Por Bryan, CEO, Argo AI

Hace una década en el alto desierto de California, 11 finalistas compitieron en una carrera sin precedentes de 60 millas. Los autos robot necesitaban completar de manera segura y rápida la misión sin intervención humana, a la vez que interactuaban con vehículos conducidos ​​por humanos, en menos de seis horas.

Fue el Desafío Urbano DARPA 2007, una competencia de vehículos autónomos que inició oficialmente las iniciativas de tecnología de auto-conducción de hoy. Los vehículos fueron considerados increíbles en ese momento, y mirando hacia atrás, esto marcó el comienzo de un largo viaje.

DARPA aseguró cierto nivel de éxito administrando cuidadosamente el alcance: los participantes aceptaron un conjunto de reglas de tráfico rigurosamente definidas, y DARPA eliminó el tráfico de peatones y ciclistas del desafío. A pesar de estas simplificaciones, lo que lograron los equipos fue impresionante, ya que la mayoría reunió sus sistemas en gran parte desde cero en solo 18 meses.

El desafío de DARPA destacó la necesidad de un desarrollo de potencia computacional y algoritmos más avanzado. En ese momento, dependíamos en gran medida de las técnicas de programación basadas en reglas, lo que significaba que los sistemas robóticos de hace una década tendían a funcionar solo en entornos muy limitados, en torno a usuarios de buena conducta que no se desviarían mucho de un conjunto de reglas establecidas.

Muchos de nosotros en Argo hemos trabajado en el campo de la robótica y los automóviles auto- conducidos durante más de una década, y mientras trabajamos ahora para llevar esta tecnología a las masas, estamos aprovechando nuestra amplia experiencia, incluidos nuestros conocimientos del Desafío Urbano DARPA . Tan solo unos meses antes del primer cumpleaños de Argo AI, hemos logrado reunir un equipo experimentado de casi 200 empleados, y ahora tenemos vehículos de prueba en la carretera en Pittsburgh y el sudeste de Michigan.

Sabemos de primera mano los desafíos que conllevan la comercialización del software y el hardware que alimenta sistemas altamente automatizados e inteligentes. Operando en condiciones al aire libre entre el tráfico de vehículos, los peatones y ciclistas que operan sin cumplir estrictamente un conjunto de reglas puede ser complicado. Los efectos de las condiciones del mundo real como la noche y el día, el clima cambiante, las diferentes geometrías de caminos y los materiales pueden agravar las cosas. La dinámica del entorno trae inconsistencias y variabilidad a lo que los constructores de sistemas robóticos tradicionalmente han necesitado para simplificar en un conjunto básico de supuestos.

En los últimos años, el juego ha cambiado debido en parte al poder computacional disponible en el presente, pero con esto ha surgido un nuevo conjunto de complejidades que aún estamos aprendiendo a manejar. Muchos avances en el procesamiento de energía, almacenamiento e inteligencia artificial se están uniendo para que estas computadoras puedan razonar a través de problemas sin requerir un script. Podrán aprender de grandes cantidades de datos, reconocer patrones con sorprendente precisión y filtrar entradas anómalas de los sensores para enfocarse en lo que más importa.

A medida que abracemos estos avances, lo hacemos sabiendo que ninguna herramienta, técnica o algoritmo solo resolverá categóricamente todos los desafíos de auto-conducción. Aquí presentamos algunas consideraciones para construir cuidadosamente un auto de conducción autónoma.

Imagen: El desafío de DARPA destacó la necesidad de un desarrollo de potencia computacional y algoritmos más avanzado.