Uno de los retos para que los vehículos autónomos sigan evolucionando y adaptándose a entornos como las ciudades y las autopistas, es que sean capaces de circular con total seguridad. Esto se consigue gracias al gran número de sensores y cámaras con los que van equipados, entre ellos cámaras de vídeo de alta resolución y sensores. Pero más allá de los sensores –que pueden ser muchos, variados y prácticos ante situaciones imprevistas– pocas técnicas hay mejores que contar con buenos mapas de las autopistas, carreteras y calles por las que van a circular.
En este aspecto, es una ventaja que cada vez haya más y mejores mapas, de gran precisión, gracias a lo mucho que han evolucionado las técnicas de fotografía aérea y de satélite. Los mapas – no solo de Google Maps o Nokia Here sino de otros proveedores y servicios especializados (Garmin, Navigon, MapBox)- tienen gran precisión y resultan extremadamente útiles. Pero su uso requiere conocer la posición exacta del vehículo, algo que principalmente se calcula mediante el posicionamiento GPS.
La dependencia del GPS
Esto hace que surjan varios problemas: por un lado no siempre hay cobertura GPS (por ejemplo, en túneles o calles angostas con grandes rascacielos cerca) y por otro, incluso cuando hay cobertura, la precisión típica del GPS es de sólo unas decenas de metros. Y aunque hay «versiones mejoradas» en ciertos receptores GPS y con nuevos sistemas de posicionamiento que se han perfeccionado más, estas versiones todavía no están disponibles.
Pero hay otras técnicas. Una de ellas es la de Tesla, que utiliza los registros de los propios vehículos de su flota para «mejorar» los mapas. Entre otras cosas esos datos dividen una gran autopista en sus diversos carriles, proporciona curvas más suaves que se corresponden más fielmente con las que trazan los coches al circular, y afina mejor la posición exacta de las intersecciones de calles, de las incorporaciones y las salidas de las autopistas.
Tesla se jacta de que su sistema llamado Fleet Learning (Aprendizaje de la Flota) permite obtener mapas más precisos, incluyendo señales de tráfico y otros elementos que no suelen aparecer en dichos mapas. Un ejemplo práctico es cuando hay una señal sobre la carretera que discurre por una cuesta o un túnel. Las cámaras del coche e incluso el radar detectarían el objeto y podrían pensar que el coche puede colisionar (el GPS y el altímetro no tienen precisión suficiente como para saber si el coche pasará o no por debajo). Pero la flota de vehículos habría detectado anteriormente esa señal y la había guardado en la base de datos, así como el hecho de que los coches pasan normalmente por allí sin problemas. Si en esa especie de «mapa mejorado» la flota de coches no ha frenado cuando supuestamente debería hacerlo para evitar un «obstáculo» (que en realidad no existe), se deduce que el paso es seguro, y por tanto no se activa el frenado de emergencia.
Nuevos mapas para los nuevos tiempos
Otros fabricantes como Mobileye/Intel cuentan con una tecnología llamada REM (Road Experience Management, «Gestión de la Experiencia en Carretera») con el objetivo de reducir lo que llaman el TTRR («Tiempo en Reflejar la Realidad») para el «cerebro» del coche. El REM es una especie de mapa en ultra-alta resolución, no sólo de las vías de circulación, sino también de las posiciones de las señales de tráfico y de otro tipo de señalización.
Los datos que alimentan el REM provienen de cualquier vehículo equipado con una cámara. Un analizador estudia la posición del vehículo en cada momento del vídeo y analiza las imágenes en busca de elementos reconocibles, como las señales de tráfico, carriles, etcétera. Subiendo en un solo servidor en la nube la información de los mismos lugares proveniente de diversos vehículos, se crea una versión más precisa del mapa de cada lugar, – el ultra-mapa definitivo.
No es raro que algunos ingenieros de Tesla fundaran una compañía, Lvl5, especializada en crear mapas con estas técnicas a partir de vídeos facilitados por los conductores, una especie de iniciativa colectiva (crowdsourcing). Su idea es licenciarla luego a otros fabricantes.
En los vídeos de demostración se puede ver el sistema REM actuando en un vehículo autónomo junto a la imagen aérea de Google Earth. Unas líneas amarillas indican los «bordes físicos», el límite de las calles o carreteras. Las líneas púrpura delimitan los carriles y las verdes las trayectorias ideales para que el coche circule en cada carril. En la imagen aérea se pueden ver los mismos datos superpuestos sobre el mapa convencional, con círculos indicando los postes de señalización vertical (límites de velocidad, prohibiciones, etcétera). De este modo el coche sabe por dónde puede ir, no puede ir y dónde encontrará información auxiliar. Toda esa información se usa además para mejorar su posicionamiento.
Nuevas infraestructuras
Proyectos de mejora y adaptación de autopistas como VIRIATO (Vehicle Road Infrastructure Adaptation test under Open traffic) plantean también ayudar a los vehículos con un mapeado más preciso que proviene de la propia carretera. Este proyecto, se ha puesto en marcha en pruebas en la autopista Norte Litoral en Portugal gestionada por Cintra, incluye diversas tecnologías.
Una de ellas es un sistema de corrección diferencial capaz de proporcionar mayor precisión en el posicionamiento de los vehículos autónomos, del orden de 1 cm. Esto se prueba en circuitos de baja y alta velocidad, con dos tipos de vehículos (uno de tipo «conectado»y otro autónomo) y también en tramos reales de autopista – procurando que afecten al tráfico real lo menos posible. La tecnología utilizada para el correcto posicionamiento de los vehículos es el GPS diferencial –de alta calidad y con un mínimo error, mejor que los generalistas– como complemento a mapas de alta definición precargados, la lectura de la señalización horizontal y mapas precargados con gran detalle. Estas tres fuentes de datos proporcionan una gran fiabilidad al vehículo para circular con unos altos niveles de seguridad.
La adaptación de los túneles es uno de los aspectos más importantes: es donde siempre resulta más difícil la circulación por baja visibilidad y poca o nula cobertura GPS. En estos casos se mejora la visibilidad para que funcionen mejor los sensores de los vehículos que leen la señalización horizontal en forma de líneas de las carreteras.
Sin embargo hay ciertos puntos de la infraestructura en donde hay que tener especial atención a la hora de incorporar tecnología que aporte autonomía al vehículo: están las mejoras en las incorporaciones (puntos críticos para un vehículo autónomo, junto con las salidas) mediante sistemas de monitorización del tráfico; más señalización e incluso comunicación entre vehículos o el aviso de congestiones repentinas o incidencias. También se contempla la posibilidad de añadir infraestructuras especiales: por un lado, paradas de emergencia a las que los vehículos autónomos puedan dirigirse solos si el conductor no actúa en un tiempo predeterminado; por otro, carriles rápidos reservados para coches autónomos.
Todo esto encaja con la estrategia de evolución de los coches autónomos en los próximos años, evolucionado desde lo que se conoce como Nivel 1 (sin autonomía) al estado actual (Nivel 2 y 3, autonomía parcial) hasta el Nivel 5 (la ansiada autonomía total). Esto quizá llegue hacia 2030, gracias a que los vehículos contarán con mejores mapas de las carreteras y autopistas, además de sensores más precisos y rápidos para la actuación en tiempo real.
Todavía no hay comentarios