\n<\/p>\n
Desde que un conductor se pone al volante de un autom\u00f3vil en su primera clase pr\u00e1ctica de la autoescuela est\u00e1 aprendiendo constantemente, y a medida que acumula experiencia desarrolla una especie de intuici\u00f3n<\/strong> que nos permite anticiparnos a situaciones de riesgo incluso antes de que se produzcan. As\u00ed, por ejemplo, si circulamos por el carril r\u00e1pido de una autopista y apreciamos un leve cambio en la trayectoria hacia la izquierda del veh\u00edculo que va por el carril derecho, no ser\u00e1 necesario que su conductor lively el intermitente izquierdo para entender que est\u00e1 a punto de cambiar de carril, de modo que prevemos el riesgo y levantamos ligeramente el pie del acelerador como acto reflejo. \u00bfPuede un veh\u00edculo aut\u00f3nomo aprender tambi\u00e9n de la experiencia hasta reaccionar intuitivamente<\/strong>, como si de un automovilista experimentadio se tratara? En Porsche Engineering<\/a> creyeron que s\u00ed, y ahora lo han demostrado con su prueba Massive Information Loop<\/strong>, en la que han aplicado ese principio para optimizar el sistema de management de crucero adaptativo, lo que abre el camino a que, en el futuro, los asistentes de conducci\u00f3n se perfeccionen continuamente con el uso. <\/p>\n \u00bfPero c\u00f3mo puede un veh\u00edculo aut\u00f3nomo aprender de la experiencia de la misma manera que un ser humano, hasta reaccionar por ‘intuici\u00f3n’? Porsche Engineering<\/strong>, Porsche AG<\/a> y CARIAD<\/a>, una empresa de software program y tecnolog\u00eda del Grupo Volkswagen, colaboraron para demostrar c\u00f3mo todas las funciones basadas en la inteligencia synthetic (IA)<\/strong> pueden desarrollarse continuamente hasta crear una soluci\u00f3n que se asemeja a un bucle: los datos del veh\u00edculo se transmiten de forma inal\u00e1mbrica a la nube, donde se utilizan para seguir entrenando la IA. Despu\u00e9s, el algoritmo mejorado se pone a prueba y el ciclo vuelve a comenzar. <\/p>\n Traducido a la investigaci\u00f3n concreta sobre el management de crucero adaptativo (ACC)<\/strong>, se parte del sistema convencional de asistencia al conductor empleado, por ejemplo, en el Porsche Taycan<\/a>, que se encarga de mantener la distancia de seguridad con el veh\u00edculo que le precede. Para ello, el ACC se ocupa de detectar con antelaci\u00f3n si otros usuarios de la carretera se interponen en la trayectoria, ya sea porque deceleran o frenan, o porque entran en el carril por el que circulamos. Pero ahora el objetivo del proyecto Massive Information Loop period utilizar la IA para detectar precisamente esas situaciones en una fase m\u00e1s temprana<\/strong>. <\/p>\n Para ello, en el veh\u00edculo de pruebas una purple ‘neuronal’ desarrollada internamente se encarga de esa tarea, que se sigue entrenando continuamente con situaciones reales durante los ensayos de circulaci\u00f3n. Esto crea un ciclo interminable de observaci\u00f3n y aprendizaje<\/strong> que mejora continuamente el rendimiento del ACC. “Un cambio de carril probable se detecta entre medio segundo y un segundo antes, lo que en autopista equivale a 30 metros de recorrido”, explica Joachim Schaper<\/strong>, director de IA y Massive Information en Porsche Engineering. Todos los veh\u00edculos modernos con asistentes de conducci\u00f3n (ADAS)<\/a> producen enormes cantidades de datos (Massive Information), incluidas las se\u00f1ales de las c\u00e1maras evaluadas o la informaci\u00f3n de los sensores de radar, por lo que hay mucho materials para entrenar a una purple neuronal. Sin embargo, lo que parece sencillo resulta un verdadero reto a la hora de ponerla en pr\u00e1ctica. “Por ejemplo, solo queremos registrar los datos que realmente ayudan al sistema a aprender<\/strong>“, cube el director del proyecto Philipp Wustmann<\/strong>, experto en management longitudinal y lateral de Porsche Engineering. “Eso no es tarea f\u00e1cil, pues los sensores de radar y las c\u00e1maras generan infinidad de datos, la mayor\u00eda de ellos no relevantes para la funci\u00f3n que se est\u00e1 evaluando”. Round por una autopista vac\u00eda, por ejemplo, no ofrece oportunidades de aprendizaje<\/strong> para un controlador de distancia. Y analizar todos los datos llevar\u00eda demasiado tiempo. <\/p>\n Por eso se seleccionaron situaciones espec\u00edficas de las que la IA puede aprender algo<\/strong>. Esa tarea la realiz\u00f3 en el Taycan de pruebas el llamado SceneDetector<\/strong>: este algoritmo emplea las se\u00f1ales de c\u00e1mara interpretadas en el bus del veh\u00edculo. No se trata de im\u00e1genes de v\u00eddeo en bruto, sino de informaci\u00f3n sobre qu\u00e9 objetos hay y a qu\u00e9 distancia se hallan del veh\u00edculo. El SceneDetector filtra aquellas situaciones reales del tr\u00e1fico en las que el ACC no reacciona de forma \u00f3ptima, como cuando el veh\u00edculo que se cruza se detecta demasiado tarde o de forma incorrecta. Adem\u00e1s, es t\u00e9cnicamente posible hacer que el programa registre lo que se conoce como \u201ccasos l\u00edmite\u201d, es decir, casos que raramente se dan en la conducci\u00f3n diaria. Imaginemos un veh\u00edculo que nos precede y se desv\u00eda de su carril sin llegar a abandonarlo. El algoritmo podr\u00eda registrar esta situaci\u00f3n. Y lo mismo ocurre si la c\u00e1mara no detecta las marcas del carril. De esta detecci\u00f3n de escenas espec\u00edficas se encarga un software program especial llamado Automated Measurement Information Analytics (AMDA)<\/strong>. <\/p>\n Una vez que el SceneDetector ha encontrado cinco situaciones potencialmente instructivas, transmite a un servidor los datos correspondientes a trav\u00e9s de la radio m\u00f3vil. En la nube, aumenta la cantidad de materials ilustrativo; y para ello, los datos se introducen primero en una simulaci\u00f3n que usa un ‘motor de juego’, la misma tecnolog\u00eda que emplean los juegos de ordenador para generar sus im\u00e1genes<\/strong>. Con la ayuda del Centro Digital de Pruebas ADAS de Porsche Engineering<\/strong> se pueden reproducir recorridos de prueba virtuales en los que los coches que aparecen en el ordenador se comportan f\u00edsicamente como los reales en el tr\u00e1fico de una carretera. La simulaci\u00f3n da lugar a mediciones que se corresponden con las del bus del veh\u00edculo actual. <\/p>\n En el Centro Digital de Pruebas ADAS se simulan tambi\u00e9n de forma autom\u00e1tica distintas variantes del proceso registrado a partir de las mediciones reales, es decir, una resimulaci\u00f3n de la situaci\u00f3n actual. En cada caso, los procesos simulados difieren solo m\u00ednimamente: en una versi\u00f3n, el otro usuario de la carretera se desplaza m\u00e1s r\u00e1pidamente hacia la izquierda; en otra, se desplaza a una mayor distancia. Estas variaciones generan m\u00e1s datos de entrenamiento en muy poco tiempo<\/strong>, sin necesidad de realizar pruebas adicionales de circulaci\u00f3n. Tambi\u00e9n mejora el campo de aplicaci\u00f3n del modelo de IA, ya que no solo reconoce las situaciones m\u00e1s habituales, sino tambi\u00e9n las que ocurren raramente. Esa es en l\u00edneas b\u00e1sicas la naturaleza de la tecnolog\u00eda: las redes neuronales adquieren nuevas habilidades exclusivamente a trav\u00e9s de la observaci\u00f3n. Cuantos m\u00e1s ejemplos vean, mejores ser\u00e1n,<\/strong> pues el entorno de simulaci\u00f3n permite recrear, incluso, situaciones cr\u00edticas o at\u00edpicas para ampliar la gama de datos de entrenamiento. <\/p>\n Una vez creadas todas las situaciones visuales, comienza el aprendizaje actual<\/strong>. Todos los casos en que se produce un cruce del veh\u00edculo precedente, actual o simulado, se emplean para entrenar una purple neuronal en la nube. Mediante la observaci\u00f3n, aprende a reconocer los indicios de un pr\u00f3ximo cambio de carril, de forma related a como lo hace un conductor<\/strong>. Esto permite al ACC frenar con suavidad, casi exactamente como un humano al volante. Y a largo plazo el veh\u00edculo podr\u00eda desarrollar literalmente un ‘sexto sentido’<\/strong> para anticiparse al comportamiento de otros usuarios de la v\u00eda, reconociendo por ejemplo un estilo de conducci\u00f3n agresivo que ayude a prever cambios de carril arriesgados. <\/p>\n Una vez finalizada la formaci\u00f3n del sistema, se crea y valida autom\u00e1ticamente un nuevo software program para el management de crucero adaptativo (ACC)<\/strong>. Eso significa que durante las pruebas debe ser capaz de reconocer de forma fiable los cruces del veh\u00edculo precedente en un gran n\u00famero de situaciones desconocidas. Y solo si el software program lo demuestra de forma inequ\u00edvoca, se transfiere al veh\u00edculo. Es entonces cuando el conductor ver\u00e1 un cuadro de di\u00e1logo en su veh\u00edculo con el texto “hay una nueva versi\u00f3n disponible. \u00bfDesea activarla?”<\/strong>. Si el conductor est\u00e1 de acuerdo y pulsa “OK”, el management de crucero adaptativo optimizado empieza a funcionar. <\/p>\n Seg\u00fan los responsables del proyecto Massive Information Loop, tambi\u00e9n ser\u00eda posible probar primero el mejorado sistema ACC en el coche, pero en un segundo plano (ShadowMode)<\/strong>; y en ese caso, durante la marcha el ACC optimizado recibe los mismo datos de los sensores que el ACC ya instalado, y debe reaccionar en consecuencia. Sin embargo, el primer ACC sigue controlando el acelerador y el freno, y el nuevo software program se limita a controlar la validez de las predicciones. Si, por ejemplo, la IA optimizada predice una maniobra de frenado de otro veh\u00edculo que finalmente no se produce (un ‘falso positivo’<\/strong> le llaman en Porsche<\/a>) ser\u00eda desautorizada, de manera que solo entrar\u00e1 en funcionamiento cuando quede claro que la purple neuronal entrenada en la nube es realmente superior en sus previsiones al ACC inicial. <\/p>\n Porsche Engineering consigui\u00f3 implantar el sistema de management de crucero adaptativo con autoaprendizaje en solo cuatro meses<\/strong>, y la compa\u00f1\u00eda alemana present\u00f3 una solicitud de patente para una parte de dicha tecnolog\u00eda. Como la prueba con el prototipo demostr\u00f3 que el enfoque t\u00e9cnico funciona, la nueva arquitectura usada en el Massive Information Loop ya se est\u00e1 empleando en otros proyectos de desarrollo, como las pruebas y validaciones de una nueva generaci\u00f3n de sensores en sustituci\u00f3n de los existentes. Y el siguiente paso ser\u00e1 llevar el Massive Information Loop a la producci\u00f3n en serie<\/strong>. En este sentido, a\u00fan quedan ciertos retos por superar, como la detecci\u00f3n de casos l\u00edmite o la optimizaci\u00f3n totalmente automatizada de funciones, aunque la empresa CARIAD est\u00e1 trabajando actualmente en una aplicaci\u00f3n en serie del Massive Information Loop<\/strong> en el contexto basic de la circulaci\u00f3n automatizada para las marcas del Grupo Volkswagen<\/a>. <\/p>\n Una vez que la tecnolog\u00eda necesaria sea de serie en todos los veh\u00edculos entregados<\/strong>, el aprendizaje tambi\u00e9n ser\u00e1 m\u00e1s r\u00e1pido porque habr\u00e1 m\u00e1s materials visible digital. Mientras que hoy en d\u00eda un solo veh\u00edculo de pruebas est\u00e1 en la carretera recogiendo maniobras de cruce, en el futuro todos los coches podr\u00e1n enviar datos al fabricante si el cliente est\u00e1 de acuerdo<\/strong>, lo que acelerar\u00e1 el proceso de mejora, abaratar\u00e1 los costes y aumentar\u00e1 la seguridad de los usuarios. <\/p>\n<\/p><\/div>\n\n ” Fuentes www.elconfidencial.com ” <\/em><\/p>\n","protected":false},"excerpt":{"rendered":" Desde que un conductor se pone al volante de un autom\u00f3vil en su primera clase pr\u00e1ctica de la autoescuela est\u00e1 aprendiendo constantemente, y a medida que acumula experiencia desarrolla una especie de intuici\u00f3n que nos permite anticiparnos a situaciones de riesgo incluso antes de que se produzcan. As\u00ed, por ejemplo, si circulamos por el carril […]<\/p>\n","protected":false},"author":4,"featured_media":160578,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"jnews-multi-image_gallery":[],"jnews_single_post":[],"jnews_primary_category":[],"jnews_social_meta":[],"footnotes":""},"categories":[41],"tags":[],"class_list":["post-160577","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-cruceros"],"_links":{"self":[{"href":"https:\/\/dimensionturistica.com\/es\/wp-json\/wp\/v2\/posts\/160577","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/dimensionturistica.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/dimensionturistica.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/dimensionturistica.com\/es\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/dimensionturistica.com\/es\/wp-json\/wp\/v2\/comments?post=160577"}],"version-history":[{"count":0,"href":"https:\/\/dimensionturistica.com\/es\/wp-json\/wp\/v2\/posts\/160577\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dimensionturistica.com\/es\/wp-json\/wp\/v2\/media\/160578"}],"wp:attachment":[{"href":"https:\/\/dimensionturistica.com\/es\/wp-json\/wp\/v2\/media?parent=160577"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dimensionturistica.com\/es\/wp-json\/wp\/v2\/categories?post=160577"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dimensionturistica.com\/es\/wp-json\/wp\/v2\/tags?post=160577"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Muchos datos, pero no todo vale<\/h2>\n
Coches con comportamiento humano<\/h2>\n
Y pronto, la producci\u00f3n en serie<\/h2>\n