Toyota Research Institute (TRI) y la Escuela de Ingeniería de la Universidad de Stanford han alcanzado un nuevo logro en la investigación automovilística: el drifting autónomo en tándem de dos Toyota Supras. Durante casi siete años, ambos equipos han colaborado en proyectos para mejorar la seguridad en la conducción. Estos experimentos se centran en automatizar la maniobra de «drifting», donde el conductor controla el vehículo mientras los neumáticos traseros pierden tracción, una habilidad útil para recuperar el control en condiciones adversas como nieve o hielo. Con la incorporación de un segundo vehículo derrapando en tándem, se ha logrado simular con mayor precisión situaciones dinámicas en las que los vehículos deben reaccionar rápidamente a otros automóviles, peatones o ciclistas.
“Nuestros investigadores se unieron con un objetivo en mente: cómo conseguir una conducción más segura”, declaró Avinash Balachandran, vicepresidente de la división de Conducción interactiva humana de TRI. «Ahora, gracias a las más modernas herramientas que ofrece la IA, podemos conseguir que dos vehículos hagan drifting en tándem de forma autónoma. Se trata de la maniobra más compleja en automovilismo, y alcanzar estas cotas de autonomía significa que podemos controlar la dinámica de los vehículos en situaciones extremas. Esto tiene implicaciones de gran alcance para el desarrollo de sistemas avanzados de seguridad en futuros automóviles”, explicó.
Las características físicas del drifting se asemejan a las que puede experimentar un vehículo sobre superficies resbaladizas como nieve o hielo. Chris Gerdes, profesor de Ingeniería Mecánica y codirector del Centro de Investigación en Automoción de Stanford (CARS), destacó: «Lo que hemos aprendido con este proyecto de drifting autónomo ya ha dado lugar a nuevas técnicas para controlar vehículos automatizados de forma segura sobre hielo».
En una secuencia autónoma de drifting en tándem, dos vehículos—uno principal y otro secundario—siguen una trazada a veces a centímetros el uno del otro, al borde del control. El equipo utilizó técnicas sofisticadas para desarrollar el sistema de inteligencia artificial del vehículo, incluido un modelo de los neumáticos de red neuronal que aprendía de la experiencia, como lo haría un piloto experto. “Las condiciones de la pista pueden cambiar drásticamente en apenas unos minutos cuando se pone el sol. La IA que hemos desarrollado para este proyecto aprende de cada trayecto realizado en el circuito para gestionar esa variación”, explicó Gerdes.
Los accidentes de tráfico provocan más de 40,000 muertes al año en EE. UU., y alrededor de 1.35 millones en todo el mundo. Muchos de esos accidentes se derivan de una pérdida de control del vehículo en situaciones dinámicas repentinas. Los sistemas autónomos resultan muy prometedores para ayudar a los conductores a reaccionar adecuadamente. “Cuando el coche empieza a patinar o deslizarse, tienes que recurrir a tus habilidades al volante para evitar chocar con otro coche, un árbol o un obstáculo. La mayoría de los conductores lo pasaría mal en una situación así, y unas décimas de segundo pueden significar la diferencia entre la vida y la muerte. Esta nueva tecnología puede entrar en juego justo a tiempo para proteger al conductor y evitar que pierda el control, como lo haría un experto en drifting”, añadió Balachandran. “Hacer lo que nunca antes se ha hecho nos demuestra de verdad lo que es posible. Si podemos hacer algo así, imagine lo que podemos hacer para que la conducción sea más segura”, agregó Gerdes.
Los experimentos se llevaron a cabo en el circuito de Thunderhill en Willows, California, utilizando dos GR Supra modificados. Los algoritmos del vehículo principal fueron desarrollados en TRI, mientras que los ingenieros de Stanford se encargaron de los del vehículo secundario. TRI se centró en desarrollar mecanismos de control robustos y estables para el vehículo principal, asegurando que pudiera seguir repetidamente la misma trazada con seguridad. La Escuela de Ingeniería de la Universidad de Stanford desarrolló modelos y algoritmos de automóviles mediante IA para que el vehículo secundario pudiera adaptarse dinámicamente al movimiento del vehículo principal y derrapar junto a él sin colisionar.
GReddy y Toyota Racing Development (TRD) modificaron los sistemas de suspensión, motor, transmisión y seguridad de cada vehículo. Aunque los dos vehículos presentaban sutiles diferencias, habían sido fabricados según las especificaciones utilizadas en las competiciones de Formula Drift para ayudar a los equipos a recoger datos con pilotos expertos en un entorno controlado. Ambos estaban equipados con ordenadores y sensores para controlar la dirección, el acelerador y los frenos, además de detectar su movimiento, como la posición, velocidad y la tasa de rotación.
Un elemento básico es que comparten una red WiFi específica que les permite comunicarse en tiempo real, intercambiando información sobre sus posiciones relativas y sus trayectorias previstas. Para lograr derrapar en tándem de forma autónoma, los vehículos deben prever continuamente sus instrucciones de dirección, aceleración y frenos, así como la trayectoria que tienen previsto seguir, utilizando una técnica denominada Control predictivo de modelo no lineal (NMPC, Nonlinear Model Predictive Control). En el NMPC, cada vehículo tiene al principio unos objetivos representados matemáticamente como reglas o limitaciones que deben acatar. El objetivo del vehículo principal es mantenerse derrapando a lo largo de una trayectoria deseada, respetando en todo momento las restricciones impuestas por las leyes de la física y los límites materiales, como el ángulo máximo de la dirección. En cuanto al vehículo secundario, su objetivo es derrapar junto al vehículo principal y hacer lo necesario para evitar una colisión.
Cada uno de los vehículos resuelve una y otra vez un problema de optimización, hasta 50 veces por segundo, para decidir qué instrucciones de la dirección, el acelerador y los frenos cumplen mejor sus objetivos, reaccionando en todo momento a las condiciones rápidamente cambiantes. Aprovechando la IA para entrenar constantemente la red neural a partir de datos de pruebas anteriores, los vehículos mejoran con cada salida a la pista.
