Enseñando a los trenes a ver

Enseñando a los trenes a ver

• Thales es pionero en la visión por ordenador de los trenes
• Allana el camino para las operaciones ferroviarias autónomas
• La inteligencia artificial (IA) y las redes neuronales profundas tienen la clave

Aquí hay algo con lo que probablemente estés familiarizado. Acabas de iniciar sesión en un sitio web, tal vez para hacer algunas compras, y de repente, se ve confrontado por un mosaico aparentemente aleatorio de fotografías. "Seleccione todas las imágenes con letreros de calles", "luego haga clic para verificar".

Esto se conoce como una prueba de "desafío-respuesta". Identificar objetos específicos en una fotografía es lo que los científicos de datos llaman un problema de Inteligencia Artificial "difícil": los humanos son buenos en esto, los ordenadores lo son menos (al menos por ahora). Las pruebas de este tipo se utilizan para proteger sitios web contra ataques cibernéticos maliciosos.

¿Qué tiene que ver todo esto con los ferrocarriles? La respuesta es que la próxima generación de trenes será autónoma, y ​​los trenes"robots" dependerán de la visión del ordenador para identificar objetos en la pista o cerca de ella, sin la ayuda de humanos. No solo eso, tendrán que vencer a los humanos en ello, hacerlo en la oscuridad, la niebla y la nieve a velocidades de hasta 300 km /h.

Entonces, ¿cómo le enseñas a un tren a "ver"? Y más en concreto, ¿cómo se puede mejorar la visión del ordenador para que coincida con el estándar de la vista humana, y tal vez incluso superarla?

El trabajo pionero de investigación y desarrollo de Thales proporciona respuestas a estas preguntas. El trabajo se está llevando a cabo en el laboratorio de innovación dedicado a tal efecto de Thales.

El secreto reside en las "redes neuronales profundas", algoritmos de software que imitan la forma en que funciona el cerebro humano. Los algoritmos están "entrenados" para reconocer objetos al mostrarse ejemplos en el laboratorio.

"Primero, diseñamos algoritmos para reconocer las pistas; es muy importante saber si el objeto detectado está en la pista o al lado", explica Thierry Lamarque, Jefe del Laboratorio de Investigación e Innovación de Thales. "Luego programamos los algoritmos para reconocer objetos como un árbol, una persona o un animal. El desafío es que todo esto tiene que hacerse en tiempo real, y a una distancia lo suficientemente grande como para detener el tren si se detecta un obstáculo ".

¿Cómo funciona esto en la práctica? Imaginemos que un caballo ha escapado de un campo y está vagando en la pista.

En el tren, un algoritmo reconoce "caballo" al mirar el vídeo alimentado desde una cámara en la parte delantera del tren. El vídeo es bueno para identificar objetos, pero es relativamente lento: a 25 fotogramas por segundo, un tren rápido habrá recorrido unos tres metros entre una toma de imágenes y la siguiente. El vídeo también es un mal juez de la distancia. Además, las cámaras convencionales no pueden ver en la oscuridad.

"La detección visual por sí sola no es suficiente", dice Lamarque. "La solución es fusionar los datos de video con datos de otros sensores. Los radares, por ejemplo, nos permiten medir la velocidad del objeto ".

Un lidar agrega más detalles. "Lidar es muy rápido y proporciona una vista 3D. Esto le brinda información sobre profundidad y distancia. No se puede obtener de una cámara por sí mismo ", dice Lamarque.

Entonces al combinar, o "fusionar", datos de diferentes sensores, es posible determinar las características clave del posible obstáculo: el video nos dice que es un caballo, el radar determina cómo de rápido se mueve el caballo y, finalmente, el lidar dice cuán lejos está el caballo del tren. Todo esto sucede en un abrir y cerrar de ojos.

¿Pero y si es de noche? Eso no es un problema para sensores como el lidar y el radar, que pueden "ver" en la oscuridad. El video, sin embargo, necesita luz.

"Resolvemos esto fusionando cámaras visibles e infrarrojas", explica Lamarque. "Hay varias longitudes de onda que puede usar en el dominio de infrarrojos que le permiten obtener imágenes en la oscuridad o a través de la niebla. Aprovechamos diferentes sensores para cubrir todas las situaciones que podríamos enfrentar ".

Uno de los desafíos a los que  se enfrentan los investigadores es, sorprendentemente, no tanto la detección de objetos en el mundo real, sino la comprensión de cómo un algoritmo programado decide qué es un objeto. Al igual que la tarea de matemáticas en la escuela, debes mostrar tu trabajo.

"Esta es la razón por la cual la" Inteligencia Artificial explicable "se está volviendo tan importante", dice Lamarque. "Cuando el algoritmo dice 'hay un caballo', necesitas saber cómo ha llegado a esa conclusión".
El potencial de las operaciones autónomas para transformar los ferrocarriles es enorme. La autonomía no solo aumentará la capacidad de las redes, sino que también tiene el potencial de mejorar la seguridad porque la visión por ordenador puede detectar obstáculos que no pueden ser vistos por los operadores humanos, particularmente cuando está oscuro o cuando la visibilidad es restringida.

"Si me hubieras preguntado hace tres o cuatro años si habría trenes autónomos, hubiera respondido: no estoy seguro", dice Lamarque. "Pero los sensores y los algoritmos asociados están evolucionando tan rápido que creo que ahora podemos decir que sí, que se convertirán en realidad en los próximos años".