00:00Investigadores trabajan en una nueva tecnología que busca resolver los problemas de seguridad
00:04que mantienen estancado el desarrollo comercial de los vehículos autónomos durante años.
00:14Los vehículos autónomos siguen estancados en el mercado por un límite en su seguridad.
00:19El aprendizaje profundo actual depende de datos sobre fallos en eventos críticos,
00:23poco frecuentes y presenta efecto de vaivén.
00:26La mejora en algunos escenarios provoca regresión, en otros de acuerdo a un estudio publicado en Nature Communication.
00:32Un equipo de investigadores chinos propone un enfoque de aprendizaje denso
00:36que prioriza fallos informativos y éxitos con base en resultados teóricos.
00:41Los datos se muestran en proporción a su aporte al gradiente de políticas
00:45y a la frecuencia de exposición con exclusión de muestras sin información.
00:50Este esquema densifica el conjunto de entrenamiento y reduce la varianza sin sesgo,
00:54lo que habilita tareas fuera del alcance de métodos previos.
00:57Para validar la estrategia, el equipo entrena a un agente de conducción
01:00para un vehículo con alto nivel de automatización mediante realidad mixta en pista urbana.
01:06Los resultados muestran ruptura del estancamiento
01:08y mejora del rendimiento de seguridad del modelo en uno o dos órdenes de magnitud.
01:13El avance acerca la meta de seguridad a nivel humano y la adopción masiva.
01:18Los datos provienen del programa piloto de despliegue del modelo de seguridad
01:22de la Universidad de Michigan, así como del conjunto Roundy.
01:25Los datos procesados y el material fuente se alojan en cénodo,
01:28junto con videos que exhiben pruebas en autopistas y rotondas.
Comentarios