En un reciente avance en la carrera por mejorar los sistemas de conducción autónoma, un equipo de la Universidad de Kansas ha desarrollado un modelo innovador llamado TinyLidarNet. Este modelo, que emplea tecnología 2D LiDAR, ha demostrado un rendimiento competitivo en la competición F1TENTH Autonomous Grand Prix al obtener el tercer lugar de 13 participantes. La característica más destacada de TinyLidarNet es su capacidad de ofrecer un control eficaz en tiempo real utilizando arquitectura basada en redes neuronales convolucionales (CNN) de 1D, lo que supera los modelos tradicionales basados en Perceptrón Multicapa (MLP).
El modelo consigue hacer esto al capturar características espaciales de los datos de escaneo LiDAR, lo cual mejora su capacidad de generalización en pistas no entrenadas y bajo diversas condiciones. Los resultados de la competición subrayan su capacidad para completar vueltas sin colisiones y con tiempos competitivos, incluso con obstáculos y cambios en el trazado de la pista durante la carrera. Esto sugiere una ventaja clara frente a enfoques más convencionales que dependen de datos de entrenamiento específicos de la pista.
En un análisis más exhaustivo, TinyLidarNet fue probado en simuladores con diferentes configuraciones de pista y demostró un desempeño sobresaliente completando todas las vueltas sin problema, a diferencia de modelos MLP que tuvieron dificultades para terminar las pruebas. Este resultado resalta la robustez del modelo de KU en situaciones no vistas previamente, corroborando su capacidad de adaptación sin necesidad de recolección de nuevos datos.
Otro aspecto innovador de este sistema es su eficiencia computacional. TinyLidarNet es procesable en tiempo real no solo en plataformas como el NVIDIA Jetson Xavier NX, sino también en microcontroladores de gama baja como el ESP32-S3, lo que abre posibilidades para su aplicación en pequeños vehículos autónomos y otros sistemas robóticos. Con la ayuda de técnicas de cuantización, el modelo logra reducir su latencia de inferencia, ofreciendo una capacidad de procesamiento en tiempo real adecuada para entornos de conducción veloces.
Estos resultados sugieren que TinyLidarNet no solo es un avance en el ámbito de la conducción autónoma a nivel de competición, sino que también marca un hito al demostrar que enfoques que combinan LiDAR con técnicas de aprendizaje profundo end-to-end pueden ser más eficientes y adaptables que los métodos tradicionales, ampliando sus aplicaciones potenciales en el futuro.