Desarrollo de carritos de golf autónomos: ¿por qué tiene demanda?

Sasha Andrieiev es director ejecutivo y fundador de Jelvix | Líder Digital | Experto en Innovación.

getty

“El futuro de los vehículos eléctricos son los carritos de golf, no Tesla”, declaró Harvard Business Review en 2015. Y parece que no se equivocaron. Si bien los principales fabricantes de automóviles dedican tiempo a probar conceptos de automóviles autónomos, prometiendo su aparición "pronto" y "el próximo año", las modificaciones de los carritos de golf eléctricos podrían ser una forma más rápida de lograr el objetivo de poner los autos sin conductor en las carreteras.

Los carritos de golf ahora se usan para algo más que jugar al golf. Actualmente son el medio de transporte más popular para distancias cortas y son más ecológicos que cualquier otra alternativa.

Según Allied Market Research, el mercado mundial de carritos de golf alcanzará los 1790 millones de dólares para 2028, con un crecimiento del 3,9 % CAGR entre 2021 y 2028.

Los carros de golf impulsan la autonomía

Ante la dura realidad de que el futuro de los autos totalmente autónomos está más lejos de lo prometido, los fabricantes de automóviles y las empresas tecnológicas están recurriendo a usos alternativos para la tecnología de conducción autónoma. Algunos recurren a los robots de entrega, mientras que otros están ayudando a implementar pequeñas máquinas tipo carrito de golf de baja velocidad para sitios, granjas o aeropuertos.

Por ejemplo, Honda está probando un nuevo modelo tipo carrito de golf. Ese llamado "dispositivo de micromovilidad" es parte de los esfuerzos de Honda para ayudar a las personas que no pueden conducir por sí mismas, como los ancianos o la Generación Z. En su estado actual, los vehículos Honda se parecen más a los carritos de golf o UTV. Pero Honda cree que estas máquinas tendrán su lugar en el futuro entorno urbano.

¿Cómo ayudan los especialistas en anotación de datos a los carros de golf autónomos a ver?

Los coches autónomos y semiautónomos están equipados con sofisticados sistemas de detección y reconocimiento de vehículos y objetos, señales de tráfico, semáforos y carriles que encuentran en la carretera. Estos sistemas requieren una cantidad suficiente de datos de alta calidad que se anotan correctamente. La anotación agrega etiquetas digitales a imágenes o videos usando cuadros delimitadores y define otros atributos para ayudar a los modelos ML a reconocer objetos detectados por cámaras y sensores de vehículos. Estas imágenes etiquetadas digitalmente se utilizan para "entrenar" sistemas informáticos sin conductor para identificar características clave al mostrar datos nuevos y sin etiquetar.

Sistema Panóptico de Percepción de Conducción

Un sistema de percepción de alta precisión en tiempo real gestiona las acciones del vehículo extrayendo información visual de las imágenes capturadas por las cámaras. El sistema de percepción comprende la escena y luego proporciona datos al sistema de decisión, incluida la ubicación de los obstáculos, el juicio de si el camino es transitable, la posición de los carriles, etc.

Clasificación de señales de tráfico

Este es el proceso de determinar a qué clase pertenece una señal de tráfico. Para ello, se utiliza un conjunto de datos públicos de Kaggle, que contiene más de 50.000 imágenes de varias señales de tráfico divididas en 43 clases diferentes. Es adecuado en la etapa inicial, y luego las empresas deben recopilar y marcar sus datos de forma independiente.

Reconocimiento de semáforos

La tecnología puede ayudar a los conductores a identificar el estado de los semáforos y decidir rápidamente según el estado reconocido. Actualmente, estos métodos se basan en algoritmos tradicionales que utilizan procesamiento de imágenes y aprendizaje automático.

El algoritmo, por ejemplo, primero extrae los objetos rojos, verdes y amarillos de la imagen utilizando un sencillo sistema de detección de semáforos. Los símbolos de señales de tráfico se utilizan para confirmar la autenticidad de un objeto antes de que se evalúen diferentes tipos de señales de tráfico para reducir la interferencia ambiental.

Detección de carril de carretera

La detección de límites o líneas de carreteras se encuentra entre las tareas más cruciales pero desafiantes en el desarrollo de automóviles autónomos. Incluye la localización de la carretera, la determinación de la posición relativa entre el automóvil y la carretera, y el análisis de la dirección del rumbo del automóvil.

Los métodos existentes de detección de carriles se basan en técnicas de aprendizaje profundo. En comparación con los algoritmos tradicionales que dependen en gran medida de señales visuales en ciertos entornos, el aprendizaje profundo mejora la capacidad de la red para percibir una escena al optimizar constantemente los parámetros de la red neuronal, lo que resulta en una mayor confiabilidad y aplicabilidad.

Reconocimiento de Matrículas

Este es otro componente de un proyecto de visión por computadora requerido para automóviles autónomos. Esta solución no está incluida en el paquete necesario para los carros de golf autónomos, pero sería apropiada dentro del concepto de ciudad inteligente.

La línea de fondo

Trabajar en la anotación de vehículos autónomos parece interesante, pero tiene muchos escollos. Las empresas que decidan asumir el proyecto de forma independiente dedicarán la mayor parte de su tiempo a la parte teórica y a corregir sus propios errores. Además, si los trabajadores no son científicos de datos, es bastante difícil crear pautas claras sobre lo que se debe etiquetar.

Más allá de la experiencia, las empresas de anotación profesional deben contar con herramientas innovadoras para lograr una precisión de píxel perfecta. Si bien la tecnología para anotaciones más simples está disponible para uso amateur, la tecnología requerida para realizar anotaciones en datos de radar y LIDAR es limitada y requiere una gran experiencia.

Por eso vale la pena subcontratar proveedores con especialistas en anotación de datos. Es una forma de unirse a un mercado autónomo sin la molesta anotación de datos.

El Consejo de Tecnología de Forbes es una comunidad a la que solo se puede acceder por invitación para CIO, CTO y ejecutivos de tecnología de clase mundial. ¿Califico?