Gli attuali sistemi di guida autonoma (Synthetic autonomous driving, o semplicemente SAD) elaborano le informazioni raccolte dallo stesso insieme di dispositivi (sensori a ultrasuoni, radar, scanner, telecamere, GPS) che supportano gli ADAS (Advanced Driver Assistance Systems).

Le informazioni ambientali rilevanti sono processate da un software che interviene sulla traiettoria longitudinale e trasversale del veicolo. Il grado di autonomia del sistema SAD dipende quindi dalle caratteristiche del software. Il crescente ricorso ad algoritmi di intelligenza artificiale è stato determinato dalla esigenza di aumentare il grado di autonomia del sistema.

Da un punto di vista matematico si tratta di un problema complesso, in primo luogo perché implica una rappresentazione formalizzata del comportamento del guidatore umano, che è in grado di condurre il veicolo nelle condizioni le più disparate, come un difficile percorso sterrato, anche senza averlo mai visto in precedenza.

Recentemente, viste le ottime prestazioni ottenute nel campo del image processing, alcuni ricercatori hanno pensato di utilizzare una particolare classe di reti neurali (GAN, cioè Generative Adversarial Networks) per l’addestramento dell’algoritmo di IA del sistema SAD.

I risultati sono stati abbastanza deludenti. Infatti il software di guida è generalmente lento nel caso di manovre di emergenza, quali quello che implicano rapidi cambi di traiettoria. Inoltre, gli algoritmi di IA non sono caratterizzati dalla capacità di generalizzare, a differenza di un guidatore umano.

Può sembrare un ostacolo non insormontabile, ma è esiziale nel definire le future possibilità di applicazione dell’IA. La guida autonoma, in altri termini, è il vero banco di prova dell’intelligenza artificiale.

«Il problema è decisamente complesso sotto vari aspetti e non è chiaro a priori se possa essere risolto nell’attuale stadio di avanzamento della IA», afferma Giovanni Faonte, Research Scientist a Helm.ai, start-up di Palo Alto, intervistato da b/View. «Uno degli aspetti centrali della guida autonoma sono i sistemi di percezione, ovvero i sistemi di rilevamento delle corsie di guida e degli ostacoli. Da un punto di vista teorico, le caratteristiche apprese da una GAN potrebbero non essere strettamente utili per questo specifico scopo. Inoltre, l’utilizzo di una GAN non sembra ridurre il problema della generalità del dato utilizzato per l’addestramento della rete neurale, essendo la GAN, in ogni caso, dipendente dallo stesso».

La sensazione è che, in questo come in altri campi dell’IA, si proceda per prove ed errori. Le GAN, secondo Giovanni Faonte, «sono comunque un modello interessante, ad esempio per la loro interpretazione in termini di teoria dei giochi, ma credo che esistano approcci molto più efficaci per l’apprendimento semi-supervisionato ai fini della percezione rilevante per i sistemi di guida autonoma».