Crédito: Samuele Errico Piccarini/ Unsplash
Mejora de las simulaciones de carreteras para ayudar a desarrollar automóviles autónomos
30 de Agosto de 2022 | Historia original de la Universidad Estatal de Ohio
Los simuladores de conducción de hoy en día tienen un gran problema: no se ven lo suficientemente realistas, particularmente los objetos de fondo, como los árboles y las marcas viales. Pero los investigadores han desarrollado una nueva forma de crear imágenes fotorrealistas para simuladores, allanando el camino para mejores pruebas de los automóviles sin conductor.
Los gráficos por computadora convencionales utilizan modelos detallados, mallas y texturas para renderizar imágenes 2D de escenas 3D, un proceso intensivo en mano de obra que produce imágenes que a menudo no llegan a ser realistas, particularmente en segundo plano. Sin embargo, mediante el uso de un marco de aprendizaje automático llamado Generative Adversarial Network (GAN), los investigadores entrenaron su programa para generar aleatoriamente entornos realistas al mejorar la fidelidad visual del programa, el nivel de representación que los gráficos por computadora comparten con la realidad.
Esto es especialmente importante cuando se prueba cómo reaccionan los humanos cuando están en vehículos sin conductor o, alternativamente, en la carretera con ellos.
“Cuando las simulaciones de conducción parecen juegos de computadora, la mayoría de las personas no las toman en serio”, explicó Ekim Yurtsever, autor principal del estudio e investigador asociado de ingeniería eléctrica e informática en la Universidad Estatal de Ohio. “Es por eso que queremos que nuestras simulaciones se vean lo más similares posible al mundo real”.
Es estudio ha sido publicado en el Journal IEEE Transactions on Intelligent Transportation Systems.
Los investigadores comenzaron con CARLA, un simulador de conducción de código abierto, como base. Luego utilizaron un sintetizador de imágenes basado en GAN para representar los elementos de fondo como edificios, vegetación e incluso el cielo, y combinarlos con objetos renderizados más tradicionalmente.
Yurtsever dijo que las simulaciones de conducción continuarán necesitando técnicas de representación gráfica convencionales y laboriosas para mostrar los principales objetos de interés, como los automóviles cercanos. Pero, utilizando inteligencia artificial, GAN puede ser entrenado para generar fondos realistas y primeros planos utilizando datos del mundo real.
Uno de los desafíos que enfrentaron los investigadores fue enseñar a su programa a reconocer patrones en sus entornos, una habilidad necesaria para detectar y crear objetos como vehículos, árboles y sombras, y para distinguir estos objetos entre sí.
“La belleza de esto es que estos patrones y texturas en nuestro modelo no están diseñados por ingenieros”, explica Yurtsever. “Tenemos una plantilla de reconocimiento de características, pero la red neuronal la aprende por sí misma”.
Sus hallazgos mostraron que la mezcla de objetos en primer plano de manera diferente del paisaje de fondo mejoró el foto realismo de toda la imagen.
Sin embargo, en lugar de modificar una simulación completa a la vez, el proceso tuvo que hacerse fotograma a fotograma. Pero como no vivimos en un mundo fotograma a fotograma, el siguiente paso del proyecto será mejorar la consistencia temporal del programa, en el que cada fotograma es consistente con los anteriores y posteriores para que los usuarios experimenten una experiencia perfecta y visualmente fascinante, dijo Yurtsever.
“El desarrollo de tecnologías fotorrealistas también podría ayudar a los científicos a estudiar las complejidades de la distracción del conductor y ayudar a mejorar los experimentos con conductores reales”, dijo Yurtsever. Y con acceso a conjuntos de datos más grandes de escenas en la carretera, las simulaciones de conducción más inmersivas podrían cambiar la forma en que los humanos y la IA comienzan a compartir la carretera.
“Nuestra investigación es un paso extremadamente importante en la conceptualización y prueba de nuevas ideas”, sostuvo Yurtsever. “En realidad, nunca podremos reemplazar las pruebas del mundo real, pero si podemos hacer simulaciones un poco mejor, podemos obtener una mejor visión de cómo podemos mejorar los sistemas de conducción autónoma y cómo interactuamos con ellos”.
Referencia
Yurtsever E, Yang D, Koc IM, Redmill KA. Photorealism in driving simulations: Blending generative adversarial image synthesis with rendering. IEEE Trans. Intell. Transp. Syst. 2022:1-10. doi: 10.1109/TITS.2022.3193347
Este artículo ha sido republicado a partir de los siguientes materiales. Nota: el material puede haber sido editado por su longitud y contenido. Para obtener más información, ver la fuente citada.
