Los investigadores desarrollaron un sistema de IA para sensores de radar de coches capaz de filtrar las señales de interferencia causadas por otros sensores de radar, mejorando considerablemente su capacidad de detección de objetos.
Entre sus mejoras con respecto a tecnologías similares ya vistas, este avance se considera más robusto frente a las influencias climáticas y ambientales, así como también a otros nuevos tipos de interferencia.
-Robusteciendo la tecnología de los coches autónomos
Para interactuar adecuadamente con su entorno y adaptarse correctamente a él, los sistemas de seguridad y conducción asistida de los coches modernos dependen del trabajo de sus sensores, como cámaras, lidar, ultrasonido y radar.
Puntualmente los radares son componentes indispensables. Estos sensores entregan al vehículo datos de ubicación y velocidad de los objetos circundantes. No obstante, mientras funcionan deben lidiar usualmente con numerosas influencias disruptivas y ambientales en el tráfico. La interferencia de otros equipos (radar) y las condiciones climáticas extremas crean ruido que afecta negativamente la calidad de la medición del radar.
“Cuanto mejor funcione la eliminación de ruido de las señales interferentes, más fiable será la posición y la velocidad de los objetos”, explica Franz Pernkopf, del Instituto de Procesamiento de Señales y Comunicación del Habla, en conversación con la Universidad Tecnológica Graz, Austria. Junto con su equipo y con socios de Infineon, Pernkopf desarrolló un sistema de IA basado en redes neuronales que mitiga la interferencia mutua en las señales de radar, superando con creces el estado actual de la técnica.
Los investigadores desarrollaron arquitecturas modelo para la supresión automática de ruido basadas en las llamadas redes neuronales convolucionales (CNN). Estas filtran la información visual, identifican las conexiones y completan la imagen utilizando patrones familiares. A causa de su estructura, estas redes consumen considerablemente menos memoria que otras redes neuronales, pero aun así superan las capacidades disponibles de los sensores de radar para la conducción autónoma.
Con un ancho de bits de 8 bits, el modelo logra el mismo rendimiento que los modelos comparables con un ancho de bits de 32 bits, pero con la diferencia y ventaja que solo requiere 218 kilobytes de memoria. Esto corresponde a una reducción del espacio de almacenamiento del 75%, lo que representa que el modelo presentado supera con creces las capacidades técnicas actualmente conocidas.
Ahora, sus readores quieren optimizar este modelo para que también funcione fuera de los patrones aprendidos y reconozca objetos de manera aún más confiable. Con este fin, los investigadores quieren averiguar cómo el sistema determina sus predicciones y cuáles son lso factores de influencia que resultan más decisivos para ello. Este proceso dentro de la red anteriormente solo ha sido comprensible en una medida limitada.
En palabras de Pernkopf: “Queremos que el comportamiento de las CNN sea un poco más explicable. No solo nos interesa el resultado de la salida, sino también su rango de variación. Cuanto menor es la varianza, más segura es la red”.
El trabajo de aquí en adelante seguirá siendo intenso para Pernkopf y su equipo, pues el investigador espera que su tecnología puede llegar a implementarse en los radares de los coches que se fabriquen durante los próximos años.