Como parte de su estrategia para impulsar los camiones autónomos, Torc creó la división DataLoop and Simulation (DL+S), integrada en su organización de inteligencia artificial (IA), con el objetivo de conectar las diferentes etapas del desarrollo: desde la recopilación y procesamiento de datos hasta el entrenamiento, validación y despliegue de los modelos.
Por medio de un comunicado, la empresa explicó que está utilizando una infraestructura integrada de datos, simulación y aprendizaje automático para acelerar el desarrollo de sus camiones autónomos, capaces de generar alrededor de 9 TB de datos por hora durante cada misión.
Este volumen de información representa uno de los principales retos para el transporte autónomo de mercancías. Cada misión de un camión de Torc genera aproximadamente 9 TB de datos nuevos por hora, mientras que la infraestructura de la compañía está diseñada para gestionar más de 100 petabytes de información.
Torc señaló que los datos proceden de múltiples fuentes y sensores, entre ellos cámaras, LiDAR, radar, audio y telemetría del vehículo. La combinación de estas entradas permite construir una representación del entorno que posteriormente es utilizada para entrenar y validar los modelos de IA.
Del dato al camión autónomo
Torc detalló que el sistema DataLoop cubre todo el ciclo de desarrollo. Primero se recopilan los datos procedentes de las operaciones y pruebas de los vehículos. Después, la información es procesada, enriquecida y preparada para su utilización en aprendizaje automático y simulación.
Los equipos de autonomía utilizan posteriormente estos datos para entrenar y perfeccionar los modelos mediante un proceso iterativo de experimentación y validación. DL+S busca acelerar este ciclo mediante mayor capacidad de cómputo y herramientas estandarizadas que permitan a los ingenieros compartir resultados y repetir experimentos.
Una vez que un modelo muestra resultados prometedores, pasa a la fase de conversión y despliegue, donde se prepara para operar en el hardware de producción. Esto requiere un flujo de trabajo auditable que utiliza TensorRT y, finalmente, TorcDrive, lo que permite realizar una validación definitiva del rendimiento y la latencia. Por último, una nueva versión del sistema (stack) se somete a pruebas en camiones reales, lo que constituye la etapa final de validación de seguridad.
Simulación, pieza clave del desarrollo
Torc destacó que el desafío adquiere una dimensión adicional cuando se considera el tipo de vehículo que busca automatizar. De acuerdo con Felix Heide, director de IA de Torc, un camión puede alcanzar 80,000 libras (36,000 kg) de peso y circular a 65 millas por hora (aproximadamente 105 km/h), lo que exige capacidades distintas a las utilizadas en otros desarrollos de vehículos autónomos.
Asimismo, a diferencia de los entornos convencionales de aprendizaje automático (machine learning), los sistemas de conducción autónoma deben procesar y aprender de conjuntos de datos multimodales masivos. Las imágenes de cámaras, las nubes de puntos LiDAR, las mediciones de radar, las señales de audio, la telemetría del vehículo y otras entradas deben combinarse para generar una comprensión coherente del entorno.
En este escenario, la simulación ocupa un lugar central dentro de DL+S. Torc la utiliza para generar datos sintéticos y crear escenarios de validación que serían difíciles, costosos o lentos de reproducir en carretera.
Con DL+S, la compañía busca que los nuevos datos generados por sus vehículos alimenten continuamente el desarrollo de sus modelos, creando un ciclo en el que la información recopilada en carretera contribuya a mejorar el rendimiento de los sistemas autónomos.
Te invitamos a escuchar el nuevo episodio de nuestro podcast Ruta TyT:
