La primera simulación de carretera estadísticamente realista ha sido desarrollada por investigadores de la Universidad de Michigan. Si bien actualmente representa una rotonda particularmente peligrosa, el trabajo futuro lo ampliará para incluir otras situaciones de conducción para probar el software de vehículos autónomos.

La simulación es un modelo de aprendizaje automático que se entrenó con datos recopilados en una rotonda en el lado sur de Ann Arbor, reconocida como una de las intersecciones más propensas a colisiones en el estado de Michigan y convenientemente a solo unas millas de las oficinas de la equipo de investigación.

Conocido como el entorno de conducción naturalista neuronal o NeuralNDE, convirtió esos datos en una simulación de lo que los conductores experimentan todos los días. Se necesitan carreteras virtuales como esta para garantizar la seguridad del software de vehículos autónomos antes de que otros automóviles, ciclistas y peatones se crucen en su camino.

« NeuralNDE reproduce el entorno de conducción y, lo que es más importante, simula de manera realista estas situaciones críticas para la seguridad para que podamos evaluar el rendimiento de seguridad de los vehículos autónomos », dijo Henry Liu, profesor de ingeniería civil de la UM y director de Mcity, un público dirigido por la UM. -asociación de investigación de movilidad privada.

Liu también es director del Centro de Transporte Conectado y Automatizado y autor correspondiente del estudio en Nature Communications.

Los eventos críticos para la seguridad, que requieren que un conductor tome decisiones en una fracción de segundo y actúe, no ocurren con tanta frecuencia. Los conductores pueden pasar muchas horas entre eventos que los obligan a pisar los frenos o virar bruscamente para evitar una colisión, y cada evento tiene sus propias circunstancias únicas.

Juntos, estos representan dos cuellos de botella en el esfuerzo por simular nuestras carreteras, conocidos como la « maldición de la rareza » y la « maldición de la dimensionalidad », respectivamente. La maldición de la dimensionalidad es causada por la complejidad del entorno de conducción, que incluye factores como la calidad del pavimento, las condiciones climáticas actuales y los diferentes tipos de usuarios de la carretera, incluidos peatones y ciclistas.

Para modelarlo todo, el equipo trató de verlo todo. Instalaron sistemas de sensores en postes de luz que recopilan datos continuamente en la rotonda de State Street/Ellsworth Road.

« La razón por la que elegimos esa ubicación es que las rotondas son un escenario de conducción urbano muy desafiante para los vehículos autónomos. En una rotonda, los conductores deben negociar espontáneamente y cooperar con otros conductores que se mueven a través de la intersección. Además, esta rotonda en particular experimenta alto volumen de tráfico y tiene dos carriles, lo que se suma a su complejidad », dijo Xintao Yan, Ph.D. estudiante de ingeniería civil y ambiental y primer autor del estudio, quien es asesorado por Liu.

El NeuralNDE sirve como un componente clave del CCAT Safe AI Framework for Trustworthy Edge Scenario Tests, o SAFE TEST, un sistema desarrollado por el equipo de Liu que utiliza inteligencia artificial para reducir las millas de prueba necesarias para garantizar la seguridad de los vehículos autónomos en un 99,99 %. Esencialmente, rompe la « maldición de la rareza », presentando incidentes críticos para la seguridad con una frecuencia mil veces mayor de lo que ocurre en la conducción real. NeuralNDE también es fundamental para un proyecto diseñado para permitir que Mcity Test Facility se utilice para pruebas remotas de software AV.

Pero a diferencia de un entorno totalmente virtual, estas pruebas se realizan en realidad mixta en pistas de prueba cerradas, como Mcity Test Facility y American Center for Mobility en Ypsilanti, Michigan. Además de las condiciones reales de la pista, los vehículos autónomos también experimentan que los conductores, ciclistas y peatones virtuales se comportan de manera segura y peligrosa. Al probar estos escenarios en un entorno controlado, los desarrolladores de AV pueden ajustar sus sistemas para manejar mejor todas las situaciones de conducción.

El NeuralNDE no solo es beneficioso para los desarrolladores de AV, sino también para los investigadores que estudian el comportamiento del conductor humano. La simulación puede interpretar datos sobre cómo los conductores responden a diferentes escenarios, lo que puede ayudar a desarrollar una infraestructura vial más funcional.

En 2021, el Instituto de Investigación del Transporte de la UM recibió $9,95 millones en fondos del Departamento de Transporte de EE. UU. para ampliar la cantidad de intersecciones equipadas con estos sensores a 21. Esta implementación ampliará las capacidades del NeuralNDE y proporcionará alertas en tiempo real a los conductores. con vehículos conectados.

La investigación fue financiada por Mcity, CCAT y el Instituto de Investigación de Transporte de la UM. Fundada en 1965, UMTRI es un líder mundial en investigación multidisciplinaria y un socio elegido por líderes de la industria, fundaciones y agencias gubernamentales para promover el transporte y la movilidad seguros, equitativos y eficientes. CCAT es un centro de investigación de transporte universitario regional que recientemente recibió una renovación de cinco años por $ 15 millones por parte del USDOT.