Autonomous Vehicles

Los vehículos autónomos (AVs), a menudo denominados coches sin conductor, son sistemas de transporte inteligentes capaces de percibir su entorno y funcionar sin intervención humana. Estos sistemas representan la máxima expresión de la innovación en IA aplicada al sector automovilístico, al combinar hardware sofisticado con algoritmos de software avanzados para interpretar entornos complejos. El objetivo principal de la tecnología AV es mejorar la seguridad vial minimizando los accidentes causados por errores humanos, además de optimizar la eficiencia del tráfico y proporcionar movilidad a quienes no pueden conducir. En esencia, estos vehículos se basan en la inteligencia artificial (AI) para percibir estímulos, procesar información y tomar decisiones de conducción en fracciones de segundo.

Percepción y tecnologías de sensores#

Para que un vehículo autónomo pueda desplazarse con seguridad, debe comprender completamente su entorno. Esto se consigue mediante una capa de percepción que agrega datos de un conjunto de sensores.

• Visión artificial (CV): Las cámaras actúan como los principales sensores visuales y emulan la visión humana. Los algoritmos procesan las señales de vídeo para reconocer marcas viales, semáforos y señales.
• Tecnología LiDAR: La detección y medición de distancias mediante luz (LiDAR) utiliza pulsos láser para crear mapas 3D precisos y de alta resolución del entorno, esenciales para percibir la profundidad.
• Detección de objetos: Los modelos de aprendizaje profundo identifican y localizan obstáculos dinámicos. Los modelos de alta velocidad, como YOLO26, son fundamentales para detectar peatones y otros vehículos con baja latencia.
• Fusión de sensores: Ningún sensor es perfecto en todas las condiciones (por ejemplo, las cámaras con niebla). Los algoritmos de fusión combinan datos de cámaras, radar y LiDAR para crear un modelo sólido del entorno.
• Segmentación semántica: Esta técnica clasifica cada píxel de una imagen, lo que ayuda al vehículo a distinguir entre la superficie transitable de la carretera, las aceras y la vegetación.

Niveles de autonomía#

Las capacidades de los sistemas autónomos se clasifican según los niveles de automatización de la conducción de SAE J3016, que definen el grado de control informático frente a la intervención humana.

• Sistemas avanzados de asistencia al conductor (ADAS): Estos sistemas, que abarcan los niveles 1 y 2, ayudan con la dirección o la aceleración (por ejemplo, mediante el control de crucero adaptativo), pero requieren que el conductor permanezca atento.
• Automatización condicional: En el nivel 3, el vehículo puede encargarse de la mayoría de las tareas de conducción en condiciones específicas, como los atascos en autopista, pero la persona debe estar preparada para tomar el control cuando se le avise.
• Automatización alta y completa: Los niveles 4 y 5 representan vehículos capaces de funcionar sin intervención humana. El nivel 4 está limitado a áreas geovalladas, mientras que el nivel 5 aspira a ofrecer autonomía total en cualquier carretera, lo que a menudo requiere hardware potente de IA en el perímetro.

Aplicaciones de IA en el mundo real#

La tecnología de los vehículos autónomos se está implantando actualmente en diversos sectores y depende de un uso intensivo del cómputo de aprendizaje automático (ML) para gestionar la complejidad del mundo real.

1. Robotaxis: Empresas como Waymo utilizan flotas de vehículos totalmente autónomos para transportar pasajeros en entornos urbanos. Estos vehículos emplean modelos predictivos para anticipar el comportamiento de peatones y otros conductores en paisajes urbanos complejos.

2. Transporte autónomo de mercancías: La logística de larga distancia se beneficia de la automatización en rutas de autopista predecibles. Empresas innovadoras como Aurora desarrollan camiones autónomos que aprovechan la percepción de largo alcance para mejorar la eficiencia del combustible y la seguridad.

3. Entrega de última milla: Pequeños robots autónomos utilizan el seguimiento de objetos para desplazarse por las aceras y entregar paquetes, reduciendo el coste y la huella de carbono de la logística.

Diferenciación de conceptos relacionados#

Es importante diferenciar los vehículos autónomos de términos relacionados en los campos de la robótica y la automoción.

• Frente a la robótica: Aunque los AVs son técnicamente robots móviles, el campo de la robótica es más amplio e incluye brazos industriales estacionarios y asistentes humanoides. Los AVs están específicamente especializados en la lógica del transporte.
• Frente a los vehículos conectados (V2X): Los vehículos conectados se comunican entre sí (V2V) y con la infraestructura (V2I) para compartir datos como la velocidad y la ubicación. Un vehículo puede estar conectado sin ser autónomo, aunque la conectividad suele mejorar la seguridad de los AVs.
• Frente a la teleoperación: La teleoperación consiste en que una persona conduce un vehículo a distancia. En cambio, los verdaderos AVs dependen de redes neuronales integradas para tomar decisiones localmente.

Implementación de la percepción con Ultralytics YOLO26#

Un componente fundamental de cualquier sistema autónomo es la capacidad de seguir objetos a lo largo del tiempo. El siguiente ejemplo muestra cómo utilizar la biblioteca compatible ultralytics de Ultralytics Platform para realizar el seguimiento de objetos en un vídeo, simulando el sistema de percepción de un vehículo.

from ultralytics import YOLO

# Load the YOLO26 model, optimized for speed and accuracy
model = YOLO("yolo26n.pt")

# Track vehicles and pedestrians in a video stream
# This simulates the continuous perception required by an AV
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    show=True,
)

# Process results (e.g., counting objects or estimating speed)
for r in results:
    print(r.boxes.xywh)  # Print bounding box coordinates