A recente fatalidade de um carro autônomo do Uber ressalta o fato de que a tecnologia ainda não está pronta para adoção generalizada. Um dos motivos é que não existem muitos lugares onde carros autônomos possam realmente dirigir. Empresas como o Google apenas testam suas frotas nas grandes cidades, onde passaram horas incontáveis ​​rotulando meticulosamente as posições 3D exatas das pistas, meio-fio, rampas de saída e sinais de parada.

De fato, se você mora ao longo dos milhões de quilômetros de estradas dos EUA que não são pavimentadas, apagado ou não marcado de forma confiável, Você não está com sorte. Essas ruas costumam ser muito mais complicadas de mapear, e obter muito menos tráfego, portanto, é improvável que as empresas desenvolvam mapas 3D para eles tão cedo. Do Deserto de Mojave da Califórnia às Montanhas Brancas de Vermont, há grandes áreas da América para as quais os carros autônomos simplesmente não estão prontos.

Uma maneira de contornar isso é criar sistemas avançados o suficiente para navegar sem esses mapas. Em uma primeira etapa importante, uma equipe do Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL) desenvolveu o MapLite, uma nova estrutura que permite que carros autônomos circulem em estradas onde nunca estiveram antes sem mapas 3D.

MapLite combina dados GPS simples que você encontraria no Google Maps com uma série de sensores que observam as condições das estradas. Em conjunto, esses dois elementos permitiram que a equipe dirigisse de forma autônoma em várias estradas não pavimentadas em Devens, Massachusetts, e detectar a estrada de forma confiável com mais de 30 metros de antecedência. (Como parte de uma colaboração com o Toyota Research Institute, pesquisadores usaram um Toyota Prius equipado com uma variedade de sensores LIDAR e IMU.)

"A razão pela qual esse tipo de abordagem 'sem mapa' não foi realmente feito antes é porque geralmente é muito mais difícil alcançar a mesma precisão e confiabilidade que com mapas detalhados, "diz o estudante de pós-graduação do CSAIL Teddy Ort, que foi o autor principal de um artigo relacionado. "Um sistema como este, que pode navegar apenas com sensores a bordo, mostra o potencial dos carros autônomos sendo capazes de realmente lidar com estradas além do pequeno número que as empresas de tecnologia mapearam."

O papel, que será apresentado em maio na Conferência Internacional sobre Robótica e Automação (ICRA) em Brisbane, Austrália, foi co-escrito pela professora do MIT Daniela Rus e PhD graduado Liam Paull, que agora é professor assistente da Universidade de Montreal.

Como funciona

Por todo o progresso feito com os carros autônomos, suas habilidades de navegação ainda são pálidas em comparação com as dos humanos. Considere como você se locomove:se estiver tentando chegar a um local específico, você provavelmente conecta um endereço ao telefone e o consulta ocasionalmente ao longo do caminho, como quando você se aproxima de cruzamentos ou saídas de rodovias.

Contudo, se você fosse se mover pelo mundo como a maioria dos carros autônomos, você essencialmente estaria olhando para o telefone o tempo todo. Os sistemas existentes ainda dependem fortemente de mapas, usando apenas sensores e algoritmos de visão para evitar objetos dinâmicos como pedestres e outros carros.

Em contraste, MapLite usa sensores para todos os aspectos da navegação, confiando nos dados do GPS apenas para obter uma estimativa aproximada da localização do carro. O sistema primeiro define um destino final e o que os pesquisadores chamam de "meta de navegação local", que deve estar dentro do campo de visão do carro. Seus sensores de percepção, então, geram um caminho para chegar a esse ponto, usando LIDAR para estimar a localização das margens da estrada. O MapLite pode fazer isso sem marcações físicas na estrada, fazendo suposições básicas sobre como a estrada será relativamente mais plana do que as áreas circundantes.

"Nossa abordagem minimalista ao mapeamento permite a direção autônoma em estradas rurais usando a aparência local e recursos semânticos, como a presença de uma vaga de estacionamento ou estrada lateral, "diz Rus.

A equipe desenvolveu um sistema de modelos "parametrizados", o que significa que eles descrevem várias situações que são um tanto semelhantes. Por exemplo, um modelo pode ser amplo o suficiente para determinar o que fazer nas interseções, ou o que fazer em um tipo específico de estrada.

O MapLite difere de outras abordagens de direção sem mapa que dependem mais do aprendizado de máquina, treinando em dados de um conjunto de estradas e sendo testado em outros.

“No final do dia, queremos ser capazes de fazer perguntas ao carro como 'quantas estradas estão se juntando neste cruzamento?'”, Diz Ort. "Usando técnicas de modelagem, se o sistema não funcionar ou estiver envolvido em um acidente, podemos entender melhor o porquê. "

MapLite ainda é limitado de várias maneiras. Ainda não é confiável o suficiente para estradas de montanha, uma vez que não leva em conta mudanças dramáticas na elevação. Como uma próxima etapa, a equipe espera expandir a variedade de estradas que o veículo pode operar. Em última análise, eles desejam que seu sistema alcance níveis comparáveis ​​de desempenho e confiabilidade aos sistemas mapeados, mas com um alcance muito mais amplo.

"Imagino que os carros autônomos do futuro sempre farão algum uso de mapas 3D em áreas urbanas, "diz Ort." Mas quando chamado a fazer uma viagem fora do caminho batido, esses veículos precisarão ser tão bons quanto os humanos ao dirigir em estradas desconhecidas que eles nunca viram antes. Esperamos que nosso trabalho seja um passo nessa direção. "