Seguridad de vehículos autónomos: PreFixer hace que los cambios de hardware de sensores sean menos peligrosos

Los dispositivos llamados codificadores, ubicados dentro de los sensores de los automóviles autónomos, convierten el movimiento y otra información adquirida en la carretera en señales eléctricas que luego pueden usarse como retroalimentación para que el software que ejecuta el vehículo tome decisiones informadas.

El proceso se parece mucho a cómo los humanos utilizamos la retroalimentación que viaja desde nuestros cinco sentidos hasta nuestro cerebro para aprender y proceder sabiamente.

Pero, ¿qué pasa si hay que reemplazar un sensor y la nueva pieza codifica información de manera diferente a la red neuronal profunda, o DNN, el cerebro entrenado para controlar el automóvil?

Bueno, cuando el sensor de reemplazo es de una marca diferente o tiene algún otro desajuste, eso es un problema de seguridad, según Meriel von Stein, becaria Copenhaver de la Facultad de Ingeniería y Ciencias Aplicadas de la Universidad de Virginia.

«El DNN ya no puede deducir información de forma fiable del nuevo hardware del sensor», afirmó von Stein. «Esto puede suceder con las actualizaciones de la versión del sistema autónomo, pero también puede suceder durante el cambio de un sensor por otro en el mercado de accesorios».

Para ayudar a resolver el problema, von Stein inventó un codificador aumentado llamado PreFixer. Ella publicado su solución en la edición de julio de Cartas de robótica y automatización del IEEEque coincidió con la exitosa defensa de su tesis durante el verano.

LESS Lab acepta el desafío

Von Stein fue asesorado por Sebastian Elbaum, el profesor de informática que dirige el LESS Lab (Ingeniería líder para hardware seguro) de UVA Engineering, del cual von Stein es miembro. Fue autora de su artículo sobre la prueba de concepto de PreFixer en colaboración con Hongning Wang, profesor asociado visitante, y Elbaum.

El laboratorio de sistemas de software de Elbaum se enorgullece de asesorar a investigadores y asumir desafíos que incluyen «componentes aprendidos e interacciones con el mundo físico».

Von Stein es un ex ingeniero de software en el Centro de Vuelos Espaciales Goddard de la NASA y en el Centro Espacial Kennedy de la NASA con una larga trayectoria en la investigación y resolución de problemas de sistemas autónomos tanto en vehículos como en drones.

«El trabajo de Meriel aborda desafíos fundamentales para el despliegue de sistemas autónomos robustos», dijo Elbaum.

Los sistemas de conducción autónomos, según afirma el documento, requieren una enorme cantidad de datos detectados para entrenar sus redes neuronales profundas combinadas. Sin embargo, las migraciones comunes de hardware de sensores son un problema para el flujo de datos preciso.

«Esto requiere el desarrollo de transformaciones a medida para adaptar los nuevos datos de los sensores a la antigua red entrenada, o el reentrenamiento de una nueva red con nuevos datos de los sensores».

Estas alternativas pueden ser costosas y poco prácticas, afirmó.

El documento afirma que PreFixer es «la primera técnica para mitigar el impacto de la migración del hardware del sensor en ADS [autonomous driving systems] con una alta tasa de éxito, bajo costo de implementación y una interrupción mínima en el proceso de implementación».

Una prueba práctica virtual

Von Stein y sus colegas probaron su método para migrar sensores de cámaras en un simulador de conducción de alta fidelidad, recreando 10 carreteras de 100 metros cada una que el codificador no había visto antes. Quería ver qué tan bien el automóvil podía mantener su trayectoria y qué tan lejos podía conducir de manera segura con los sensores recientemente aumentados, en comparación con otras soluciones disponibles.

Pero el codificador aumentado PreFixer, que forma parte de los sensores de la cámara simulada, añade un paso de preprocesamiento al DNN, explicó.

«Este codificador ha sido entrenado para optimizar la reconstrucción de la entrada del sensor, así como la predicción DNN para esa entrada del sensor».

Juntas, las dos partes de la herramienta funcionan como un intérprete para el decodificador que alimenta el controlador. Menos pensamientos se pierden en la traducción. En teoría, eso da como resultado líneas de viaje más rectas y precisas y menos paradas debido a la confusión de DNN.

¿Cómo funcionó PreFixer?

«Medimos la desviación de la línea central de la carretera y cuántos metros recorrió en promedio el automóvil con el nuevo sensor y el codificador en su lugar», dijo von Stein.

Los resultados del equipo mostraron que su método funcionó tan bien o mejor que otros métodos disponibles para compensar la pérdida de un sensor de cámara anterior, mientras que solo necesitaba el 10% de los datos de entrenamiento habituales para hacerlo.

El tiempo para entrenar el DNN, que en algunos casos puede llevar días o semanas de tiempo de cálculo, se redujo en un 50%.

Dijo que los próximos pasos hacia una posible adopción industrial de PreFixer podrían ser para sistemas que se encuentran en proceso de creación rápida de prototipos y que necesitan evitar el arduo proceso de recopilación de datos cada vez que el sistema sufre un cambio en el hardware de percepción.

Hablar de su investigación ha sido sólo un aspecto de lo que, según ella, ha sido una experiencia diversa y gratificante con la beca Copenhaver. Entre sus ventajas, la beca le ha permitido a von Stein planificar visitas a diferentes laboratorios de robótica y aplicar sus técnicas a diferentes sistemas, desde brazos manipuladores robóticos hasta dispositivos médicos.