Los algoritmos de aprendizaje automático se utilizan ahora de manera extensiva para encontrar soluciones a diferentes desafíos que van desde predicciones del mercado financiero hasta coches autónomos. Con la integración del procesamiento de datos de sensores en una unidad de control electrónica centralizada (ECU) en un automóvil, es imperativo aumentar el uso del aprendizaje automático para realizar nuevas tareas. Las aplicaciones potenciales incluyen la clasificación de escenarios de conducción o la evaluación de la condición del conductor a través de la fusión de datos de diferentes sensores internos y externos, como cámaras, radares, lidar o el Internet de las cosas.
Anshul Saxena, experto en software en el centro técnico de Visteon en Karlsruhe, Alemania, proporciona una revisión técnica del uso de algoritmos de aprendizaje automático en coches autónomos e investiga la reutilización de un algoritmo para múltiples características.
Tipos de Algoritmos Utilizados en los Coches Autónomos
Las aplicaciones que ejecutan el sistema de infoentretenimiento de un automóvil pueden recibir información de sistemas de fusión de datos de sensores y tener, por ejemplo, la capacidad de dirigir el vehículo a un hospital si detecta que algo está mal con el conductor. Esta aplicación basada en el aprendizaje automático también puede incorporar el reconocimiento de gestos y voz del conductor, así como la traducción de idiomas. Los algoritmos se pueden clasificar como algoritmos supervisados y algoritmos no supervisados. La diferencia entre los dos es cómo aprenden.
Algoritmos Supervisados
Los algoritmos supervisados aprenden utilizando un conjunto de datos de entrenamiento y continúan aprendiendo hasta alcanzar el nivel deseado de confianza (minimización del error de probabilidad). Se pueden subclasificar en clasificación, regresión, reducción de dimensiones o detección de anomalías.
Algoritmos No Supervisados
Los algoritmos no supervisados intentan dar sentido a los datos disponibles. Esto significa que un algoritmo desarrolla una relación dentro del conjunto de datos disponible para identificar patrones o divide el conjunto de datos en subgrupos basados en el nivel de similitud entre ellos. Los algoritmos no supervisados se pueden subclasificar en agrupamiento y aprendizaje de reglas de asociación.
Algoritmos de Reforzamiento
Actualmente hay otro conjunto de algoritmos de aprendizaje automático llamados algoritmos de reforzamiento, que se encuentran en algún lugar entre el aprendizaje supervisado y el no supervisado. En el aprendizaje supervisado, hay una etiqueta objetivo para cada ejemplo de entrenamiento; en el aprendizaje no supervisado, no hay etiquetas en absoluto; y el aprendizaje por refuerzo tiene etiquetas dispersas y retrasadas en el tiempo, es decir, las recompensas futuras.
Basándose únicamente en esas recompensas, el agente debe aprender a comportarse en el entorno. El objetivo en el aprendizaje por refuerzo es desarrollar algoritmos de aprendizaje eficientes, así como comprender los méritos y las limitaciones del algoritmo. El aprendizaje por refuerzo es de gran interés debido al gran número de aplicaciones prácticas que potencialmente puede abordar, desde problemas de inteligencia artificial hasta investigación operativa o ingeniería de control, todos relevantes para el desarrollo de un coche autónomo. Esto se puede clasificar como aprendizaje directo e indirecto.
Subtareas de los Algoritmos de Aprendizaje Automático en Coches Autónomos
Una de las principales tareas de cualquier algoritmo de aprendizaje automático en un coche autónomo es la representación continua del entorno circundante y la predicción de posibles cambios en ese entorno. Estas tareas se dividen principalmente en cuatro sub tareas:
- Detección de objetos
- Identificación o reconocimiento de objetos
- Clasificación de objetos
- Localización de objetos y predicción de movimiento
Los algoritmos de aprendizaje automático se pueden dividir de manera general en cuatro categorías: algoritmos de regresión, reconocimiento de patrones, algoritmos de agrupamiento y algoritmos de matriz de decisiones. Una categoría de algoritmos de aprendizaje automático se puede utilizar para ejecutar dos o más sub tareas diferentes. Por ejemplo, los algoritmos de regresión se pueden utilizar tanto para la detección de objetos como para la localización de objetos o la predicción de movimiento.
Algoritmos de Regresión
Este tipo de algoritmo es bueno para predecir eventos. El análisis de regresión estima la relación entre dos o más variables, compara los efectos de las variables medidas en diferentes escalas y se basa principalmente en tres métricas, a saber:
- El número de variables independientes
- El tipo de variables dependientes
- La forma de la línea de regresión
En los sistemas avanzados de asistencia al conductor (ADAS), las imágenes (radares o cámaras) desempeñan un papel muy importante en la localización y la actuación, mientras que el mayor desafío para cualquier algoritmo es desarrollar un modelo basado en imágenes para la predicción y selección de características.
Los algoritmos de regresión aprovechan la repetibilidad del entorno para crear un modelo estadístico de la relación entre una imagen y la posición de un objeto dado en esa imagen. El modelo estadístico se puede aprender fuera de línea y proporciona una detección rápida en línea al permitir el muestreo de imágenes. Además, se puede ampliar a otros objetos sin requerir una modelización humana extensa. Como resultado, el algoritmo devuelve una posición de objeto y una confianza en la presencia del objeto como salida en la etapa en línea.
Estos algoritmos también se pueden utilizar para un aprendizaje a largo plazo y una predicción a corto plazo. Los tipos de algoritmos de regresión que se pueden utilizar para coches autónomos son la regresión bayesiana, la regresión de redes neuronales y la regresión de bosques de decisión, entre otros.
Algoritmos de Reconocimiento de Patrones (Clasificación)
En los sistemas ADAS, las imágenes obtenidas a través de los sensores contienen todo tipo de datos ambientales; se requiere el filtrado de las imágenes para reconocer instancias de una categoría de objeto descartando los puntos de datos irrelevantes. Los algoritmos de reconocimiento de patrones son buenos para descartar estos puntos de datos inusuales. El reconocimiento de patrones en un conjunto de datos es un paso importante antes de clasificar los objetos. Estos tipos de algoritmos también se pueden definir como algoritmos de reducción de datos.
Estos algoritmos ayudan a reducir el conjunto de datos al detectar los bordes de los objetos y ajustar segmentos de línea (polilíneas) y arcos circulares a los bordes. Los segmentos de línea se alinean con los bordes hasta una esquina y luego se inicia un nuevo segmento de línea. Los arcos circulares se ajustan a secuencias de segmentos de línea que aproximan un arco. Las características de la imagen (segmentos de línea y arcos circulares) se combinan de diversas formas para formar las características que se utilizan para reconocer un objeto.
Las máquinas de vectores de soporte (SVM) con histogramas de gradientes orientados (HOG) y el análisis de componentes principales (PCA) son los algoritmos de reconocimiento más comunes utilizados en ADAS. También se utilizan la regla de decisión de Bayes y el vecino más cercano (KNN).
Agrupamiento
A veces, las imágenes obtenidas por el sistema no son claras y es difícil detectar y localizar objetos. También es posible que los algoritmos de clasificación no encuentren el objeto y no lo clasifiquen ni lo informen al sistema. La razón puede ser imágenes de baja resolución, muy pocos puntos de datos o datos discontinuos. Este tipo de algoritmo es bueno para descubrir estructuras a partir de puntos de datos. Al igual que la regresión, describe la clase de problema y la clase de métodos. Los métodos de agrupamiento se organizan típicamente según enfoques de modelado como el basado en centroides y el jerárquico. Todos los métodos se preocupan por utilizar las estructuras inherentes en los datos para organizar mejor los datos en grupos de máxima similitud. El tipo de algoritmo más utilizado es K-means y la red neuronal de múltiples clases.
Algoritmos de Matriz de Decisiones
Este tipo de algoritmo es bueno para identificar, analizar y evaluar sistemáticamente el rendimiento de las relaciones entre conjuntos de valores e información. Estos algoritmos se utilizan principalmente para la toma de decisiones. Si un automóvil necesita girar a la izquierda o frenar depende del nivel de confianza que los algoritmos tengan en la clasificación, el reconocimiento y la predicción del próximo movimiento de los objetos. Estos algoritmos son modelos compuestos por múltiples modelos de decisión entrenados de forma independiente y cuyas predicciones se combinan de alguna manera para realizar la predicción general, al tiempo que se reduce la posibilidad de errores en la toma de decisiones. Los algoritmos más utilizados son el aumento de gradiente (GDM) y AdaBoosting.
Como experto en software, Anshul está involucrado en el desarrollo de plataformas SmartCore™ y controladores de dominio de conducción autónoma. Se centra en las tecnologías de coches autónomos y el efecto del Internet de las cosas en la industria automotriz. Anshul tiene su base en Karlsruhe, Alemania.
Si quieres conocer otras notas parecidas a Algoritmos de aprendizaje automático en coches autónomos puedes visitar la categoría Inteligencia.