Los vehículos autónomos o autodidactas han cautivado la imaginación del público, pero muchos conductores temen la posibilidad de “soltar el volante”.
De hecho, según una encuesta reciente de Defensores de la Carretera y Auto Seguridad (por sus siglas en inglés: Advocates for Highway and Auto Safety), casi dos tercios del público están preocupados por compartir el camino con autos sin conductor, citando la seguridad como una gran preocupación. Sin embargo, los que se encuentran a favor, señalan el potencial de reducir accidentes y lesiones.
En la Universidad Estatal de Michigan, los investigadores están realizando una conducción autónoma más inteligente y segura perfeccionando la visión a computadora y detección “sobrehumana”.
CANVAS -Vehículos Conectados a la Red y Autónomos para la Seguridad Activa (Connected and Autonomous Networked Vehicles for Active Safety)- Tecnología de vanguardia que promete soluciones y beneficios a los problemas de conducción en la vida real, incluida la prevención de accidentes y mejora del flujo vehicular.
Para hacer esto una realidad, se requiere tecnología que detecte y comunique los desafíos del camino, como el hielo, nieve o un cruce peatonal. El director de CANVAS, Hayder Radha, está dirigiendo un esfuerzo hacia la comunicación en tiempo real entre vehículos, entorno físico y pasajeros.
“Gran parte de nuestro trabajo se centra en la tecnología que integra el vehículo con su entorno”, dice Radha, profesor de ingeniería eléctrica e informática.
El vehículo autónomo, actualmente en exhibición pública en el Salón Internacional del Automóvil en América del Norte, Detroit, está equipado con cámaras, radares y LiDAR -la versión láser del radar- para crear “ojos de alta tecnología”.
“CANVAS es la pieza central de un esfuerzo de movilidad multidisciplinaria en MSU que incluye la infraestructura inteligente y manejo de movilidad”, dice John Verboncoeur, decano asociado de investigación de la Facultad de Ingeniería, profesor de ingeniería eléctrica e informática, así como matemática computacional.
La investigación de MSU sobre detección de peatones con aprendizaje profundo, tiene 97% de precisión en la captura de imágenes en tiempo real. Su tecnología clasifica 30 objetos diferentes, que incluyen personas, señales de tráfico, caminos, aceras y edificios para obtener la mejor respuesta.