Investigadores de la Universidad de Columbia han desarrollado un sistema para predecir la aceleración de vehículos autónomos utilizando una base de datos abierta proporcionada por Waymo. El equipo se centró en el uso de redes neuronales convolucionales (CNN) para emular la percepción humana, correlacionando imágenes de la cámara del automóvil con su aceleración. Este enfoque fue visto como potencialmente enriquecedor al usar también LSTM para manejar la naturaleza como serie temporal del problema, aprovechando datos pasados para mejorar las predicciones actuales.

Utilizando un conjunto de 11 características extraídas de los datos en bruto del Waymo, que incluyen velocidades y distancias relativas en ejes x, y, y z, los investigadores lograron calcular la aceleración de los vehículos autónomos a partir de la diferencia entre velocidades en fotogramas consecutivos. El modelo más sofisticado probó ser el que combinó técnicas de transferencia de aprendizaje con una base de CNN, complementando la predicción con LSTM donde se analizaron datos de múltiples fotogramas en secuencia para una predicción más precisa.

El conjunto de datos de Waymo, con más de 10 millones de millas de información recopilada en diversas condiciones urbanas y climáticas, resultó ser invaluable para esta investigación, proporcionado de manera gratuita y pública para la comunidad investigadora. El trabajo destacó la importancia de imágenes captadas de cámaras de alta resolución y lidars, aunque estas no fueron utilizadas en el presente estudio, que se concentró exclusivamente en las imágenes de cámara frontal.

A pesar del éxito, el equipo reconoció que la precisión del modelo podría haberse visto afectada por posibles errores en el cálculo de la aceleración real del vehículo usado como referencia. Se recomendó una futura revisión más exhaustiva en este aspecto para asegurar la validez de los datos, además de proponer una optimización adicional y el incremento de características incorporadas en el modelo para seguir mejorando las predicciones.

Como conclusión, este proyecto no solo aumentó la comprensión sobre cómo funcionan los algoritmos de Waymo, sino que demostró eficazmente cómo las combinaciones de CNN y LSTM, junto con un conjunto diverso de datos y funcionalidades adicionales, pueden superar los retos inherentes al desarrollo de vehículos autónomos inteligentes.