Clasificación de Condiciones Ambientales en Tiempo Real para Vehículos Autónomos

Las tecnologías actuales de conducción autónoma se están implementando en áreas con geo-cercas que tienen condiciones de operación bien definidas, tales como el tiempo de operación, área, condiciones meteorológicas y condiciones de la carretera. De esta manera, se pueden excluir condiciones desafiantes como el clima adverso, carreteras resbaladizas o centros urbanos densamente poblados. Para levantar la restricción de la geo-cerca y permitir una disponibilidad más dinámica de las funciones de conducción autónoma, es necesario que el vehículo realice de manera autónoma una evaluación de las condiciones ambientales en tiempo real para identificar cuándo el sistema no puede operar de manera segura y detener la operación o requerir que el pasajero restablezca el control. En particular, los desafíos del clima adverso son una limitación fundamental, ya que el rendimiento de los sensores se degenera rápidamente, prohibiendo el uso de sensores como cámaras para localizar y monitorear señales de tránsito, peatones u otros vehículos. Para abordar este problema, entrenamos un modelo de aprendizaje profundo para identificar condiciones climáticas exteriores y condiciones de carretera peligrosas, lo que permite una rápida reacción a nuevas situaciones y entornos. Logramos esto introduciendo una taxonomía mejorada y una jerarquía de etiquetas para un conjunto de datos de clima adverso de última generación, reetiquetándolo con una nueva pipeline de etiquetado semiautomatizado. Usando el nuevo conjunto de datos y jerarquía propuestos, entrenamos RECNet, un modelo de aprendizaje profundo para la clasificación de condiciones ambientales a partir de un solo marco RGB. Superamos a los modelos de referencia por un 16% en F1-Score, mientras mantenemos un rendimiento capaz de tiempo real de 20 Hz.