Pesquisadores do Uber publicaram nesta semana um artigo onde descrevem uma nova técnica de previsão de movimento no trânsito para carros autônomos. Ela usa um tipo de rede neural chamado rede generativa antagônica (GANs) para calcular a trajetória dos outros veículos na pista, com precisão “uma ordem de magnitude” maior do que os métodos atuais.

Batizada de Scene-Compliant GAN (SC-GAN), a rede usa mapas em alta resolução dos arredores, bem como dados de sensores como LIDAR, radar e câmeras a bordo dos veículos, para calcular trajetórias que levam em consideração os pontos de restrição de movimento nas cenas.

O resultado é um referencial para cada veículo na pista, com o eixo X apontado para sua direção e o Y para seu lado esquerdo. Os dados são armazenados em uma matriz, que é processada pelo sistema de controle do veículo. O algoritmo leva em consideração um espaço de 10 metros atrás de cada carro, e 30 metros para cada lado.

Para validar seu algoritmo, os criadores do SC-GAN usaram um banco de dados representando 240 horas de direção e quase 7,8 milhões de pontos de dados. Segundo eles, a SC-GAN reduziu os falsos positivos “fora da estrada”, ou seja, trajetórias que incluem pontos que os veículos não podem alcançar, em 50%.

Além disso, superou sistemas atuais na predição de movimentos, reduzindo a quantidade final e média de erros significativamente. “Extensas análises qualitativas e quantitativas nos mostram que o método supera o atual estado da arte em algoritmos de predição de movimento baseados em GANs, produzindo trajetórias mais realistas e precisas”.

O Uber trabalha no desenvolvimento de carros autônomos há bastante tempo, e chegou a realizar testes colocando os veículos em operação em algumas cidades nos EUA. Entretanto, encerrou os testes depois que um de seus carros atropelou e matou uma pedestre em Tempe, no Arizona, em março de 2018.

Fonte: Venture Beat