El vehicle autònom depèn de la percepció contínua del seu entorn per a prendre decisions de conducció segures i eficaces. Per a això, utilitza sistemes de percepció d'elevada complexitat computacional que combinen dades de diferents sensors com càmeres, LiDAR i radars. En relació amb la detecció d'aquests objectius, Luca Lusvarghi, investigador de l'Institut d'Investigació en Enginyeria (I3E) de la UMH, ha creat el primer model basat en IA que estima, en temps real, la rellevància de diversos objectes per a un vehicle autònom.
Fins ara, els treballs existents abordaven la identificació i priorització d'objectes en entorns de conducció autònoma principalment mitjançant tècniques convencionals d'IA o costoses anotacions manuals. El model proposat per Lusvarghi, sota la supervisió del catedràtic Javier Gozálvez, utilitza aprenentatge causal, un enfocament d'avantguarda que mesura directament l'impacte de cada objecte en les decisions de conducció del vehicle.
«Comprendre la rellevància dels objectes permet a un vehicle autònom centrar-se en aquells que realment importen i optimitzar l'ús dels recursos computacionals, especialment en escenaris urbans densos», explica Lusvarghi. Això redueix la càrrega computacional, millora l'eficàcia de les decisions i disminueix el consum energètic, fent la conducció més eficient i similar a la humana.
Aquesta capacitat també millora la comunicació entre vehicles. Els models d'IA permeten als vehicles connectats i autònoms seleccionar i transmetre només els objectes rellevants, reduint fins a 2,8 vegades la quantitat de dades intercanviades respecte als mètodes existents. Això és fonamental per al desplegament a gran escala i podria permetre que les xarxes de comunicació suportin fins a quatre vegades més vehicles.
«La identificació dels objectes rellevants pot tenir un impacte en tot l'ecosistema de la conducció connectada i autònoma», conclou Lusvarghi. Aquests models d'estimació de la rellevància podrien obrir el camí cap a una nova generació de vehicles més eficients i escalables.
El treball s'ha desenvolupat en el marc del projecte SemanticV2X, finançat per la Comissió Europea a través del programa de beques posdoctorals Marie Skłodowska-Curie Actions (MSCA-PF) de 2023.
