Embora os carros autônomos tenham sido um tema popular na indústria automotiva nos últimos anos, seu desdobramento em massa nas estradas parece estar longe de ser uma realidade devido à imprevisibilidade do comportamento humano.
Para enfrentar esse desafio, pesquisadores da Universidade de Michigan desenvolveram uma técnica inovadora para acelerar o aprendizado de carros autônomos em situações de condução complexas. A técnica usa aprendizado de máquina e dados do mundo real coletados de sensores instalados em interseções inteligentes em Ann Arbor e Detroit e de carros de voluntários equipados com sensores.
O objetivo do estudo é melhorar a segurança e eficácia dos carros autônomos nas estradas. Os dados coletados incluíam informações sobre velocidade, direção e acidentes, e se eliminou informações não críticas de segurança para o aprendizado de máquina. O time de pesquisadores utilizou um ambiente de teste de realidade mista chamado M-City, que incluía sinais de trânsito, pedestres robóticos e outros veículos, para treinar os carros autônomos em situações perigosas que ocorrem raramente nas estradas.
O resultado foi que os veículos de teste encontraram muitas mais situações perigosas e frequentes no ambiente virtual, acelerando significativamente o processo de aprendizagem.
O professor de engenharia civil na Universidade de Michigan, Henry Liu, estima que a técnica de aprendizado de máquina pode reduzir o tempo necessário para treinar um carro autônomo como o Waymo de dezenas de milhões de quilômetros para apenas algumas milhares de quilômetros que contenham uma variedade de acidentes. No entanto, ainda há muitos desafios a serem enfrentados antes que os carros autônomos sejam implantados em todo o mundo.
