Skip links
Published on: Blog

Innovación profunda en vehículos autónomos desde Chile hacia el mundo

[Imagen 1]Vehículo autónomo TRACER X seguido por camioneta Innervycs en el Sur de Chile

La curiosidad ha llevado a la actividad humana inevitablemente a la exploración de nuestro mundo, adentrándonos en las soledades del desierto, en la frialdad de los cascos polares, e incluso en la vasta exploración interplanetaria.


Si quisiéramos explorar dichos lugares hostiles y remotos en un vehículo, existen altas probabilidades de que quedemos atascados en terrenos que no son seguros, o peor aún, que caigamos entre grietas que no seremos capaces de percibir.


Estos son sin duda escenarios muy complejos de abordar, ya que, al quedar inhabilitados para proseguir nuestro curso, muy probablemente quedemos lejos de una cadena logística que nos pueda ayudar, quedando abandonados a nuestra merced.

Desafíos complejos requieren de soluciones innovadora y audaces, sin embargo, lograr idear ese tipo de soluciones se vuelve en sí ya en problema propiamente tal, el cual no es factible de abordar sin una metodología detrás que haga surgir la máxima creatividad para poder enfocarla en resolver dicho problema, logrando así la tan ansiada innovación. A continuación, te contaré una de las problemáticas más complejas a la cual nos vimos enfrentados como empresa, y que nos sirvió para consolidar nuestra metodología de Innovación, la cual aplicamos con nuestros clientes. Sin duda la solución que encontramos posee el potencial de convertirse en una innovación tecnológica que permitirá apoyar misiones de exploración en los terrenos más inhóspitos de nuestro planeta, y por qué no, más allá de él también.

Corría fines del año 2013 e Innervycs asistió a una interesante reunión con un representante del Departamento de Defensa de los E.E.U.U., con quien se discutía la problemática logística que deben sortear los convoys que se dirigen a Polo Sur [Imagen 3] los cuales se apoyan en un equipo que lidera el convoy y que conduce un vehículo junto a un radar con el que se deben dar el tiempo de explorar y determinar cuál es la ruta a seguir, asegurándose de que no están pasando encima de un puente de nieve, ya que si este es el caso, éste puede ceder en cualquier momento y hacer que el convoy completo pueda caer en las grietas bajo de dicho puente [Imagen 2].

[Imagen 2] Accidente por grieta durante el Trans-Antarctic Expedition (TAE) 1957–58

[Imagen 3] Convoy en dirección McMurdo

Por ello, sería necesario contar con un vehículo que funcione en forma autónoma, de modo de no exponer la vida de nadie, y qué además sea capaz de detectar dichas grietas. Ante tal problemática, Innervycs decidió abordarla desde una metodología de innovación que se estaba desarrollando a la par en la empresa, la cual apuntaba a observar el problema no para buscar inmediatamente la solución sino para desarrollar un proceso de divergencia y encontrar la pregunta correcta que permitiese orientar los esfuerzos de desarrollo de la solución. Durante este proceso de divergencia, surgió una pregunta muy particular: si imaginamos que uno entra a una habitación oscura, ¿de qué forma uno se orienta?

Sencillamente palpando lo que hay alrededor, entonces


¿Qué pasaría si un vehículo fuese capaz de “tantear” o percibir el terreno sobre el que se mueve? ¿Qué cosas definen la capacidad de movilidad autónoma de un vehículo en un lugar inhóspito?


Dada estas preguntas, la problemática planteada se volvía más desafiante y compleja aún porque todo el conocimiento que existe en el área de movilidad autónoma se basa en lo que están generando empresas como Tesla, Google o Waymo, cuyos desarrollos de vehículos son en las ciudades, en entornos ricos en información, sin embargo, no existe un conocimiento en la misma escala para vehículos fuera del entorno urbano, off-road y no estructurado.

Al tener nuestra pregunta clave, avanzamos en la próxima fase de nuestra metodología de innovación, buscando descubrir aspectos basales de la problemática que permitieran definirla en su completitud junto con definir indicadores, y así generar un proceso de convergencia. Este proceso inicial de descubrimiento y definición es fundamental para todo tipo de innovación, y para este caso se dio luego de un extenso trabajo con equipos vinculados directamente a la problemática, con viajes a Antártica y con investigaciones del estado del arte, y con personas que constantemente estaban sometidas a cubrir rutas logísticas con vehículos en zonas remotas, así es como surge el proyecto TRACER. [Imagen 4].

[Imagen 4] Proceso de pruebas y aprendizaje de Tracer (2016)
La movilidad es fundamental para cualquier sistema terrestre tripulado o no tripulado, especialmente en entornos no estructurados, complejos y peligrosos.

Los sensores ricos en datos no brindan ninguna ventaja cuando hay muy poca visibilidad o condiciones que limitan la conectividad externa y, por lo tanto, se deben desarrollar nuevas técnicas para extraer información del entorno inmediato para ayudar en las tareas de navegación.

En este sentido, la terra-mecánica, o, en otras palabras, el cómo el vehículo se relaciona con el terreno, representa un gran candidato para aplicar “Machine Learning”. Esto nos da el paso a la siguiente etapa de la metodología, en donde debemos volver a divergir, pero esta vez no desde la problemática, sino desde la solución de modo de ampliar potenciales soluciones. Para ello, se entra en un proceso iterativo de diseñar, crear prototipos, y testear, de modo de avanzar hacia la innovación y finalmente hacia generar un impacto en el tiempo que retribuya todo el esfuerzo previo.

Un punto importante a notar es que usualmente el proceso de generar prototipos se asocia a la frase falla rápido y barato, en donde el foco está en que, si uno se va a equivocar, que sea lo más temprano posible, sin embargo ese concepto es errado ya que el foco de nuestra metodología está en que la generación de prototipos parte enfocado en generar un conocimiento que no se tiene frente a desafíos tecnológicos, y por lo tanto lo que se busca es aprender.

En el caso de la aplicación del Machine Learning, se vieron dos aspectos principales que debían ser prototipados para aprender. En primer lugar, recopilar en tiempo real grandes cantidades de datos del terreno para alimentar y entrenar modelos que permiten determinar características para clasificar el terreno y sus propiedades. Esta clasificación se basa en la identificación de aspectos clave que afectan la movilidad, como la vibración, el desplazamiento de las ruedas, entre otros. Esto permite generar una primera evaluación de “transitabilidad” para modificar la estrategia de conducción de forma continua. El clasificador para esta tarea se puso a prueba sobre un vehículo prototipo inicial con las siglas “TRACER”, para el cual se eligió un tipo de clasificador basado en Support Vector Machine (SVM). De esta forma el clasificador rápidamente determina grandes clases (por ejemplo: arena, concreto, barro o nieve) para después entrar en una sub-clasificación (por ejemplo: granularidad, compactación, deformación, fricción, etc) gatillando conductas de conducción agresivas, cautelosas o derechamente alterar la ruta para buscar alguno que proporcione mejor soporte.

El prototipo inicial TRACER nos dio esa posibilidad para explorar algoritmos, estrategias y relaciones. Establecidas las principales características, se implementa el conocimiento transversal del prototipo sobre una nueva versión, esta vez totalmente eléctrica y con la capacidad de procesar a bordo varios algoritmos de “Machine Learning” de forma simultánea. Acá es donde surge el interés de OTAN, en donde se invita a Innervycs a formar parte del Grupo de Investigación de Vehículos Autónomos, lo cual es un hito tanto para Innervycs como para el país, ya que esta instancia permite que podamos participar de este grupo como un país no integrante de OTAN.

[Imagen 5] Tracer X, Proceso de prueba de TRACER X en Lonquimay (2019)
Esta oportunidad nos permitió introducir otra arista en el proceso de investigación y desarrollo ligado al concepto de “Deep Learning”, surgiendo un nuevo vehículo llamado TRACER X  [Imagen 5], el cual permite generar una clasificación del terreno, y a su vez utilizar redes neuronales recurrentes para predecir los estados futuros del vehículo en función a su movilidad. La nueva versión nos permite llevar las condiciones de funcionamiento a mayores extremos, que en este caso fue hacia lugares remotos en el sur de Chile con nieve, hielo y condiciones generalmente adversas para cualquier tipo de vehículo.

En las diversas pruebas se recopilaron datos específicos sobre las características de terreno y funcionamiento que a su vez permiten enriquecer el entrenamiento de los algoritmos para mejorar la clasificación, predicción y navegación [Imagen 6].

[Imagen 6] Pruebas de maniobrabilidad y V&V (Verificación y Validación) realizadas en Laguna Verde, Valparaíso.
Ahora, es difícil logísticamente llevar el vehículo a todas partes para generar pruebas en nuevos terrenos únicamente para permitir que los algoritmos capturen datos. Es por esto que actualmente Innervycs trabaja en la simulación y modelamiento de TRACER X y distintos tipos de entornos.


Esta simulación está orientada a generar muchísimos más datos de condiciones ambiente de las que podríamos ir a buscar con el vehículo real, y por ende acelerar sustantivamente el desarrollo de la inteligencia la navegación offroad [Imagen 7].


Todas estas etapas cumplen con validar componentes definidos inicialmente como de mayor incertidumbre para lograr los resultados esperados. Estas iteraciones han permitido avanzar a un sistema que actualmente está siendo utilizado de referencia por grupos de la OTAN especializados en vehículos autónomos todo terreno y funda cimientos importantes en estas áreas.

Las dificultades para avanzar en este tipo de proyectos de alta complejidad son muchas y requieren de un forzado proceso de aprendizaje en donde la atención en las brechas tecnológicas es fundamental para lograr sacar adelante prototipos que realmente cumplan con validar aspectos críticos de funcionamiento.

[Imagen 7] Proceso de modelamiento y simulación de TRACER X y de su entorno.
Aún quedan muchas cosas por resolver, pero esperamos poder tener una versión cercana a la definitiva y portable a otro tipo de vehículos dentro de los próximos años. Sin duda ha sido todo un desafío llegar donde estamos, sobre todo porque toda la tecnología, tanto el hardware como el software, la mecánica y la inteligencia fueron desarrolladas en forma local en Valparaíso, lo cual nos permite perfectamente concluir que, si en Chile somos capaces de desarrollar este tipo de proyectos, ¿qué otros desafíos, que consideramos muy complejos o distantes, no se han abordado por pensar que en Chile no se genera innovación o no hay capacidad? Este pensamiento sin duda ha ralentizado el desarrollo de la industria y el conocimiento, frenando la diversificación de la matriz productiva del país.

Por eso, desde Innervycs, aprovechamos de hacer la invitación a todos quienes creen que pueden hacer innovación profunda, que se atrevan con nosotros a aplicar nuestra Metodología de Innovación y así lograr innovación de impacto para las empresas.  Porque en Chile ¡sí se puede!

Mii
Mii | Metodología de innovación Innervycs

 

Ian Hughes – CEO y Socio Fundador de Innervycs

Juan Contreras – Socio Director de Innervycs