tratar con carreteras e intersecciones de varios carriles.
Los automóviles autónomos se están volviendo más inteligentes y seguros, pero el cerebro humano sigue siendo el mejor sensor de un automóvil.
Source link