¿Cómo podemos preparar vehículos autónomos para tener una conciencia más profunda en torno al mundo que les rodea? ¿Pueden las computadoras aprender de experiencias pasadas para reconocer patrones futuros que pueden ayudarlos a navegar de forma segura en situaciones nuevas e impredecibles?
Estas son algunas de las preguntas que los investigadores del Instituto Tecnológico de Massachusetts (MIT, por sus siglas en inglés) AgeLab en el MIT Center for Transportation & Logistics y el Toyota Collaborative Safety Research Center (CSRC) están tratando de responder compartiendo un nuevo e innovador conjunto de datos abierto llamado DriveSeg. Por esto, a través del lanzamiento de DriveSeg, MIT y Toyota están trabajando para adelantar en la investigación en sistemas de conducción autónomos que, al igual que la percepción humana, perciben el entorno de conducción como un flujo continuo de información visual.
"Al compartir este conjunto de datos, esperamos alentar a los investigadores, la industria y a otros innovadores a desarrollar nuevos conocimientos y dirección en el modelado temporal de IA que de paso a la próxima generación de tecnologías de conducción asistida y seguridad automotriz", dijo Bryan Reimer, Investigador Principal. "Nuestra larga relación de trabajo con Toyota CSRC ha permitido que nuestros esfuerzos de investigación impacten las tecnologías de seguridad futuras", agregó.
Por su parte, Rini Sherony, ingeniero principal senior del Centro de Investigación en Seguridad Colaborativa de Toyota aseguró que, "el poder de predecir es una parte importante de la inteligencia humana. Cada vez que conducimos, siempre estamos rastreando los movimientos del medio ambiente que nos rodea para identificar posibles riesgos y tomar decisiones más seguras. Al compartir este conjunto de datos, esperamos acelerar la investigación sobre sistemas de conducción autónoma y las características de seguridad avanzadas que estén más en sintonía con la complejidad del entorno que nos rodea".
Hasta la fecha, los datos de conducción automática puestos a disposición de la comunidad investigadora han consistido principalmente en imágenes individuales estáticas que se pueden utilizar para identificar y rastrear los objetos comunes que se encuentran en y alrededor de la carretera, como bicicletas, peatones o semáforos a través del uso de "cajas delimitadoras". Por el contrario, DriveSeg contiene representaciones más precisas a nivel de píxel de muchos de estos mismos objetos de carretera comunes, pero a través del lente de una escena de conducción de vídeo continua. Este tipo de segmentación de escena completa puede ser particularmente útil para identificar objetos más amorfos, como la construcción de carreteras y la vegetación, que no siempre tienen formas tan definidas y uniformes.
Según Sherony, la percepción de la escena de conducción basada en vídeo proporciona un flujo de datos que se asemeja más a situaciones dinámicas de conducción en el mundo real. También permite a los investigadores explorar patrones de datos a medida que se reproducen con el tiempo, lo que podría conducir a avances en el aprendizaje automático, la comprensión de la escena y la predicción del comportamiento.
Comments