Un automóvil autónomo, también llamado vehículo autónomo, es un vehículo de carretera equipado con sensores, computación y software que le permiten percibir su entorno y controlar la dirección, la aceleración y el frenado con una intervención humana reducida o eliminada. La Sociedad de Ingenieros de Automoción define seis niveles de automatización de la conducción, desde el Nivel 0, sin automatización, pasando por el Nivel 2, automatización parcial que requiere supervisión constante del conductor, hasta el Nivel 5, automatización total en todas las condiciones sin conductor humano; a mediados de la década de 2020, ningún sistema desplegado comercialmente había alcanzado de manera fiable el Nivel 5, y la mayoría de los sistemas disponibles públicamente operaban en el Nivel 2 o, en áreas geocercadas limitadas, en el Nivel 4.
De DARPA al despliegue comercial
La investigación moderna sobre conducción autónoma se remonta al DARPA Grand Challenge, una serie de carreras para vehículos autónomos en terreno desértico que DARPA organizó en 2004 y 2005 después de que ningún equipo completara el primer recorrido; el ganador de 2005, el Stanley de Stanford, liderado por Sebastian Thrun, y el posterior Urban Challenge de 2007 ayudaron a sembrar el talento y la base tecnológica para la industria moderna. Google inició su proyecto de automóvil autónomo en 2009 bajo la dirección de Thrun, que se escindió como la empresa hermana de Google DeepMind, Waymo, en 2016. Waymo se convirtió en la primera empresa en operar un servicio comercial de robotaxi sin conductor y sin un conductor de seguridad humano, lanzándose en Phoenix, Arizona, en 2020 y expandiéndose posteriormente a San Francisco, Los Ángeles y otras ciudades de EE. UU. Cruise, respaldada por General Motors, operó un servicio de robotaxi competidor hasta que un incidente en 2023 en San Francisco, en el que un peatón fue arrastrado, provocó la suspensión nacional de su flota y importantes cambios de liderazgo y estrategia.
El enfoque de Tesla
Tesla, bajo la dirección de Elon Musk, siguió un camino técnico diferente, basándose en Computer vision basada en cámaras en lugar de los sensores lidar utilizados por Waymo y la mayoría de los otros desarrolladores, y distribuyendo sus funciones de asistencia a la conducción, comercializadas como Autopilot y Full Self-Driving, de manera incremental a los vehículos de consumo en lugar de restringir la tecnología a una pequeña flota de robotaxis geocercados. A pesar de la marca "Full Self-Driving", el sistema ha requerido supervisión activa del conductor durante todo su despliegue público y sigue clasificado como automatización de Nivel 2; el enfoque y su comercialización han atraído un escrutinio regulatorio, incluidas investigaciones de la Administración Nacional de Seguridad del Tráfico en Carreteras de EE. UU. sobre accidentes que involucran la función.
Enfoque técnico
Los sistemas de conducción autónoma generalmente combinan varios tipos de sensores, cámaras, radar y, en la mayoría de los enfoques excepto el de Tesla, lidar, fusionados mediante software de percepción construido sobre visión por computadora y, cada vez más, modelos aprendidos de Neural network en lugar de reglas puramente codificadas a mano. Las capas de planificación de trayectoria y control traducen entonces el entorno percibido en decisiones de conducción, con sistemas recientes que utilizan cada vez más modelos aprendidos de extremo a extremo que mapean la entrada del sensor de manera más directa a las acciones de conducción, un enfoque conceptualmente relacionado con el impulso más amplio hacia el control aprendido, en lugar de diseñado a mano, en Robotics.
El problema de la cola larga
El obstáculo técnico central para la autonomía total se describe a menudo como la cola larga: la gran mayoría de las situaciones de conducción son rutinarias y ya se manejan de manera fiable, pero un conjunto pequeño, aunque efectivamente ilimitado, de casos límite raros, marcas viales inusuales, otros conductores erráticos, comportamiento peatonal impredecible o clima desconocido, continúan causando fallos, y cubrir suficiente de esa cola para igualar o superar la seguridad humana en todas las condiciones ha demostrado ser mucho más difícil de lo que las predicciones tempranas de la industria de la década de 2010 anticipaban. Esta brecha entre la capacidad demostrada en condiciones comunes y la robustez en casos raros refleja desafíos de fiabilidad similares observados en otros dominios de IA, incluida la Hallucination (AI) en sistemas de Large language model, y ha retrasado repetidamente los cronogramas para el despliegue completo del Nivel 5 en toda la industria.