Los sistemas ADAS necesitan cámaras y sensores, la mayoría de los cuales instalados en el parabrisas, para recoger lo que sucede alrededor del coche y recojan esa información para que los procesadores del vehículo puedan realizar un reconocimiento fiable del entorno y actuar en consecuencia. Cuando se sustituye un parabrisas, hay que desmontar las cámaras del cristal roto y montarlas en el nuevo. Una vez instalados, estos sensores han de ser recalibrados para asegurar que apuntan al lugar exacto al que deben, funcionan con la máxima precisión y proporcionan la información correcta.

Pero, ¿cómo ve realmente un coche el mundo que le rodea? ¿Cuál es el proceso que le permite identificar, por ejemplo, a un peatón cruzando la calzada? Según explica Xavier Martínez, Head of Technical Training & Business Efficiencies en Carglass España, “la cámara frontal que va instalada en el parabrisas tiene un papel clave y permite que el coche detecte objetos y personas de forma fiable en todo momento, a través de procesamientos clásicos de imágenes, combinados con métodos de inteligencia artificial. Para que sea útil y pueda ayudar al conductor, tiene que ser más rápida que el conductor en la detección y alerta de obstáculos”.

Para que un coche haga un reconocimiento eficaz y rápido de las situaciones de riesgo de su entorno, este proceso se realiza a través de tres rutas:

• Conseguir la mayor velocidad de reconocimiento porque, cada décima de segundo que pasa, el coche avanza una distancia, lo que se consigue con la menor generación de datos y de cálculos posible. Una cámara RGB de 1MP que funcione a 15 FPS genera aproximadamente 59 megabytes por segundo para procesar.
• La cámara reconoce, a través de algoritmos preprogramados, la apariencia de categorías de objetos típicos como coches, motos, peatones, ciclistas o marcas viales. Para cada objeto a detectar se elaboran a mano algoritmos tradicionales de visión artificial, que analizan las direcciones de los bordes dentro de una imagen para tratar de describir objetos. Además, la cámara emplea la Estructura del movimiento SfM (Structure from Motion), para reconocer objetos con un seguimiento del movimiento de los píxeles asociados.
• Inteligencia artificial, con técnicas de aprendizaje profundo (deep learning) mediante la utilización de redes neuronales convolucionales (CNN, por sus siglas en inglés), que consiguen realizar una segmentación semántica de los elementos de una imagen.

La CNN es un tipo de red neuronal artificial con aprendizaje supervisado, que imita la visión del ojo humano para identificar los objetos a través de sus características. Esta red neuronal va aplicando capas jerarquizadas a una imagen. Las primeras capas detectan los elementos más sencillos, como líneas y curvas, que gradualmente se van especializando hasta reconocer más formas complejas. La red ha sido entrenada con decenas de miles de imágenes (en el caso de los sistemas ADAS, de todo tipo de situaciones de tráfico) para reconocer las características únicas de cada objeto y poder generalizarlo. Gracias a ello puede reconocer como un peatón a una persona, independientemente de su postura (de pie, sentado, de frente de lado,...), posición (de pie, saltando, caminando,...), vestimenta, etc.

“La gran ventaja de la inteligencia artificial es que no está programada, está entrenada”, indica Xavier Martínez. La detección de objetos no se hace a través de la codificación manual de un algoritmo, sino que las redes neuronales profundas permiten que las características de un objeto se aprendan automáticamente a partir de ejemplos de entrenamiento. Esto permite al coche detectar, por ejemplo, vehículos estacionados en ángulos “extraños” o peatones con partes de su cuerpo ocultas entre coches. También puede diferenciar la superficie de la calzada, cuando las líneas no son visibles, “leyendo” otras características indicativas como el cambio de color y superficie del asfalto a la grava, que haya señales verticales o vehículos estacionados.