Los vehículos autónomos siguen estancados en el mercado por un límite en su seguridad. El aprendizaje profundo actual depende de datos sobre fallos en eventos críticos poco frecuentes y presenta efecto de va y ven.
La mejora en algunos escenarios provoca regresión en otros. De acuerdo a un estudio publicado en Nature Communications, un equipo de investigadores chinos propone un enfoque de aprendizaje denso que prioriza fallos informativos y éxitos con base en resultados teóricos.
Los datos se muestran en proporciona soporte al gradiente de políticas y a la frecuencia de exposición con exclusión de muestras sin información. Este esquema densifica el conjunto de entrenamiento y reduce la varianza sin sesgo, lo que habilita tareas fuera del alcance de métodos previos.
Para validar la estrategia, el equipo entrena a un agente de conducción para un vehículo con alto nivel de automatización mediante realidad mixta en pista urbana. Los resultados muestran ruptura del estancamiento y mejora del rendimiento de seguridad del modelo en uno o dos órdenes de magnitud.
El avance acerca la meta de seguridad a nivel humano y la adopción masiva, los datos provienen del programa piloto de despliegue del Modelo de seguridad de la Universidad de Michigan, así como del conjunto routing. Los datos procesados y el material fuente se alojan en ese nodo, junto con videos que exhiben pruebas en autopistas y rotondas.