Inteligencia Artificial

Tabla de Contenido

1. RESUMEN 3

2. DESARROLLO 5

VEHÍCULO 7

ARQUITECTURA DE SOFTWARE 8

PERCEPCIÓN DEL ENTORNO 9

PRECISIÓN DE LOCALIZACIÓN 10

NAVEGACIÓN 10

RNDF ROAD NAVIGATION 11

GOOGLE CAR SELF-DRIVING 13

GOOGLE CAR PROS Y CONTRAS 16

3. CONCLUSIONES 18

4. REFERENCIAS BIBLIOGRÁFICAS 19

1. Resumen

El vehículo de conducción autónoma de Google es la extensión de los proyectos que participaron en el DARPA (Defense Advanced Research Projects Agency) de los cuales Sebastián Thrun, fundador de Laboratorios X de Google, fue el líder y gestor de los mismos. Los proyectos Stanley y Junior participaron en el DARPA en los años 2005 y 2007 respectivamente, en ambos ganaron, aunque en el 2007 quedo en segundo lugar por que evaluaron no solo quien llega primero sino otro conjunto de reglas complejas.

Podríamos decir que el auto predecesor fue Junior, pues la competencia del DARPA 2007 fue simulando la conducción en una zona urbana y debía seguir las reglas de transito específicas incluyendo aspectos de señalización, marcas de calzada y otros. Considerando la similitud, y debido a que existe mayor información al respecto, revisaremos la tecnología usada por Junior para luego determinar algunas diferencias que se presentan en el desarrollo del Google Car.

La tecnología usada por Junio la podemos agrupas en 03 grandes zonas, la primera es la captación de información, la cual se realiza con una serie de dispositivos y sensores muy complejos; la segunda, es la de razonamiento y planeación; y la tercera es la de acción o ejecución.

En cuanto a la captación de información podemos mencionar los siguientes sensores y dispositivos principales: Sensores Laser, Cámaras, Radars, Sensores de ultrasonido, GPS, entre otros. En cuanto al razonamiento y planeación podemos mencionar los siguientes componentes de la unidad lógica: Software, Decision making, Checking functionality, User interface. Finalmente con respecto a la acción y ejecución podemos mencionar a los diversos mecanismos de conducción del auto, tales como el timón, frenos, direccionales, etc.

Sobre la tecnología de Inteligencia Artificial que se usa en este vehículo podemos destacar las redes neuronales que le permiten aprender a reconocer los diferentes elementos del entorno por donde se conduce el vehículo y los algoritmos de búsqueda basados en el menor costo, que permite determinar la ruta de navegación correcta.

Las diferencias principales que incorporó Google en sus vehículos, fue básicamente el uso de Google Maps y Google Street View como remplazo del RNDF (Road Network Description File) usado en el DARPA

Finalmente, podemos decir que el auto de conducción autónoma esta ala vuelta de la esquina, se prevé ver los primeros autos comercializándose a finales del 2020; sin embargo, se deberá evaluar cómo podemos hacerlos más accesibles, pues su costo actual bordea los US$ 150,000.00; por otro lado, se tendrá que trabajar rápidamente en la adecuación de los reglamentos de tránsito y la legislación que permita incorporar esta tecnología en el día a día de nuestras vidas.

2. Desarrollo

Recuerdo que cuando era niño veía la serie de televisión “El auto fantástico”, en la serie se mostraba un auto inteligente que no solo respondía a todo lo que se le preguntaba, sino que incluso tenía la capacidad de auto-conducirse; desde ese entonces no solo me fascinaban los autos sino la modernidad y tecnología con la que venían provistos.

Luego de alrededor de 23 años desde del primer episodio de “Knight Rider” (título en ingles del Auto Fantástico), se presentó un auto cuya capacidad de auto-manejo se asemeja mucho al del auto de la serie, incluso llegó a ganar uno de los más reconocidos premios de investigación y desarrollo tecnológico que ofrece el gobierno de los Estados Unidos de Norteamérica. A partir de ese galardón obtenido, y con la fuerza corporativa de una de las empresas de tecnología más innovadoras, estamos ya aportas de ver una versión real y comercial del auto fantástico; aunque ya se vienen haciendo pruebas reales, se estima que el primer auto pueda estar en las manos del público para el 2020.

A través del presente trabajo monográfico vamos a conocer un poco más de este auto inteligente que se conduce solo y cuyo proyecto está liderado por uno de los genios de la inteligencia artificial el PhD. Sebastián Thrun. Cabe indicar que hoy en día tenemos varios proyectos similares alrededor del mundo, sin embargo nos centraremos en el vehículo que viene patrocinando la empresa Google a través de su laboratorio “Google X Lab”.

El proyecto de este vehículo de conducción autónoma lo inició el equipo Stanford Racing Team, liderado por Thrun, de la universidad de Stanford; el objetivo era ganar a su eterno rival, la universidad de Carnegie Mellon, el premio DARPA Grand Challenge organizado por la agencia DARPA (Defense Advanced Research Projects Agency) del Departamento de Defensa de los Estados Unidos de Norteamérica. Este proyecto tuvo varios patrocinadores, uno de ellos fue Wolkswagen Electronics Research Laboratory (ERL); el vehículo fue denominado Stanley y fue construido usando un Volkswagen Touareg provisto por la Worlkswagen ERL.

Figura 1. Llegada a la meta de Stanley el 8 de Octubre del 2005

Una versión mejorada de Stanley fue el auto Junior desarrollado por el mismo team y que concursó en el DARPA Urban Challenge del 2007; las reglas para este competencia fueron mucho más complejas y el desplazamiento de los vehículos debía regirse por un RNDF (Road Network Description File) que proveía un mapa digital de todo el entorno donde se realizaría la competición; en este file se podría encontrar entre otras cosas la información geométrica de los carriles, las marcas de los mismos, señales de pare, estacionamientos y puntos especiales de control. En esta oportunidad el equipó de Stanford Racing Team obtuvo el segundo lugar; cabe indicar que en esta carrera no solo se tomaba en cuenta quien llegaba primero, pues Junio llego primero, sino también el cumplimiento de las reglas de tránsito del estado de California.

Figura 2: Junior, auto del equipo de Stanford

Figura 3: Ejemplo de un RNDF (Road Network Description File)

El auto que hoy en día es parte del proyecto de Google es un diseño basado en Stanley y Junior; por esta razón vamos a ver en mayor detalle la tecnología que se usó en ellos, especialmente en Junior, pues este fue usado en un entorno urbano con reglas de tránsito específicas. Para una mejor descripción de la tecnología usada, vamos a dividirla en las siguientes partes o secciones:

 Vehículo

 Arquitectura de Software

 Percepción del Entorno

 Precisión de Localización

 Navegación

 RNDF Road navigation

Vehículo

El vehículo usado en el proyecto Junior fue un Passat wagon del 2006, turbo disel con 4 cilindros, en general un vehículo estándar al cual se le hicieron las siguientes adiciones o modificaciones:

El motor provee al sistema computacional de Junior con un prototipo de alterador desarrollado para este fin específico.

La cabina cuenta con un sistema de intercambio entre el conductor autónomo y el humano

Para la navegación se instaló un sistema Applanix POS LV 420 que, en tiempo real, integra varios receptores GPS de doble frecuencia; cuenta con un sistema de odometría de rueda que usa una unidad de medida de distancia (DMI). Los sistemas prevén un error de orientación de bajo de los 100cm y 0.1 grados.

Dos sensores SICK LMS 291-S14 y un sensor de punto de avance laser RIEGL LMS-Q120 permite obtener mediciones de la estructura de la carretera en 3D y mediciones infrarrojas de reflectividad.

Para la detección de obstáculos y detección de movimiento del vehículo se ha montado en el techo un Velodyne HDL-64E, este dispositivo cuenta con 64 diodos laser que giran hasta 15Hz, genera una cobertura de 360 grados de campo de vista horizontal y de 30 grados vertical. El sistema Velodyne es complementado con dos sensores SICK LDLRS que están montados en la parte posterior del vehículo y 02 IBEO ALASCA XT montados en el parachoques frontal

En adición se tiene cinco BOSCH Long Range Radars (LRR2) montados alrededor de la parrilla frontal, estos dispositivos proveen información adicional sobre el movimiento del vehículo.

Arquitectura de Software

El software de Junior es el resultado de la evolución de su predecesor Stanley; la arquitectura está compuesta de módulos independientes y procesan la información de manera asíncrona, los módulos se comunican mediante mensajes pasados sobre IPC. El tiempo de respuesta desde la captura de información por los sensores y la acción del vehículo es de aproximadamente 300ms.

Los módulos se organizan en 05 grupos, estos son los siguientes:

 Interface de sensor

 Módulos de percepción

 Módulos de navegación

 Interface de manejo enlazado

 Servicios Globales

Cabe indicar que uno de los módulos en donde se puede analizar de mejor manera las tecnologías de inteligencia artificial es el Módulo de Navegación.

Figura 4: Diagrama de flujo del Software de Junior

Percepción del Entorno

Figura 5: Laser de Junior en acción

Junior percibe su entorno a través diversos sensores, estos son los siguientes:

 Velodyne

 IBEO Laser

 LDLRS

 Sistema de Radar

Los algoritmos de detección de obstáculos no solo detecta elementos fijos, sino también elementos en movimiento determinando su cercanía al vehículo e incluso podría generar una geometría en 3D.

La detección de obstáculos, bordes de las rutas, curvas y otros es muy compleja dentro de un terreno urbana; para ello utiliza una matriz de puntos con algoritmos que permiten considerar o no ciertos puntos de acuerdo a diversas reglas especializadas, estos puntos, que finalmente son coordenadas xy son ingresados a los algoritmos de inteligencia artificial que permiten la conducción del vehículo.

Considerando que el sensor principal Velodyne, puede tener “puntos ciegos”, para algunos objetos muy pequeños, se echa mano de los otros sensores de corta distancia que tienen información de los estos obstáculos en 2D; la combinación de la información en 2D y 3D (obstáculos que se encuentran lejos) permiten brindar una alta confiabilidad en el reconocimiento de su entorno.

Es importante mencionar que Junior cuenta con un algoritmo de predicción de movimiento y seguimiento de los obstáculos móviles, como por ejemplo otros vehículos.

Precisión de Localización

La determinación de posición del vehículo es sumamente importante, más aun cuando hablamos de rutas urbanas. Para una correcta localización del vehículo el software no solo usa el plano digital en coordenadas, llamado RNDF, y la ubicación que le da el GPS, sino que el software, a través de sus sensores locales, constantemente se ubica dentro del RNDF y de esta forma logra una mayor precisión de su localización. Los sensores locales usados son el RIEGL LMS-Q120 y los SICK LMS

Figura 6: Resultado típico de localización

Navegación

El primer paso de navegación se refiere a la planificación global de ruta. El planificador de ruta global no solo se activa en cada nuevo punto de control, sino que también se activa cuando se tiene un bloqueo permanente en la carretera, esto permite tomar o hacer un cambio de ruta en base a la topología de la red de carreteras que se ha definido; de esta forma el planificador global de ruta tiene la capacidad de poder trazar planes de ruta de cualquier ubicación en el mapa hacia el siguiente punto de control (puede ser la meta). Como resultado, el vehículo puede apartarse de la trayectoria óptima y seleccione uno diferente sin pérdida de sentido en cuanto a dónde moverse.

Planificador de ruta mundial de Junior es un ejemplo de programación dinámica o DP (Howard, 1960). El algoritmo DP calcula, de forma recursiva, para cada célula, en una versión discreta de la RNDF, el costo acumulado del traslado de cada uno de estos lugares hasta el punto de meta.

RNDF Road navigation

El conjunto de tecnologías y algoritmos que están asociados a esta sección tiene mucho que ver con aspectos de algoritmo de búsqueda, pues el vehículo aplica varios algoritmos que, basados en la información de sus sensores, permite desplazarse (navegación) de manera similar a la que lo haría un ser humano, incluso mucho mejor.

El robot del vehículo tiene dos tipos de navegación diferentes, el primero asociado a la navegación común en la carretera y la segunda se refiere al “estilo libre” usado por ejemplo para navegar en el estacionamiento.

Para cada ruta principal, el planificador lanza una trayectoria que es paralela a la del centro del carril, este carril central se calcula directamente de la RNDF. Sin embargo, el planificador también lanza trayectorias que se someten a desvíos laterales. Cada una de estas trayectorias es el resultado de una simulación interna del vehículo con diferentes parámetros de gobierno.

La puntuación de una trayectoria considera el tiempo que se necesita para seguir este camino (que puede ser infinita si el camino está bloqueado por un obstáculo), más el costo acumulado calculado por el planificador de ruta global, para el último punto a lo largo de la trayectoria. El planificador selecciona entonces la trayectoria que minimiza el valor total de los costos. De este modo, el robot combina la selección de ruta óptima con una dinámica alrededor de los obstáculos locales

Figura 7: Gráfica de comparación de algoritmo de búsqueda

Nuestro algoritmo de búsqueda es guiado por dos heurísticas, llamada non-holonomic-without-obstacles y la heurística holonmic-with-obstacles. Como su nombre indica, la primera heurística ignora los obstáculos, pero toma en cuenta el carácter no holonómico del vehículo. Esta heurística, que puede ser completamente pre-calculada para todo el espacio 4D (localización de vehículos, la orientación y la dirección del movimiento), ayuda por aproximación de la meta con el rumbo deseado. La segunda heurística es una doble de la primera en que no tiene en cuenta el carácter no holonómica del vehículo, pero calcula la distancia más corta a la meta. Se calcula en línea mediante la realización de la programación dinámica

Figura 8: holonomic-with-obstacles y non-holonomic-without-obstacles algoritmos

Cabe indicar que la navegación del vehículo considera los estados a los cuales puede ir pasando y las acciones que realiza para pasar de un estado a otro; así por ejemplo, este es la FMS (Finite Machine Status) que gestiona el robot.

Figura 9: Máquina de estados que gobiernan el comportamiento del Robot.

Google Car Self-Driving

Hasta hace un par de años el proyecto de Google fue un secreto o por lo menos se reservaba mucho la información del mismo. Ahora la empresa ha liberado mucha información e incluso viene haciendo pruebas reales en las vías públicas; para ello usa, a diferencia del proyecto Junior, un Toyota Priuses y ha logrado el record de más de 300Km conducción en tráfico de la ciudad, carreteras ocupadas y caminos montañosos con intervención humana sólo ocasional. Sin embargo, el proyecto está aún lejos de ser comercialmente viables, pero Google ha establecido un sistema de demostración en su campus, usando carros de golf sin conductor, que apunta a cómo la tecnología puede cambiar transporte incluso en un futuro próximo. Se estima que el vehículo estará disponible para el 2018 o 2020 (se quiere adelantar a la fecha establecida por Nissan.

Figura 10: Google Car en acción

Chris Urmson, quien es el líder técnico del proyecto, dijo que "el corazón de nuestro sistema" es un telémetro láser montado en el techo del vehículo. El aparato, un Velodyne 64 láser, genera un mapa detallado en 3D del medio ambiente. El coche luego combina las mediciones láser con mapas de alta resolución del mundo, produciendo diferentes tipos de modelos de datos que permita conducirse evitando obstáculos y respetando las leyes de tránsito.

El vehículo también lleva otros sensores, que incluyen: cuatro radares, montados en el parachoques delantero y trasero, que permiten el auto para "ver" lo suficiente para poder lidiar con el rápido tráfico en las autopistas; una cámara, situada cerca del espejo retrovisor, que detecta semáforos; y un GPS, la unidad de medición inercial y codificador de la rueda, que determine la ubicación del vehículo y hacer un seguimiento de sus movimientos.

El vehículo también lleva otros sensores, que incluyen: cuatro radares, montados en el parachoques delantero y trasero, que le permiten al auto "ver" lo suficiente para poder lidiar con rápido tráfico en las autopistas; una cámara, situada cerca del espejo retrovisor, que detecta semáforos; y un GPS, la unidad de medición inercial y codificador de la rueda, que determine la ubicación del vehículo y hacer un seguimiento de sus movimientos.

Figura 11: Ubicación de los dispositivos en el Google car

Otro de los detalles importantes con respecto al proyecto Junior, es el uso de mapas muy detallados, que es proporcionado por Google Maps e incluso se echa mano de Google Street View. Cabe indicar que, según Urmson y los proyectos anteriores, si solo el sistema usa el GPS para lograr ubicase, se tendría varios metros en donde el robot del vehículo no lo podría hacer.

Por otro lado, Google ha incluido un método de aprendizaje de su sistema inteligente implementado en el vehículo; este, consiste en que el auto recorre una determinada área, primero conducido por varios conductores, toda la información que recoge (entradas) y las acciones (resultados) de los conductores son variables que se ingresan al sistema para poder, más adelante, reconocer adecuadamente los diferentes elementos de las vías, incluido a los peatones.

Finalmente, Google le dio al auto una característica principalmente humana en la conducción, y es la de conducción agresiva y pasiva; es decir, por ejemplo en un cruce, en donde las reglas favorecen al vehículo autónomo, existen otros autos con intenciones de cruzar, Google Car puede avanzar, con las precauciones del caso, para mostrar a los otros vehículos que él tiene derecho de pase y que lo va a hacer. Sin esta característica, la conducción sería imposible en el mundo real.

Figura 12: Vista interna del robot del vehículo

Google Car Pros y Contras

Los expertos consideran que definitivamente los vehículos de conducción autónoma serán parte de nuestro futuro no muy lejano; sin embargo, por ahora podemos analizar los resultados de las pruebas y ver que ajustes podemos realizar al proyecto o como nos podemos ir adaptando a él.

Algunas analistas han considerado los siguientes principales pros y contras del vehículo autónomo de Google pero que, en algunos casos, pueden aplicar a otros proyectos.

Pros:

1. Los vehículos autónomos podrían encontrar el camino más rápido para ir de un lugar a otro.

2. Reducción del consumo de carburante gracias a técnicas para mejorar el tráfico.

3. Reducción de accidentes gracias a la seguridad que aportan los sistemas autónomos incrementan respecto a los humanos como, por ejemplo, la ampliación y mantenimiento de la distancia de seguridad entre vehículos. También evitaría que los ocupantes del vehículo se entretengan en las tareas de conducción y navegación.

4. Reducción de la cantidad de espacio requerido para el aparcamiento de vehículos, ya que, entre otras cosas, se podrían aparcar más cerca.

Contras:

1. El uso de dispositivos no están distribuidos de manera que parezcan parte de la figura de un vehículo al cual nosotros estamos acostumbrados; Nissan si los tiene incluidos.

2. El costo de cada vehículo, en este momento, es muy elevado; cada vehículo Toyota que Google tiene cuesta alrededor de US$ 150,000.00

3. En la actualidad solo 02 estados americanos han adecuado su reglamento de tránsito para aceptar la conducción del auto autónomo; sin embargo, hay aun aspectos legales respectos a las responsabilidades civiles y penales en caso de accidentes que aún faltan definirse.

3. Conclusiones

En lo personal, luego del desarrollo del presente trabajo monográfico, quisiera rescatar algunas conclusiones o aspectos importantes a considerar en el desarrollo de nuevos proyectos, especialmente en lo que respecta a la viabilidad tecnológica de los mismos. Cabe recordar que hoy por hoy hay muchos elementos tecnológicos que se presentaban en la “Ciencia Ficción” que vemos en nuestra realidad. Así las conclusiones que propongo son las siguientes:

1. Es importante conocer el estado del arte de las diferentes tecnologías para conocer el avance en las investigaciones y su tendencia en el futuro.

2. El desarrollo tecnológico que hemos alcanzado hoy en día permite mayor precisión en la captación de datos e información.

3. El uso de la inteligencia artificial es muy compleja, porque no solo hace uso de un solo tipo o esquema tecnológico, sino que hace uso de muchos herramientas en conjunto

4. El esquema de entrenamiento se vuelve gravitante cuando tratamos de desarrollar tecnología que interactúa con seres humanos y más aún cuando pueden influenciar en la integridad de los mismos.

5. La evolución de la interacción de elementos de inteligencia artificial con los seres humanos deberá, sin duda, generar o modificar las leyes y reglamentos por los cuales nos regimos nosotros.

Por otro lado, con respecto propiamente al proyecto de Google car, podemos concluir que es uno de los proyectos más avanzados en cuanto a conducción autónoma se refiere, pero que sin embargo deberá encontrar el equilibrio económico adecuado para su masificación; esto último cobra mayor fuerza cuando se indica que uno de los objetivos de esta tecnología es la de lograr su masificación para evitar los accidentes de tránsito y preservar la vida humana.

4. Referencias Bibliográficas

1. Michael Montemerlo, Jan Becker, Suhrid Bhat, Hendrik Dahlkamp, Dmitri Dolgov,Scott Ettinger, Dirk Haehnel, Tim Hilden, Gabe Hoffmann, Burkhard Huhnke,Doug Johnston, Stefan Klumpp, Dirk Langer, Anthony Levandowski, Jesse Levinson,Julien Marcil, David Orenstein, Johannes Paefgen, Isaac Penny, Anna Petrovskaya,Mike Pflueger, Ganymed Stanek, David Stavens, Antone Vogt, and Sebastian Thrun. Junior: The Stanford Entry in the Urban Challenge.

2. Sebastian Thrun, Mike Montemerlo,Hendrik Dahlkamp, David Stavens,Andrei Aron, James Diebel, Philip Fong,John Gale, Morgan Halpenny,Gabriel Hoffmann, Kenny Lau, Celia Oakley,Mark Palatucci, Vaughan Pratt,and Pascal Stang. Stanley: The Robot that Wonthe DARPA Grand Challenge.

3. Erico Guizzo. How Google's Self-Driving Car Works, spectrum.ieee.org, Posted 18 Oct 2011

4. Self Driving Car Technology | Autonomous Car | Car Of The Future Posted on August 22, 2012 in Latest Automobile Technology, Latest Automotive Technology, Latest Mechanical Seminar Topics.

...