Estás leyendo la publicación: Investigadores de UC Berkeley proponen FastRLAP: un sistema para aprender a conducir a alta velocidad a través de Deep RL (aprendizaje de refuerzo) y práctica autónoma
Investigadores de la Universidad de California, Berkeley, han desarrollado un sistema llamado FastrLap que utiliza el aprendizaje automático para enseñar a los vehículos autónomos a conducir agresivamente a altas velocidades. El sistema está diseñado para ayudar a los autos autónomos a navegar por una pista de carreras de manera rápida y eficiente mientras se arriesgan para lograr tiempos de vuelta más rápidos. FastrLap puede aprender estrategias de conducción que normalmente no se enseñan a los conductores humanos y puede ayudar a mejorar el rendimiento de los conductores autónomos y humanos.
FastrLap utiliza un entorno de simulación para entrenar sus redes neuronales, lo que le permite iterar rápidamente a través de diferentes escenarios y estrategias de conducción. Al tomar datos de los sensores en el automóvil, el sistema puede decidir cómo navegar por la pista. Los investigadores realizaron pruebas en una pista de carreras en California y lograron tiempos de vuelta más rápidos que los de un conductor humano profesional. FastrLap navegó por la pista a altas velocidades, tomando giros bruscos y evitando colisiones con otros vehículos.
Una de las ventajas significativas de FastrLap es que puede enseñar a los vehículos autónomos a conducir de forma agresiva, algo que normalmente no se enseña a los conductores humanos. Al asumir riesgos y superar los límites de lo posible, el sistema puede lograr tiempos de vuelta más rápidos que un conductor humano que puede ser más cauteloso. FastrLap también se puede usar para entrenar a los conductores humanos para que asuman riesgos calculados y superen los límites de lo que es posible, lo que podría ayudar a mejorar su rendimiento en la pista de carreras y en situaciones de conducción cotidianas.
Los investigadores reconocen los posibles problemas de seguridad asociados con las estrategias de conducción agresivas, particularmente en escenarios del mundo real. Sin embargo, creen que los beneficios de enseñar a los vehículos autónomos a conducir agresivamente superan los riesgos. El sistema también puede aprender de sus errores a través de simulaciones, mejorando y refinando continuamente sus estrategias de conducción.
Las aplicaciones potenciales de FastrLap son numerosas. Un posible caso de uso es en carreras autónomas, donde la capacidad del sistema para navegar por una pista de carreras de manera rápida y eficiente podría ayudar a entrenar autos autónomos para carreras competitivas. Las carreras autónomas están creciendo rápidamente, con eventos como Roborace atrayendo una atención significativa.
En conclusión, FastrLap es un sistema innovador que tiene el potencial de transformar la forma en que pensamos sobre la conducción autónoma. Al enseñar a los autos autónomos a conducir agresivamente y tomar riesgos calculados, el sistema podría desbloquear nuevos niveles de rendimiento y eficiencia. Si bien las posibles preocupaciones de seguridad están asociadas con estrategias de conducción agresivas, los beneficios del procedimiento superan los riesgos, particularmente en las carreras autónomas.
