Evaluación y modelado predictivo para vehículos autónomos inteligentes

El despliegue de sistemas autónomos e inteligentes dentro de la moderna cadena de suministro digital automotriz requiere métodos de validación sólidos que desmitifiquen la naturaleza de "caja negra" de la IA. Basándose en siete años de investigación y en la reciente tesis doctoral CIFRE de Céline Serbouh en asociación con el Conservatoire National des Arts et Métiers (CNAM) y su laboratorio CEDRIC, UTAC ha lanzado un servicio unificado para pruebas de evaluación y modelado predictivo de vehículos equipados con inteligencia artificial.

Descifrando el comportamiento de la IA mediante modelado predictivo
Desde 2019, UTAC ha anticipado la llegada de sistemas de movilidad altamente automatizados desarrollando metodologías para comprender cómo reaccionan estos vehículos en entornos complejos. El nuevo servicio utiliza modelos predictivos para hacer que los sistemas de IA sean más explicables. Al identificar los factores específicos que influyen en los algoritmos de toma de decisiones del vehículo, los ingenieros pueden obtener una comprensión más profunda de las respuestas dinámicas en una multitud de situaciones de conducción. Esta capacidad es esencial para garantizar la seguridad y fiabilidad de los robotaxis, los transbordadores autónomos, los robots de entrega, los drones y los robots industriales móviles.

Esta oferta integral apoya a los fabricantes durante todo el ciclo de desarrollo, desde la fase inicial de definición del proyecto hasta el análisis y la validación de seguridad final.

Optimización de las campañas de pruebas con IA generativa
Un resultado fundamental de esta investigación es la optimización de las campañas de validación a través de la identificación específica de los escenarios de conducción más relevantes y críticos. El servicio de UTAC emplea técnicas de IA generativa, utilizando datos recopilados de pruebas en el mundo real para crear escenarios virtuales altamente representativos.

Este enfoque híbrido permite a los fabricantes explorar un espectro más amplio de casos de uso límite al tiempo que reduce significativamente los plazos de evaluación y los costos de las pruebas físicas. Al modelar estos entornos, los equipos de desarrollo pueden reproducir y anticipar de manera efectiva los comportamientos específicos de los sistemas inteligentes para evaluar con precisión tanto sus capacidades de rendimiento como sus limitaciones operativas.

Contexto adicional: Esta sección detalla las especificaciones técnicas y el benchmarking competitivo no incluidos en el anuncio original del producto
En el mercado de rápida evolución de la homologación y validación para la conducción autónoma (AD) y los sistemas avanzados de asistencia al conductor (ADAS), los proveedores de pruebas están pasando cada vez más de las pruebas en pista puramente físicas a la validación híbrida físico-virtual. Competidores como TÜV SÜD, Applus+ IDIADA y AVL han invertido fuertemente en marcos de prueba basados en escenarios para abordar los requisitos regulatorios de los sistemas autónomos de Nivel 3 y Nivel 4.

Por ejemplo, las cadenas de herramientas de simulación de AVL y las instalaciones de pruebas de vehículos conectados y automatizados (CAV) de IDIADA proporcionan capacidades sólidas en pistas virtuales y físicas. La distinción técnica del nuevo servicio de UTAC radica en su integración específica de IA generativa para decodificar los algoritmos de aprendizaje profundo de los sistemas de percepción y control. Al ofrecer el modelado predictivo como un servicio central, UTAC no solo prueba si un vehículo autónomo navega de manera segura por un escenario, sino que identifica explícitamente los factores subyacentes del proceso de toma de decisiones de la IA. Esto cierra una brecha crucial en la IA explicable (XAI), que se está convirtiendo en un requisito fundamental para la futura homologación regulatoria de soluciones de movilidad altamente automatizadas.

Editado por Maria Brueva, editora de Induportals – adaptado por IA.

www.utac.com