El vehículo autónomo depende de la percepción continua de su entorno para tomar decisiones de conducción seguras y eficaces. Para ello, utiliza sistemas de percepción de elevada complejidad computacional que combinan datos de diferentes sensores como cámaras, LiDAR y radares. En relación con la detección de estos objetivos, Luca Lusvarghi, investigador del Instituto de Investigación en Ingeniería (I3E) de la UMH, ha creado el primer modelo basado en IA que estima, en tiempo real, la relevancia de varios objetos para un vehículo autónomo.
Hasta ahora, los trabajos existentes abordaban la identificación y priorización de objetos en entornos de conducción autónoma principalmente mediante técnicas convencionales de IA o costosas anotaciones manuales. El modelo propuesto por Lusvarghi, bajo la supervisión del catedrático Javier Gozálvez, utiliza aprendizaje causal, un enfoque de vanguardia que mide directamente el impacto de cada objeto en las decisiones de conducción del vehículo.
«Comprender la relevancia de los objetos permite a un vehículo autónomo centrarse en aquellos que realmente importan y optimizar el uso de los recursos computacionales, especialmente en escenarios urbanos densos», explica Lusvarghi. Esto reduce la carga computacional, mejora la eficacia de las decisiones y disminuye el consumo energético, haciendo la conducción más eficiente y similar a la humana.
Esta capacidad también mejora la comunicación entre vehículos. Los modelos de IA permiten a los vehículos conectados y autónomos seleccionar y transmitir solo los objetos relevantes, reduciendo hasta 2,8 veces la cantidad de datos intercambiados respecto a los métodos existentes. Esto es fundamental para el despliegue a gran escala y podría permitir que las redes de comunicación soporten hasta cuatro veces más vehículos.
«La identificación de los objetos relevantes puede tener un impacto en todo el ecosistema de la conducción conectada y autónoma», concluye Lusvarghi. Estos modelos de estimación de la relevancia podrían abrir el camino hacia una nueva generación de vehículos más eficientes y escalables.
El trabajo se ha desarrollado en el marco del proyecto SemanticV2X, financiado por la Comisión Europea a través del programa de becas posdoctorales Marie Skłodowska-Curie Actions (MSCA-PF) de 2023.
