Investigadores han desarrollado un nuevo modelo de inteligencia artificial capaz de predecir colisiones de vehículos 2,6 segundos antes de que ocurran, logrando un 90% de precisión en las pruebas. El sistema, denominado Generalized Surrogate Safety Measure (GSSM), analiza datos de conducción en entornos reales para identificar riesgos de colisión y podría revolucionar los sistemas de seguridad tanto en vehículos autónomos como conducidos por humanos, según hallazgos publicados hoy en Nature Machine Intelligence.
La tecnología innovadora utiliza un label-free learning approach que elimina uno de los mayores desafíos en la industria automotriz: la necesidad de que personas revisen y anoten manualmente millones de horas de video de conducción para identificar situaciones peligrosas. Este método escalable permite que el sistema aprenda de forma continua a partir de grandes volúmenes de datos de conducción en entornos reales sin intervención humana, según el estudio de investigadores de la Universidad de Tecnología de Delft.
El sistema se validó frente a 2.591 eventos reales de colisión y casi accidentes, lo que demostró su capacidad para identificar riesgos en diversos escenarios, incluidas colisiones por alcance, situaciones de incorporación y maniobras de giro. La versión de referencia, que analiza solo movimientos instantáneos del vehículo, alcanzó un área bajo la curva precisión-exhaustividad de 0,9, lo que indica una precisión excepcional para distinguir riesgos reales de falsas alarmas, informaron los investigadores en Nature Machine Intelligence.
Innovación técnica
A diferencia de los sistemas de seguridad actuales que reaccionan solo cuando la colisión resulta ya inminente, GSSM identifica patrones que predicen el peligro mucho antes de que se desarrollen situaciones críticas. El modelo superó de forma sistemática a los sistemas base existentes en todos los escenarios probados, y el rendimiento mejoró aún más cuando los investigadores incorporaron datos contextuales adicionales sobre patrones de interacción entre vehículos, según el estudio.
El entrenamiento del sistema requirió la supercomputadora DelftBlue, pero el modelo final se ejecuta de manera eficiente en computadoras estándar de los vehículos, lo que hace viable el despliegue en tiempo real tanto para vehículos autónomos como para sistemas avanzados de asistencia al conductor.
Limitaciones y desarrollo futuro
Las pruebas actuales abarcaron principalmente clima despejado o nublado con carreteras secas. El desempeño en condiciones meteorológicas severas como nieve, hielo o niebla espesa no ha sido validado, reconocieron los investigadores. El sistema también depende de datos de sensores de alta calidad y puede tener dificultades cuando otros vehículos salen del campo de visión.
A pesar de estas limitaciones, la tecnología representa un cambio fundamental desde sistemas de seguridad reactivos hacia proactivos. El enfoque de entrenamiento label-free resuelve un importante cuello de botella en la industria, al permitir que los fabricantes aprovechen los datos de flota para una mejora continua sin costosos procesos de revisión manual.
El marco podría establecer criterios de referencia de seguridad estandarizados para que los reguladores evalúen diferentes tecnologías autónomas y de asistencia al conductor, lo que potencialmente aceleraría el despliegue de vehículos más seguros al mismo tiempo que genera confianza pública en los sistemas automatizados, concluyeron los investigadores.
Sources
- doi.org
- arxiv.org
