A medida que los vehículos se vuelven más automatizados, los desarrolladores pueden utilizar el aprendizaje automático para capacitar a los sistemas para identificar objetos y comprender mejor su entorno con menos datos.
El aprendizaje automático es un subconjunto de la inteligencia artificial que se refiere a la capacidad de un sistema para ser entrenado a través de la experiencia con diferentes escenarios.
Un desafío que el aprendizaje automático ayuda a abordar con el radar es la detección de bordes. Las longitudes de onda más largas del radar producen una resolución más baja que puede dar lugar a superficies de dispersión poco resueltas en los objetos, lo que dificulta saber dónde están los bordes de un objeto. Cuando eso sucede, se vuelve un desafío interpretar los datos y resolver la escena. Los ingenieros están trabajando en formas de mejorar la resolución del radar, como pasar de la frecuencia común de 77 GHz que se usa en las aplicaciones automotrices actuales a 120 GHz o más, con la correspondiente reducción en la longitud de onda. Eso permite una medición de resolución mucho más alta para el mismo tamaño de sensor.
Sin embargo, incluso con los radares actuales, el aprendizaje automático puede ayudar a caracterizar diferentes escenarios cuando los datos son difíciles de describir mediante algoritmos estándar.
Los desarrolladores pueden presentar muchos ejemplos de objetos en una categoría particular a un sistema de aprendizaje automático, y pueden aprender cómo las señales se dispersan por objetos complejos con muchos puntos de reflexión. Puede aprovechar la información contextual. E incluso puede aprender a partir de datos simultáneos proporcionados por cámaras, lidars o mapas HD para clasificar objetos según las señales de radar.
Es posible obtener más beneficios si utilizamos el aprendizaje automático con criterio. En lugar de adoptar un enfoque de fuerza bruta y aplicar el aprendizaje automático a todos los datos brutos proporcionados por un radar, podemos realizar un preprocesamiento clásico y luego aplicar el aprendizaje automático solo a aquellas partes que tengan sentido.
Muchos radares de automoción utilizan una serie de antenas para medir ángulos. En el procesamiento de señales de radar clásico, las señales digitalizadas de cada antena se convierten en rango y velocidad. Las señales se comparan a través del conjunto de antenas para realizar mediciones de ángulos. Un ejemplo de preprocesamiento sería utilizar el procesamiento de señales clásico para aislar regiones de interés, para enfocar objetos con ciertos rangos y velocidades. Las señales de cada antena con un rango y velocidad comunes se pueden usar para entrenar un sistema.
Este tipo de análisis le da al sistema una rica base de información para alimentar a una red neuronal, que a su vez puede aplicar el aprendizaje automático para producir una imagen aún más clara de la escena.
Sin este paso intermedio, un sistema de inteligencia artificial tendría que determinar la escena a partir de las señales digitalizadas sin procesar en tiempo real, lo que significa que tendría que ser extremadamente potente y, por lo tanto, más costoso y con un uso intensivo de recursos, y requeriría largas secuencias de entrenamiento para averigüe qué hacer con los datos. Además, un sistema de este tipo sería difícil de solucionar: si el vehículo detectara un objeto que no estaba allí, por ejemplo, podría ser difícil averiguar dónde salió mal el procesamiento. La combinación del procesamiento clásico con el aprendizaje automático puede proporcionar cierta ortogonalidad en el procesamiento de datos, lo que aumenta la robustez del sistema.
Si bien los datos proporcionados por un radar son más complejos que los que provienen de los sistemas de visión, que brindan alcance y velocidad de alcance además de la ubicación de los objetos, también son bastante valiosos. Vale la pena el esfuerzo de examinar inteligentemente los datos para extraer significado. Los 20 años de trayectoria de Aptiv trabajando con radares para automóviles (fuimos los primeros en instalar un radar en un Jaguar en 1999 para permitir el control de crucero adaptativo) nos ha brindado la experiencia necesaria para extraer los datos relevantes de la manera más eficiente.
