Los coches autónomos ya pueden evitar semáfotos con la IA

Ya es posible no encontrarse con semáforos en rojo. Además de las incomodidades de la señalización, los vehículos consumen combustible y emiten gases de efecto invernadero mientras esperan a que cambie el semáforo. ¿Y si los automovilistas pudieran programar sus viajes para llegar a la intersección cuando el semáforo esté en verde? Esto se puede conseguir con un vehículo autónomo mediante la utilización de la inteligencia artificial para controlar su velocidad.

Investigadores del Massachusetts Institute of Technology (MIT), en un nuevo estudio hecho público por la entidad, han demostrado la existencia de un método de aprendizaje automático que puede “aprender” a controlar una flota de vehículos autónomos cuando se acercan a una intersección señalizada y la atraviesan, de forma que el tráfico siga fluyendo sin problemas.

Mediante simulaciones han podido comprobar que su método reduce el consumo de combustible y las emisiones, al tiempo que mejora la velocidad media de los vehículos. La técnica obtiene los mejores resultados si todos los coches de la carretera son autónomos, pero incluso si sólo el 25% de ellos utiliza su algoritmo de control, sigue produciendo importantes beneficios en cuanto al gasto de combustible y las emisiones.

"Este es un tema realmente interesante para intervenir, porque a nadie le gusta quedarse atascado en un cruce. Con muchas otras intervenciones sobre el cambio climático, se espera conseguir una diferencia en lo que se refiere a calidad de vida, por lo que todavía existe una gran barrera. En este caso, la barrera es mucho menor", ha explicado  una de las autoras del informe, Cathy Wu, profesora adjunta de desarrollo profesional Gilbert W. Winslow, en el Departamento de Ingeniería Civil y Medioambiental y miembro del Instituto de Datos, Sistemas y Sociedad (IDSS) y del Laboratorio de Sistemas de Información y Decisión (LIDS).

La autora principal del estudio es Vindula Jayawardana, estudiante graduada en el LIDS y en el Departamento de Ingeniería Eléctrica e Informática. La investigación se presentará en la Conferencia Europea de Control.

Los entresijos de la intersección en el tráfico

Según explican desde el servicio de noticias del MIT, “mientras que los seres humanos pueden pasar un semáforo en verde sin pensarlo mucho, las intersecciones pueden presentar miles de escenarios diferentes en función del número de carriles, el funcionamiento de las señales, el número de vehículos y su velocidad, la presencia de peatones y ciclistas, etc”.

Los enfoques típicos para abordar los problemas de control de intersecciones utilizan modelos matemáticos para resolver una intersección simple e ideal. Según el blog de la prestigiosa institución, “esto queda bien sobre el papel, pero es probable que no se sostenga en el mundo real, donde los patrones de tráfico suelen ser de lo más desordenados”.

Las investigadoras Wu y Jayawardana le dieron otro enfoque y abordaron el problema utilizando una técnica “sin modelos conocida, como aprendizaje profundo por refuerzo; un método de ensayo y error en el que el algoritmo de control aprende a tomar una secuencia de decisiones. Se le recompensa cuando encuentra una buena secuencia. Con el aprendizaje de refuerzo profundo, el algoritmo aprovecha las suposiciones aprendidas por una red neuronal para encontrar atajos a las buenas secuencias, incluso si hay miles de millones de posibilidades”, aclaran en el servicio informativo del MIT.

Según explican, esto es útil para resolver un problema de largo alcance como este; el algoritmo de control debe emitir más de 500 instrucciones de aceleración a un vehículo durante un largo periodo de tiempo, explica Wu. "Y tenemos que acertar con la secuencia antes de saber que hemos hecho un buen trabajo para mitigar las emisiones y llegar a la intersección a una buena velocidad", añade.

Pero hay una cuestión adicional. Los investigadores quieren que el sistema aprenda una estrategia que reduzca el consumo de combustible y limite el impacto en el tiempo de viaje. Estos objetivos pueden ser contradictorios.

"Para reducir el tiempo de viaje, queremos que el coche vaya rápido, pero para reducir las emisiones, queremos que vaya más despacio o que no se mueva. Estas recompensas contrapuestas pueden resultar muy confusas para el agente de aprendizaje", ha explicado Wu.

Aunque es difícil resolver este problema, se ha empleardo una solución utilizando una técnica conocida como modelado de recompensas. Con la conformación de la recompensa, dan al sistema algunos conocimientos del dominio que no puede aprender por sí mismo. En este caso, penalizan al sistema cada vez que el vehículo se detiene por completo, para que aprenda a evitar esa acción.

Pruebas de tráfico

Una vez que desarrollaron un algoritmo de control eficaz, lo evaluaron utilizando una plataforma de simulación de tráfico con una única intersección. El algoritmo de control se aplica a una flota de vehículos autónomos conectados, que pueden comunicarse con los semáforos próximos para recibir información sobre la fase y el tiempo de las señales y observar su entorno inmediato, e indica a cada vehículo cómo acelerar y desacelerar.

Tal y como explican en el MIT News, su sistema no creó ningún tráfico de parada y arranque cuando los vehículos se acercaban a la intersección. (El tráfico de parada y arranque se produce cuando los coches se ven obligados a detenerse por completo debido a que el tráfico está parado). En las simulaciones, un mayor número de coches logró pasar en una sola fase verde, lo que superó a un modelo que simula a los conductores humanos. En comparación con otros métodos de optimización también diseñados para evitar el tráfico parado, su técnica dio lugar a una mayor reducción del consumo de combustible y de las emisiones. Si todos los vehículos de la carretera son autónomos, su sistema de control puede reducir el consumo de combustible en un 18% y las emisiones de dióxido de carbono en un 25%, al tiempo que aumenta la velocidad de desplazamiento en un 20%.

"Que una sola intervención reduzca entre un 20 y un 25 por ciento el combustible o las emisiones es realmente increíble. Pero lo que me parece interesante, y lo que realmente esperaba ver, es esta escala no lineal. Si sólo controlamos el 25 por ciento de los vehículos, obtendremos el 50 por ciento de los beneficios en términos de reducción de combustible y emisiones. Eso significa que no tenemos que esperar a llegar al 100% de vehículos autónomos para obtener beneficios de este enfoque", afirman las investigadoras.

En un futuro próximo quieren estudiar los efectos de la interacción entre múltiples intersecciones. También tienen previsto explorar cómo las diferentes configuraciones de las intersecciones (número de carriles, señales, tiempos, etc.) pueden influir en el tiempo de viaje, las emisiones y el consumo de combustible. Además, pretenden estudiar cómo su sistema de control podría afectar a la seguridad cuando los vehículos autónomos y los conductores humanos comparten la carretera. Por ejemplo, aunque los vehículos autónomos conduzcan de forma diferente a los conductores humanos, las carreteras más lentas y con velocidades más constantes podrían mejorar la seguridad, según afirma Wu.

Aunque este trabajo aún está en sus primeras fases, Wu considera que este enfoque podría aplicarse de forma más factible a corto plazo. "El objetivo de este trabajo es mover la aguja de la movilidad sostenible. Nosotros también queremos soñar, pero estos sistemas son grandes monstruos de la inercia. Identificar puntos de intervención que sean pequeños cambios en el sistema pero que tengan un impacto significativo es algo que me hace levantarme por las mañanas", ha asegurado.