Autos autónomos más seguros
Hacer que los autos autónomos sean más seguros a través de una percepción más aguda de los robots
La aviación se convirtió en una realidad a principios del siglo XX, pero pasaron 20 años antes de que las precauciones de seguridad adecuadas permitieran la adopción generalizada de los viajes aéreos. Hoy en día, el futuro de los vehículos totalmente autónomos es igualmente nublado, debido en gran parte a preocupaciones de seguridad.
Para acelerar esa línea de tiempo, el estudiante de posgrado Heng “Hank” Yang y sus colaboradores han desarrollado el primer conjunto de algoritmos de “percepción certificable”, que podrían ayudar a proteger la próxima generación de vehículos autónomos y los vehículos con los que comparten la carretera.
El nuevo algoritmo de vehiculo autonomo se da cuenta cuando esta mal y advierte al conductor a tiempo
Aunque Yang es ahora una estrella en ascenso en su campo, pasaron muchos años antes de que decidiera investigar la robótica y los sistemas autónomos. Criado en la provincia china de Jiangsu, completó su licenciatura con los máximos honores de la Universidad de Tsinghua. Pasó su tiempo en la universidad estudiando todo, desde abejas hasta mecánica celular. “Mi curiosidad me impulsó a estudiar muchas cosas. Con el tiempo, comencé a desviarme más hacia la ingeniería mecánica, ya que se cruza con muchos otros campos ”, dice Yang.
Yang continuó con una maestría en ingeniería mecánica en el MIT, donde trabajó en la mejora de un sistema de imágenes por ultrasonido para rastrear la fibrosis hepática. Para alcanzar su objetivo de ingeniería, Yang decidió tomar una clase de robotica sobre el diseño de algoritmos para controlar robots.
“La clase también cubrió la optimización matemática, que implica la adaptación de fórmulas abstractas para modelar casi todo en el mundo”, dice Yang. “Aprendí una buena solución para atar los cabos sueltos de mi tesis. Me sorprendió lo poderosa que puede ser la computación para optimizar el diseño. A partir de ahí, supe que era el campo correcto para explorar a continuación “.
Algoritmos para precisión certificada
Luca Carlone
Yang es ahora un estudiante de posgrado en el Laboratorio de Sistemas de Información y Decisiones (LIDS), donde trabaja con Luca Carlone , el Profesor Asociado de Ingeniería de Leonardo Career Development, en el desafío de la percepción certificable. Cuando los robots detectan su entorno, deben utilizar algoritmos para realizar estimaciones sobre el entorno y su ubicación. “Pero estos algoritmos de percepción están diseñados para ser rápidos, con pocas garantías de que el robot haya logrado una comprensión correcta de su entorno”, dice Yang. “Ese es uno de los mayores problemas existentes. Nuestro laboratorio está trabajando para diseñar algoritmos ‘certificados’ que puedan indicarle si estas estimaciones son correctas “.
Por ejemplo, la percepción del robot comienza cuando el robot captura una imagen, como un automóvil autónomo que toma una instantánea de un automóvil que se acerca. La imagen pasa por un sistema de aprendizaje automático llamado red neuronal, que genera puntos clave dentro de la imagen sobre los espejos, ruedas, puertas, etc. del automóvil que se aproxima, etc. A partir de ahí, se dibujan líneas que buscan rastrear los puntos clave detectados en el automóvil 2D. imagen a los puntos clave 3D etiquetados en un modelo de automóvil 3D. “Luego, debemos resolver un problema de optimización para rotar y traducir el modelo 3D para alinearlo con los puntos clave de la imagen”, dice Yang. “Este modelo 3D ayudará al robot a comprender el entorno del mundo real”.
Cada línea trazada debe analizarse para ver si ha creado una coincidencia correcta. Dado que hay muchos puntos clave que podrían coincidir incorrectamente (por ejemplo, la red neuronal podría reconocer erróneamente un espejo como la manija de una puerta), este problema es “no convexo” y difícil de resolver. Yang dice que el algoritmo de su equipo, que ganó el premio al mejor artículo en visión robótica en la Conferencia Internacional de Robótica y Automatización (ICRA), suaviza el problema no convexo para convertirlo en convexo y encuentra coincidencias exitosas. “Si la coincidencia no es correcta, nuestro algoritmo sabrá cómo seguir intentándolo hasta encontrar la mejor solución, conocida como el mínimo global. Se otorga un certificado cuando no hay mejores soluciones ”, explica.
“Estos algoritmos certificables tienen un impacto potencial enorme, porque las herramientas como los vehículos autónomos deben ser robustas y fiables. Nuestro objetivo es lograr que el conductor reciba una alerta para que se haga cargo del volante si falla el sistema de percepción ”.
Adaptando su modelo a diferentes coches
Al hacer coincidir la imagen 2D con el modelo 3D, una suposición es que el modelo 3D se alineará con el tipo de automóvil identificado. Pero, ¿qué sucede si el automóvil de la imagen tiene una forma que el robot nunca ha visto en su biblioteca? “Ahora necesitamos tanto estimar la posición del automóvil como reconstruir la forma del modelo”, dice Yang.
El equipo ha descubierto una forma de sortear este desafío. El modelo 3D se transforma para que coincida con la imagen 2D al someterse a una combinación lineal de vehículos previamente identificados. Por ejemplo, el modelo podría pasar de ser un Audi a un Hyundai, ya que registra la construcción correcta del automóvil real. Identificar las dimensiones del automóvil que se aproxima es clave para prevenir colisiones. Este trabajo le valió a Yang y su equipo el premio al mejor artículo finalista en la conferencia Robotics: Science and Systems (RSS), donde Yang también fue nombrado pionero de RSS.
Además de presentarse en conferencias internacionales, a Yang le gusta discutir y compartir su investigación con el público en general. Recientemente, compartió su trabajo sobre percepción certificable durante la primera exhibición pública de SLAM de investigación del MIT . También coorganizó la primera conferencia virtual de estudiantes LIDS junto con líderes de la industria. Sus charlas favoritas se centraron en formas de combinar la teoría y la práctica, como el uso de algoritmos de inteligencia artificial por parte de Kimon Drakopoulos para guiar cómo asignar los recursos de prueba Covid-19 de Grecia. “Algo que se me quedó grabado fue cómo él realmente enfatizó lo que estas rigurosas herramientas analíticas pueden hacer para beneficiar el bien social”, dice Yang.
Yang planea continuar investigando problemas desafiantes que abordan la autonomía segura y confiable al seguir una carrera en el mundo académico. Su sueño de convertirse en profesor también se ve impulsado por su amor por guiar a otros, lo que le gusta hacer en el laboratorio de Carlone. Espera que su trabajo futuro conduzca a más descubrimientos que sirvan para proteger la vida de las personas. “Creo que muchos se están dando cuenta de que el conjunto de soluciones existentes que tenemos para promover la seguridad humana no es suficiente”, dice Yang. “Para lograr una autonomía confiable, es hora de que adoptemos un conjunto diverso de herramientas para diseñar la próxima generación de algoritmos de percepción seguros”.
“Siempre debe haber una protección contra fallas, ya que ninguno de nuestros sistemas creados por humanos puede ser perfecto. Creo que se necesitará el poder tanto de la teoría rigurosa como de la computación para revolucionar lo que podemos desvelar con éxito al público “.