Detectar la presencia y movimientos de los ciclistas es todo un reto para los sistemas de reconocimiento de imágenes

Alvaro Ibáñez ‘Alvy’ – Microsiervos – «El País» –
.

Tres expertos estadounidenses han desarrollado una fórmula para convertir los objetos 2D de las cámaras planas en cajas 3D. George Mason University / Epv

En las calles de las ciudades actuales conviven cada vez más bicicletas, automóviles y otros medios de transporte. Esto está suponiendo todo un reto para muchos conductores para evitar accidentes, así que resulta fácil imaginar lo complejo que puede resultar esa misma situación para la inteligencia artificial que guía a los coches autónomos. Sin embargo, se están desarrollando cada vez mejores algoritmos y métodos informáticos para que las máquinas puedan actuar correctamente.

.

Cómo ‘ve’ un coche autónomo

Los vehículos autónomos son capaces de circular sin demasiados problemas gracias al procesamiento de lo que ven sus cámaras de vídeo y los datos del LIDAR (una especie de radar láser), los mapas detallados de las calles y a diversos sensores de proximidad. Además de reconocer los carriles y al resto de vehículos interpretan también las señales de tráfico, los semáforos e incluso las acciones de los peatones, prediciendo su probable comportamiento.

Pero cuando se trata de crear un modelo matemático del escenario completo en tiempo real las cosas se complican. Por un lado han de reconocer a todos los vehículos independientemente de su tamaño, forma y color: coches, autobuses, motocicletas, furgonetas, camiones… Otro tanto sucede con los peatones, que aunque suelen circular por la acera también cruzan las calles o pueden aparecer de forma imprevista. Un gran ejemplo es el algoritmo YOLO, capaz de analizar hasta 90 imágenes por segundo.

Pero los expertos dicen que el premio gordo se lo llevan las bicicletas: su pequeño tamaño, sus movimientos zigzagueantes y su variable velocidad añaden gran complejidad. La cosa empeora por el hecho de que tiendan a aparecer de ninguna parte, a cambiar de los carriles principales a los carriles bici e incluso a las aceras. Todo ello hace muy difícil detectarlas, clasificarlas y predecir su comportamiento. La complejidad aumenta porque el análisis de una bicicleta no muestra claramente si circula en un sentido o en el contrario: a veces se sabe que una bicicleta está ahí, pero no hacia dónde va a moverse de forma natural.

En un reciente trabajo de la George Mason University estadounidense tres expertos han desarrollado una fórmula mediante redes neuronales y el llamado aprendizaje profundo para convertir los objetos 2D que se ven en las cámaras planas en cajas 3D que resultan más efectivas a la hora de clasificar como objetos concretos con una orientación precisa. El algoritmo comienza identificando la parte frontal y trasera del objeto, procurando hacerlo de la forma más ajustada posible. A partir de esos rectángulos dibuja una caja o paralelepípedo 3D y comprueba su orientación y los ángulos. Entonces, teniendo en cuenta las medidas y proporciones y otros detalles que ha aprendido durante su entrenamiento, los clasifica como camiones, coches o autobuses.

Sin embargo, incluso métodos como este en el que el porcentaje de aciertos suele estar entre el 70 y el 85% son insuficientes en el caso de las bicicletas, que siguen muy lejos del valor ideal. Y todo esto a pesar de haber entrenado a esos sistemas con más de mil ejemplos similares previamente. A veces es necesario realizar muchos más entrenamientos o idear otro sistema que procese la información de maneara diferente – en ello trabajan diversos equipos para mejorar las capacidades de los coches del futuro.

Un futuro previsiblemente mejor

No obstante lo anterior, eso no hace que los sistemas actuales dejen de ser útiles. Reconocer correctamente las bicicletas en un porcentaje alto de ocasiones es suficiente para una conducción segura, especialmente porque no es el único dato que se tiene en cuenta. Si se añaden los datos de los sensores de proximidad y se siguen las pautas de circulación segura (incluyendo interpretar correctamente las señales) su efectividad es mucho mayor. Buena prueba de ello es que Jaguar ya equipó uno de sus vehículos hace un par de años con un sistema llamado Bike Sense que dota al coche de una especie de sentido ciclista a semejanza del sentido arácnido de Spider-Man: el coche avisa e incluso frena cuando detecta una bicicleta cerca, o impide que se abra la puerta si un ciclista está pasando justo al lado del vehículo.

Puede que los vehículos autónomos no sean todavía demasiado buenos detectando a las bicicletas en condiciones complejas, pero por un lado evitan los puntos ciegos y también algunos problemas como las aperturas de puertas que derriban a los ciclistas, además de los impactos por alcance (gracias a las cámaras o el LIDAR, que no tienen problemas de baja visibilidad). Los expertos están convencidos que la inteligencia artificial y los “reflejos” de los coches autónomos, además del hecho de que cumplan a rajatabla con el código –incluyendo las distancias de seguridad– pueden llegar a ser tan buenos al menos como los de los conductores humanos, por lo que en el futuro este tipo de accidentes debería reducirse.

Compartir: