É uma cena comum para quem dirige à noite em uma estrada escura. Percorrendo cantos e colinas, os faróis altos do carro estão acesos para melhorar a visão, enquanto a mão do motorista permanece pronta para desligá-los a qualquer momento, para que não ceguem o tráfego em sentido contrário e causem um acidente.

Xin Li acredita que existe uma solução melhor, e ele está trabalhando com o maior fabricante de faróis da China para torná-lo realidade.

"Os faróis modernos não têm apenas uma ou duas lâmpadas, eles podem ter até um milhão, "disse Li, professor de engenharia elétrica e da computação na Duke University e na Duke Kunshan University. "Estou trabalhando com parceiros da indústria para criar um 'farol inteligente' que pode controlar cada pixel individualmente e iluminar automaticamente diferentes áreas na frente do carro após reconhecer o ambiente ao redor."

Por exemplo, o farol pode reduzir a quantidade de luz apontada para um carro que se aproxima e, ao mesmo tempo, aumentar a iluminação de um sinal de trânsito próximo. Ou pode detectar pedestres próximos e alertar o motorista destacando seu corpo, evitando direcionar a luz diretamente para seus olhos.

O desafio de fazer tal farol não é necessariamente criar os diferentes padrões de luz - é ensinar o carro a reconhecer automaticamente o ambiente circundante e fazer os padrões por conta própria. É um problema que a HASCO Vision Technology - o maior fabricante de lâmpadas automotivas da China - está recorrendo à Li para ajudá-los a resolver com o aprendizado de máquina.

Muitas montadoras estão usando câmeras e aprendizado de máquina para ajudar a controlar suas próprias versões de carros autônomos, portanto, Li está longe de ser o único a esse respeito. Algoritmos de aprendizado de máquina, Contudo, precisam de grandes quantidades de dados para aprender, e muitos dos conjuntos de dados e algoritmos já criados para esse fim se concentraram na direção diurna.

"Nosso aplicativo não se preocupa com o dia, porém, "disse Li, que divide seu tempo entre os campi da Duke na Carolina do Norte e Kunshan, China. "Usar esta abordagem para faróis inteligentes é na verdade mais difícil porque as condições de iluminação são muito piores. É um desafio único que não foi bem estudado no passado."

Enquanto seus parceiros da indústria trabalham para coletar mais filmagens noturnas e anotar meticulosamente objetos importantes, como placas, pedestres e outros carros, Li está otimizando o algoritmo de aprendizado de máquina. Como as decisões devem ser tomadas em tempo real, os pesquisadores devem escolher o hardware certo e projetar o algoritmo para se adequar à sua arquitetura.

Ajudando Li nessa tarefa está o cientista pesquisador da DKU, Xin Feng. Juntos, Li e Feng já têm uma demonstração de trabalho que, embora impressionante, ainda precisa melhorar antes de chegar às estradas.

"A precisão da detecção é muito importante - você não pode perder nada nem ninguém, "disse Li." E embora seja um problema muito importante e desafiador, é apenas uma métrica. O outro é a resposta em tempo real. Se o algoritmo demorar muito para responder, então não é útil. Tecnicamente, essas são as duas questões mais desafiadoras. "

Mas são problemas que Li espera resolver em um futuro próximo, junto com a adição de mais alguns sinos e assobios. Outro aspecto do projeto usa os faróis para projetar informações importantes, como condições meteorológicas e das estradas, sinais de trânsito, direções de navegação, e até mesmo faixas de rodagem na estrada dentro dos próprios faróis.

Outros avanços podem incluir o uso de sensores alternativos que os carros autônomos podem eventualmente possuir, como radar e lidar. Mas para agora, o projeto está usando apenas câmeras voltadas para a frente para manter os custos baixos, como nos próximos anos, os consumidores estarão muito mais propensos a ver faróis inteligentes nas estradas em grande número do que veículos autônomos com recursos de detecção adicionais.

"Acho que podemos colocar um produto de primeira geração no mercado nos próximos dois anos, "disse Li." Assim que os tivermos na estrada, podemos obter ainda mais feedback e dados para melhorar ainda mais a precisão e o tempo de resposta para tornar as iterações futuras ainda melhores. "