Sus autores afirman que ‘Creating autonomous vehicle systems‘ es la primera visión técnica completa del mundo de la conducción autónoma y puede que estén en lo cierto puesto que, cuando buscaba una referencia biblográfica para introducirme en el tema, éste era casi el único libro que aparecía. Lo cierto es que ‘Creating autonomous vehicle systems‘ es un libro muy completo que nos presenta la conducción autónoma desde todas las perspectivas técnicas posibles y que nos permite alcanzar una muy buena idea del estado del arte tecnológico en este campo.
El libro no es del todo sencillo pero de todas formas, el contenido está descrito en un nivel intermedio, al alcance, si no de todo tipo de audiencias, sí al menos de lectores técnicos de nivel medio.
La obra se estructura en nueve capítulos como sigue:
- ‘Introduction to autonomous driving:‘ proporciona una visión de alto nivel de las tecnologías incluidas en el estado del arte actual de los vehículos autónomos e introduce una arquitectura sencilla que es importante, aparte de como esquema conceptual, porque guía la estructuración de lo que resta del libro. En esa arquitectura se habla de tres bloques: los algoritmos, los sistemas cliente (que vienen a ser el entorno de ejecución hardware y software) y la plataforma en la nube usada para tareas offline. Dentro de los algoritmos distingue entre aquellos dedicados a la sensorización y localización, los de percepción y los de decisión. Y luego hace un recorrido breve por cada una de las tecnlogías
- ‘Autonomous Vehicle Localization:‘ Comienza con los algoritmos en su faceta de localización que, lógica aparte, incluye también información sobre los sensores y sistemas de localización. Se habla de los sistemas de satélite GNSS (‘Global Navigation Satellite Systems’) que incluyen al GPS, los sistemas de enriquecimiento o aumento de los sistemas de satelite (SBAS ‘Sattelite-Based Augmentation Systems’), el RTK (‘Real Time Kinematics and differential GPS’), PPP (‘Precise Point Positioning’), sistemas de navegación inerciales (INS, ‘Inertial Navigation System’) y su integración con la localización por satélite, LiDAR y Mapas de Alta definición (HD-Maps) y cómo colaboran LiDAR y HD-Maps, la odometría visual, la odometría en las ruedas y unas consideraciones finales sobre la fusión de las diferentes técnicas y ejemplos reales de uso de estas tecnologías en vehículos concretos.
- ‘Perception in Autonomous Driving:‘ Ataca ahora el segundo grupo de algoritmos, la percepción, que tiene como objetivo que el vehículo entienda el entorno a partir de la información en bruto proporcionada por los sensores. Se comentan diferentes aspectos como la detección, es decir, la identificación de objetos como otros vehículos, peatones u obstáculos, de la segmentación que es un enriquecimiento semántico de la detección, la profundidad, los flujos ópticos y de escena y la monitorización o ‘tracking’.
- ‘Deep Learning in Autonomous Driving Perception:‘ expone el caso particular del uso de deep learning para la percepción. Primero explica en qué consisten las redes neuronales de convolución para luego ver las arquitecturas y usos en detección, en segmentación semántica y en flujo óptico.
- ‘Prediction and routing:‘ Pasamos, dentro de los algoritmos de decisión y control a hablar de la predicción y el enrutamiento, La predicción se encarga de predecir el comportamiento futuro de los objetos que rodean al vehículo mientras que el enrutamiento indica al vehículo cómo alcanzar su destino siguiendo una secuencia de calles en un mapa de alta definición. Se habla primero de los grandes rasgos de arquitectura y luego se habla de la predicción de tráfico o de la generación de la trayectoria del vehículo y se comentan algunos de los algoritmos más utilizados.
- ‘Decision, Planning and Control:‘ sigue con los algoritmos de decisión y control abordando ahora la decisión de comportamiento, la planificación del movimiento y el control de realimentación. En el ámbito de la decisión se comenta el modelo de Markov y el enfoque de ‘divide y vencerás’ basado en escenarios. Igualmente se ven los algoritmos más importantes en planificación del movimiento y en control.
- ‘Reinforcement Learning-based Planning and Control:‘ Se centra en el uso específico del aprendizaje por refuerzo en el ámbito de la planificación y el control. Tras explicar en qué consiste el aprendizaje por refuerzo, dando detalles de casos como el Q-Learning, se analiza su uso en el caso de la planificación y el control en conducción autónoma.
- ‘Client Systems for Autonomous Driving:‘ Comienza describiendo el sistema operativo para la conducción autónoma y, en concreto, el Robotic Operating System (ROS) para saltar luego a las plataformas de computación existentes incluyendo soluciones basadas en GPU, en DSP, en FPGA o en ASICs.
- ‘Cloud Platform for Autonomous Driving:‘ finaliza con la plataforma en la nube y habla de temas como el almacenamiento distribuido, la simulación, el entrenamiento de los modelos o la generación de mapas de alta fidelidad.
‘Creating autonomous vehicle systems‘ es, en fin, un muy buen libro. que expone de una forma rigurosa y realista el estado del arte de los vehículos autónomos.
Shaoshan Liu
(Fuente: Traducción y ligera elaboración propia de su perfil en LinkedIn)
Saoshan Liu es Presidente y co-fundador de PerceptIn, trayendo consigo más de diez años de experiencia en conducción autónoma y sistemas distribuidos. PerceptIn es una compañía de inteligencia visual enfocada a hacer soluciones integradas de hardware y software para sistemas robóticos autónomos.
Antes de fundar PerceptIn en 2016, era el líder en Baidu USA de los equipos de conducción autónoma y de infraestructura deep learning. Antes de unirse a Baidu, Liu estuvo trabajando en Big Data en LinkedIn y fue también miembro fundador PMC del mundialmente reconocido proyecto open source Alluxio. Y con anterioridad a unirse a LinkedIn perteneció a los equipos de kernel Windows, el de sistemas empotrados en Microsoft, el equipo de investigación sobre GPU en INRIA y los sistemas de ejecución en Intel Research.
El doctor Liu tiene un doctorado y un grado en ingeniería de la computación por la Universidad de California. Fue el autor principal delo libro ‘Creating Autonomous Vehicle Systems’, la primera visión global técnica de la conducción autónoma. Tiene más de 40 publicaciones y más de 100 patentes en computación distribuida así como sistemas de conducción autónoma.
Es Co-fundador de IEEE Special Technical Community on Autonomous Driving Technologies, miembro senior del IEEE, Distinguished Visitor de la IEEE Computer Society y Distinguished Speaker de la ACM.
Puedes saber más del autor visitando su perfil en LinkedIn.
Jean-Luc Gaudiot
(Fuente: Traducción y ligera elaboración propia de su biografía en la IEEE Computer Society)
Jean-Luc Gaudiot, es profesor de ingeniería eléctrica y ciencias de la computación en la Universidad de California en Irvine, y ha prestado servicio durante muchos años en varias oficinas de la IEEE Computer Society. Actualmente es Vicepresidente para publicaciones y está en el Comité de Gobierno. En 2013 fue Vicepresidente para actividades educativas. Fue el primer editor jefe de IEEE Computer Architecture Letters e IEEE Transactions on Computers, presidente del IEEE Computer Society Technical Committee on Computer Architecture durante dos mandatos y presidente general de muchas conferencias relevantes. Gaudiot es miembro de la Computer Society Golden Core y fellow de IEEE y de AAAS.
Antes de unirse a la Universidad de California en Irvine en 2002, fue presidente de departamento durante seis años y profesor de Ingeniería Eléctrica en la University of Southern California. Su experiencia industrial incluye ingeniería de software en Teledyne Controls y el diseño de arquitecturas de procesamiento innovadoras en TRW. Tiene más de 250 publicaciones en el campo de la arquitectura de computadores y es doctor en ciencias de la computación por la University of California, Los Angeles.
Puedes saber más del autor visitando su perfil en LinkedIn.
Ficha técnica:
TITULO: Creating Autonomous Vehicle Systems
AUTOR: Saoshan Liu, Liyun Li, Jie Tang, Shuang Wu y Jean-Luc Gaudiot.
EDITORIAL: Morgan & Claypool Publishers
AÑO: 2018
ISBN: N/A
PAGINAS: 191
Artículos de este blog relacionados
- Un motivo para la admiración: los datos que maneja el vehículo autónomo
- Tres razones para apostar por el aprendizaje por refuerzo en el vehículo autónomo
- La percepción en vehículos autónomos
- Tecnologías para la localización de vehículos autónomos
- Un marco de tecnologías para el vehículo autónomo