El aprendizaje automático mejora el radar automotriz

El aprendizaje automático mejora el radar automotriz

Algunos pueden pensar que el mayor desafío para la automatización de vehículos es desarrollar los algoritmos que le indican a un vehículo dónde y cómo conducir: la planificación y la política. Pero eso no es cierto. El mayor desafío radica en la detección y la percepción, en la construcción de un sistema de percepción que pueda crear de manera confiable el modelo ambiental más preciso y sólido para que actúen las funciones de planificación y política. De esta manera, los sistemas de percepción son fundamentales para permitir mayores niveles de automatización.

A medida que los OEM buscan los mejores sistemas de percepción para implementar en sus vehículos y permitir capacidades de seguridad activa y que salven vidas, el radar ofrece una multitud de beneficios, incluso el costo bajo del sistema y la resistencia a través de una amplia gama de condiciones climáticas y de iluminación.

Estos atributos hacen del radar una base ideal para construir el modelo ambiental de cualquier vehículo y se vuelven especialmente fundamentales a medida que los vehículos van más allá de las funciones básicas de advertencia y pasan a funciones de asistencia y automatización. Centralizar la inteligencia y aplicar el aprendizaje automático de manera correcta puede impulsar el rendimiento y asegurar que los vehículos aprovechen las fortalezas del radar mientras fusionan sus datos con los de otras modalidades de detección. Al hacerlo, los OEM pueden crear el mejor lienzo sobre el que diseñar e implementar tanto funciones de planificación como políticas que ofrezcan funciones avanzadas y resuelvan los casos extremos más desafiantes.

En este documento técnico, aprende cómo el aprendizaje automático puede aprovechar al máximo los datos recopilados por el radar y otras modalidades de detección, y observa ejemplos específicos de esta tecnología en acción.

Leer el documento técnico

Algunos pueden pensar que el mayor desafío para la automatización de vehículos es desarrollar los algoritmos que le indican a un vehículo dónde y cómo conducir: la planificación y la política. Pero eso no es cierto. El mayor desafío radica en la detección y la percepción, en la construcción de un sistema de percepción que pueda crear de manera confiable el modelo ambiental más preciso y sólido para que actúen las funciones de planificación y política. De esta manera, los sistemas de percepción son fundamentales para permitir mayores niveles de automatización.

A medida que los OEM buscan los mejores sistemas de percepción para implementar en sus vehículos y permitir capacidades de seguridad activa y que salven vidas, el radar ofrece una multitud de beneficios, incluso el costo bajo del sistema y la resistencia a través de una amplia gama de condiciones climáticas y de iluminación.

Estos atributos hacen del radar una base ideal para construir el modelo ambiental de cualquier vehículo y se vuelven especialmente fundamentales a medida que los vehículos van más allá de las funciones básicas de advertencia y pasan a funciones de asistencia y automatización. Centralizar la inteligencia y aplicar el aprendizaje automático de manera correcta puede impulsar el rendimiento y asegurar que los vehículos aprovechen las fortalezas del radar mientras fusionan sus datos con los de otras modalidades de detección. Al hacerlo, los OEM pueden crear el mejor lienzo sobre el que diseñar e implementar tanto funciones de planificación como políticas que ofrezcan funciones avanzadas y resuelvan los casos extremos más desafiantes.

En este documento técnico, aprende cómo el aprendizaje automático puede aprovechar al máximo los datos recopilados por el radar y otras modalidades de detección, y observa ejemplos específicos de esta tecnología en acción.

Leer el documento técnico

Autores
Rick Searcy
Rick Searcy
Advanced Radar Systems Manager

Carreras


Da forma al futuro de la movilidad. Únete a nuestro equipo para ayudar a crear vehículos más seguros, ecológicos y conectados.

Ver empleos relacionados

Suscríbase


Todos los anexos (1)