Artificial Neural Expert System based YOLO$_{Gen_1}$ detector for Autonomous Driving Problem

Conducir un coche requiere una conversación constante y de fracciones de segundo entre el conductor y la carretera. Los ojos escanean en busca de peligros, el cerebro procesa el significado de una luz intermitente o una parada repentina, y las manos ejecutan el giro o el frenado necesario. Durante décadas, los ingenieros han intentado dotar a las máquinas de esta misma capacidad, construyendo sistemas que puedan ver y decidir sin ayuda humana. El desafío es inmenso porque el mundo es impredecible; un peatón podría bajar de la acera o un semáforo podría fallar. Para resolver esto, los investigadores se apoyan en dos herramientas principales: sensores que actúan como los ojos de la máquina y software que actúa como su cerebro. Los ojos suelen utilizar cámaras o radar para detectar objetos, mientras que el cerebro utiliza complejos programas informáticos para comprender qué significan esos objetos y qué hacer a continuación. El objetivo es crear un vehículo que pueda navegar de forma segura y eficiente, lidiando con la realidad desordenada del tráfico del mundo real.

Un investigador de la Universidad de Tunis El Manar ha propuesto una nueva forma de construir este sistema, combinando un conjunto de ojos más agudos con un cerebro más experimentado. Introdujo un nuevo detector llamado YOLOGen1, que sirve como el sensor visual para su sistema de conducción autónoma. A diferencia de versiones anteriores que a menudo tenían dificultades con objetos pequeños o distantes, este nuevo detector está diseñado para ver la carretera con una claridad excepcional. No depende del radar, que puede verse afectado por el clima, sino que utiliza una combinación sofisticada de modelos basados en cámaras que trabajan en conjunto. El investigador descubrió que este nuevo detector podía identificar objetos con un nivel de confianza superior al 98 por ciento en conjuntos de datos de conducción estándar. En pruebas utilizando un conjunto de datos específico de escenas de conducción, superó a varios otros modelos líderes, encontrando más coches, peatones y señales con mayor precisión.

Sin embargo, ver la carretera es solo la mitad de la batalla; el vehículo también debe decidir cómo reaccionar. El investigador abordó esto creando un nuevo tipo de sistema de toma de decisiones que llama Sistema Experto de Redes Neuronales Artificiales. Piense en esto como un conductor digital que ha estudiado el reglamento de conducción, pero que también aprende de sus propios errores. Los programas informáticos tradicionales siguen reglas rígidas: si la luz es roja, detente. Pero, ¿qué pasa si la luz está averiada y se queda trabada en rojo? Un programa rígido se detendría para siempre. El nuevo sistema, sin embargo, puede reconocer que la luz está bloqueada y cambiar su estrategia, quizás tratando la situación como una señal de alto. Lo hace actualizando constantemente sus reglas internas basándose en lo que sucede después, lo que le permite manejar situaciones donde las reglas estándar fallan. Este sistema está diseñado para ser seguro, asegurando que, incluso cuando aprende, nunca elija un camino peligroso.

Para que este sistema funcione en tiempo real, el investigador organizó el software de modo que diferentes partes del ordenador trabajen juntas simultáneamente, en lugar de esperar a que una tarea termine antes de comenzar la siguiente. Probaron todo este montaje en un procesador de portátil estándar, sin necesidad de tarjetas gráficas costosas. Los resultados fueron sorprendentes: el sistema podía procesar vídeo y tomar recomendaciones de conducción más rápido que el tiempo real, incluso en hardware sencillo. En simulaciones, el sistema navegó con éxito por escenarios complejos, como un semáforo que permanecía en rojo debido a un mal funcionamiento, cambiando dinámicamente su lógica de decisión para mantener el vehículo en movimiento de forma segura. El investigador validó su enfoque utilizando metraje de vídeo del mundo real, demostrando que el sistema podía proporcionar consejos útiles e inmediatos a un conductor o a un vehículo autónomo.

El estudio sugiere que, al combinar un detector visual altamente preciso con un sistema de toma de decisiones flexible y basado en el aprendizaje, los vehículos autónomos pueden volverse más seguros y fiables. El investigador demostró que su nuevo detector, YOLOGen1, es actualmente la versión más eficaz de su tipo para detectar objetos en escenas de conducción. También demostró que su sistema de decisión puede adaptarse a reglas rotas y obstáculos inesperados, un paso crítico hacia vehículos que puedan lidiar con el caos del tráfico real. Aunque el sistema ha sido probado extensamente en simulaciones y con vídeos grabados, el investigador señala que es necesario realizar más pruebas en carreteras reales antes de que pueda utilizarse en coches de producción. Su trabajo ofrece un camino prometedor, demostrando que una máquina no solo puede ver la carretera con claridad, sino también reflexionar sobre los problemas que encuentra en ella.