El modelo creado por investigadores de la universidad reduce hasta 2,8 veces los datos que necesitan intercambiar los vehículos conectados y podría permitir que las redes soporten cuatro veces más coches.
Un coche autónomo puede detectar peatones, vehículos estacionados, semáforos, conos, señales y decenas de elementos diferentes a su alrededor. Pero, como ocurre cuando conduce una persona, no todo lo que aparece en su campo de visión tiene la misma importancia. Una investigación desarrollada en la Universidad Miguel Hernández busca precisamente enseñar a los vehículos qué deben considerar realmente relevante en cada momento.
El investigador del Instituto de Investigación en Ingeniería (I3E) de la UMH Luca Lusvarghi, bajo la supervisión del catedrático Javier Gozálvez, ha desarrollado un modelo de inteligencia artificial capaz de estimar en tiempo real la influencia que cada objeto detectado tiene sobre las decisiones de conducción del vehículo autónomo.
La tecnología utiliza aprendizaje causal. En lugar de considerar relevante un elemento por su tamaño, proximidad o clasificación previa, el sistema analiza directamente qué ocurriría con la decisión del vehículo si ese objeto no estuviera presente. De esta manera puede distinguir entre aquello que realmente condiciona la conducción y la enorme cantidad de información secundaria que captan constantemente cámaras, radares y sensores LiDAR.
Verlo todo no significa necesitarlo todo
Los sistemas actuales de conducción autónoma procesan enormes cantidades de información. Un peatón que cruza la calzada puede ser decisivo, mientras que otro que permanece alejado en una acera puede no tener ninguna influencia en la maniobra inmediata. Lo mismo sucede con un coche estacionado, un vehículo que circula delante o un semáforo situado en otra dirección.
El modelo desarrollado en la UMH pretende que el vehículo aprenda a establecer esa jerarquía de forma parecida a como lo hace una persona. Según Lusvarghi, seleccionar solo los objetos que realmente importan permite reducir la carga computacional del vehículo, mejorar la toma de decisiones y disminuir el consumo energético asociado al procesamiento continuo de información.
Pero el desarrollo tiene otra consecuencia especialmente importante para el futuro de la movilidad conectada: los coches también pueden dejar de transmitir información innecesaria a otros vehículos.
Hasta 2,8 veces menos datos transmitidos
Las pruebas realizadas por los investigadores muestran que esta selección inteligente permite reducir hasta 2,8 veces el volumen de información intercambiada respecto a sistemas en los que se comunican todos los objetos detectados, independientemente de que sean relevantes para el vehículo que recibe los datos.
La reducción puede resultar fundamental cuando haya miles de vehículos conectados compartiendo información simultáneamente en entornos urbanos. Según los resultados del proyecto, el nuevo sistema podría permitir que una misma infraestructura de comunicaciones soportase hasta cuatro veces más vehículos autónomos y conectados.
La investigación forma parte de SemanticV2X, un proyecto financiado por la Comisión Europea mediante las acciones posdoctorales Marie Skłodowska-Curie. El objetivo es avanzar hacia sistemas de comunicación entre vehículos que no se limiten a enviar datos, sino que sean capaces de comprender qué información merece realmente la pena transmitir.
El desarrollo abre ahora la puerta a nuevas investigaciones sobre su aplicación en situaciones reales de conducción y sobre la integración de este tipo de modelos en los sistemas que utilizarán los futuros vehículos autónomos.
