Con los ojos en la ruta: el futuro de los autos se juega entre cámaras y sensores

Una manera bastante intuitiva de replicar lo que hacemos los humanos es observar cómo lo hacemos e intentar reproducirlo mecánicamente. Pero esa intuición no siempre es productiva: las máquinas no siempre funcionan mejor cuando imitan nuestro ingenio. Por el contrario, muchas veces las mejores soluciones aparecen cuando el problema se reformula pensando en qué pueden hacer las máquinas en lugar de imponerles nuestras capacidades y limitaciones.

Cuando hace poco más de 80 años se empezó a abordar el lenguaje con computadoras, un bando bastante popular buscaba formular explícitamente las reglas que organizan la manera en que hablamos con el objetivo de poder servírselas a una máquina. Aunque estos sistemas produjeron resultados útiles, su dificultad para abarcar las ambigüedades y excepciones del lenguaje favoreció desde fines de la década de 1980 la adopción de métodos estadísticos que se apoyaban en grandes colecciones de textos y podían aprender regularidades difíciles de enumerar de antemano. No se eliminaron las reglas ni se abandonó la lingüística, pero el foco se desplazó de las instrucciones explícitas al aprendizaje a partir de ejemplos.

Algo parecido ocurrió en otros escenarios. La mecanización de las fábricas tampoco consistió en replicar con engranajes el funcionamiento de los músculos, ni un auto es un caballo de lata con ruedas. Cuando mecanizamos una tarea, incluso si el mundo natural nos sirve de inspiración, las soluciones más prometedoras suelen diferenciarse de lo que sucede en la naturaleza. La imitación es un buen punto de partida pero no tiene por qué ser el criterio fundamental.

Una tensión análoga aparece hoy en torno a los vehículos autónomos. Para circular sin una persona al volante, un auto necesita ubicar los límites de la calle, distinguir peatones de vehículos, calcular distancias e incluso anticipar trayectorias. Los humanos resolvemos buena parte de esa tarea mediante la vista y el oído, pero no tenemos por qué imaginar máquinas limitadas a nuestros mismos sentidos.

Aunque el sueño de los autos que se manejan solos es casi tan viejo como los autos mismos, el panorama cambió hace unos veinte años cuando un equipo de Stanford ganó una competencia organizada por DARPA (Agencia de Proyectos de Investigación Avanzados de Defensa de EE. UU.) con un auto que combinaba cámaras, sensores láser y radar. Su líder, Sebastian Thrun, poco tiempo después entró en Google para liderar el proyecto que luego se convertiría en Waymo.

Esta empresa es actualmente el principal operador de “taxis” sin conductor de Estados Unidos y utiliza una versión mejorada de la arquitectura ganadora. Tesla, fabricante de vehículos eléctricos, tomó otro camino. Para lograr cierto nivel de autonomía en sus vehículos, en lugar de la opción carísima de combinar cámaras con LIDAR (un sistema que mapea el entorno con láseres) y radar, apostó principalmente por cámaras instaladas alrededor del vehículo y un sistema de inteligencia artificial capaz de traducir imágenes en decisiones de manejo, con la promesa de reducir considerablemente el costo del vehículo.

Estas estrategias no solo difieren en componentes y costos sino también en cuánta información y de qué naturaleza consideran que es necesaria para que una máquina pueda manejar no solo de manera aceptable, sino con suficiente seguridad.

La diferencia se presta a una sobresimplificación (las cámaras infieren el mundo a su alrededor, los sensores lo miden), pero la oposición no es del todo cierta. Ningún sensor produce por sí solo un modelo del entorno: los datos siempre deben ser interpretados. Mientras que las cámaras registran imágenes bidimensionales a partir de las cuales el sistema infiere la profundidad y el movimiento, el LIDAR mide distancias mediante pulsos láser y el radar aporta información sobre la distancia y la velocidad relativa de los objetos.

Hay que reconocer que la apuesta de Tesla se apoya en una intuición poderosa. Los humanos manejamos apenas con dos ojos y dos oídos (y a veces menos), y eso no nos impide reconstruir mentalmente un mundo tridimensional. Si un cerebro puede hacerlo, va el razonamiento, nada debería impedir que un sistema artificial suficientemente entrenado lo haga también, incluso mejor.

Desde esa perspectiva, echarle sensores al problema puede parecer una forma costosa, si no también un poco perezosa, de resolver con hardware un problema de software. No es que Tesla intente reproducir literalmente la forma en que procesamos lo que vemos. Su sistema no “piensa” como un cerebro (no piensa de ningún modo, pero ese es otro tema). La semejanza está en confiar principalmente en la visión y en apostar a que un sistema lo suficientemente sofisticado será capaz de inferir de las imágenes todo lo necesario para manejar.

Conviene recordar que esa capacidad, por el momento, no es más que una promesa. El producto que Tesla llama Full Self-Driving (que en español traducen como “capacidad de conducción automatizada total”, con énfasis en capacidad) es un sistema de nivel 2, supervisado y en el que la responsabilidad recae sobre quien conduce. En otras palabras, la autonomía te la debo.

La escala de autonomía en la conducción va de 0 (control humano) a 5 (autonomía en cualquier lugar y condición). Waymo opera en el nivel 4: no necesita conductor, aunque solo dentro de zonas delimitadas. El nivel 5 no existe y no hay certeza ni garantía alguna de que alguna vez exista.

Esta distancia entre promesa y realidad es prácticamente una marca registrada de Tesla. Desde hace más de una década, su mandamás afirma que en aproximadamente un año se logrará la conducción completamente autónoma, todos los años. Cuando lanzó su servicio de robotaxis en Texas, la promesa era que no habría “nadie dentro del auto” y sin embargo los vehículos dependían de un ejército de “niñeras”.

En mera virtud de cómo vienen las cosas, la estrategia ganadora de Waymo se distingue por enfrentar el desafío de diseñar un conductor ideal sin limitarse a los sentidos humanos. La sexta generación de su sistema, además de cámaras, LIDAR y radar, contempla micrófonos que le permiten identificar sirenas y reconocer su dirección antes de que la ambulancia sea visible. La cuestión, entonces, gira en torno a qué otros sentidos conviene que tenga un auto.

La ventaja de contar con maneras alternativas de detectar el entorno es la redundancia: la luz del sol directa (o una neblina muy densa) puede cegar a una cámara pero no afectar al LIDAR. Por ejemplo, Dmitri Dolgov, co-CEO de Waymo, contó el caso de una rama que quedó atascada en el limpiaparabrisas de uno de sus autos bloqueando las cámaras, pero pudo regresar de todas maneras sirviéndose de sus otros sensores.

El episodio suma un poroto para la redundancia, pero no demuestra que las cámaras sean inviables. Tesla también sostiene que puede adaptarse a cualquier lugar sin mapearlo, una ventaja frente al exhaustivo estudio previo que requiere Waymo en cada ciudad. Sin embargo, Tesla hizo algo parecido para lograr sus demostraciones en Los Ángeles y Austin: filmó las calles durante meses y puso a cientos de personas a etiquetar semáforos, cordones y otros detalles. La supuesta inteligencia artificial suele esconder una buena cuota de trabajo humano.

Quienes entrenaron este sistema lo vieron fallar frente a autobuses escolares, ambulancias y animales, sin contar los frecuentes excesos de velocidad. Tesla insiste con que su “FSD” es hasta diez veces más seguro que un conductor humano, pero el truco está en cómo masajea los números. Los datos que presentó nunca fueron públicos.

Hay otro punto en el que los acercamientos difieren. Tesla se apoya en inmensas cantidades de imágenes y videos tomados por los vehículos que vendió a usuarios privados, que desde hace años son “minados” para mostrarle al sistema tantos escenarios como sea posible. Su apuesta consiste en mejorar las inferencias multiplicando los ejemplos. Waymo también aprende de ejemplos, pero además multiplica las formas de observarlos y no depende exclusivamente de lo que ven sus cámaras.

Tesla tiene buenos motivos para insistir: gran parte del valor de la empresa descansa en la posibilidad de convertir millones de vehículos ya vendidos en una red de “robotaxis” o al menos en autos capaces de conducirse solos mediante una actualización de software. Estirando un poco los conceptos, es la apuesta por computadoras y software más sofisticado antes que sistemas complejísimos de sensores.

Al respecto, los costos no se mantienen quietos. En los veinte años desde que Stanley venció la competencia de DARPA, el precio del LIDAR cayó y Waymo logró reducir a menos de la mitad la cantidad de cámaras de su nueva generación. La discusión más interesante, entonces, probablemente no sea entre software bien entrenado y un cajón de sensores carísimos, sino cuánto conviene exigirle a las inferencias y cuánto ampliar las formas en que una máquina observa el mundo.

El problema, sin originalidad alguna, queda reducido a la aceptación pública de promesas que no están respaldadas por evidencia auditable, mientras por las calles circulan autos que están apenas aprendiendo a manejar.