¿Qué tienen en común los coches autónomos, los robots inteligentes, las máquinas autónomas y los drones no tripulados? Todos funcionan con tecnología de informática periférica. La informática periférica está compuesta por computadoras especialmente diseñadas para operar cerca de una fuente de datos, es decir, no dependen de la potencia de procesamiento remota.
Si bien este concepto puede parecer trivial, muchos ingenieros consideran que la periferia es la frontera más reciente en computación. A medida que la tecnología mejora, puede revolucionar muchas industrias. Por supuesto, incluso las computadoras más poderosas son inútiles sin datos, lo que sigue siendo cierto para la informática periférica.
En este artículo, exploraremos los principales sensores que se utilizan en las aplicaciones de informática periférica para vehículos autónomos. También veremos cómo las empresas utilizan continuamente el aprendizaje automático iterativo para entrenar sus dispositivos informáticos periféricos.
¿Qué es la informática periférica?
El mundo de la computación ocupa una gama drástica de metodologías y capacidades de procesamiento. Como regla general, la potencia de procesamiento de las computadoras y los centros de datos se mide por la cantidad de operaciones de punto flotante por segundo (FLOPS) que pueden procesar.
En 2022, la computadora más poderosa del planeta es la supercomputadora Fugaku en Japón, que funciona a 442 petaflops, o 442 000 TOPS (teraflops; es decir, billones de operaciones por segundo). Por lo general, las computadoras que se especializan en aprendizaje automático, inteligencia artificial y computación paralela se evalúan mediante valores de TOPS. Con el tiempo, el aumento en las capacidades de velocidad de las supercomputadoras ha crecido de forma constante hacia rangos de velocidad de exaflops (1 000 000 de TOPS).
Como referencia del mundo real, un iPhone 13 funciona con el chip A15 Bionic de Apple y puede alcanzar 15,8 TOPS. Tengamos en cuenta que los teléfonos de hoy son más potentes que las supercomputadoras más rápidas del mundo hace solo dos décadas.
Los centros de datos son famosos tanto por su increíble poder de procesamiento como por su uso constante para aplicaciones de aprendizaje automático y entrenamiento de redes neuronales. No obstante, para utilizar su velocidad de procesamiento se requiere una conexión al centro de datos, ya sea directa o virtual.
La tecnología de informática periférica se utiliza mucho en aplicaciones en las que no es posible o deseable una conexión a un centro de datos. Por ejemplo, supongamos que se recopila una gran cantidad de datos de video en tiempo real en un vehículo en movimiento. En ese caso, solo podrá ejecutar el reconocimiento de imágenes de IA localmente, en lugar de hacerlo en un centro de datos.
Esto se debe a que las velocidades de conexión inalámbrica a Internet no pueden admitir la transferencia de datos en tiempo real necesaria utilizando un modelo de datos estándar de computación en la nube.
La ventaja de la periferia
Consideremos el ejemplo de un ciclista: si una identificación adecuada por parte de la IA es la diferencia entre que el automóvil evite al ciclista o lo atropelle, se deberán tomar todas las medidas de seguridad para garantizar que los algoritmos para evitar obstáculos puedan identificar y reaccionar lo más rápido posible.
Si bien, en teoría, un centro de datos puede identificar al ciclista de manera más eficaz que una computadora desplegada en la "periferia", una computadora de borde tiene una latencia de comunicación cero dentro del automóvil autónomo, sus sensores y sus sistemas de control.
Por lo tanto, el término "informática periférica o de borde" se aplica a cualquier dispositivo informático capaz de procesar datos en la fuente, o en la periferia/el borde, en lugar de hacerlo en un centro de datos, una estación de trabajo u otra computadora con una ubicación fija.
La informática periférica permite el procesamiento de datos en tiempo real, ya que utiliza algoritmos complejos para completar esta tarea. Como tal, la informática periférica es aconsejable cuando se necesita interpretación de datos en tiempo real y en los casos en que la conexión a los servidores de procesamiento externos no es factible ni segura.
Sin embargo, las computadoras periféricas no tienen la potencia de procesamiento que se encuentra a menudo en un centro de datos, ni se les permite consumir tanta energía como un centro de datos estándar. En cambio, las modernas computadoras de borde pueden mantener velocidades de procesamiento desde menos de 1 TOPS hasta unos cientos de TOPS.
NVIDIA, socio de Arrow.com y líder de la industria en computación periférica, ofrece una gama de soluciones informáticas de borde, como JETSON Nano, que ejecuta 0,472 TOPS, o Jetson DRIVE AGX Pegasus, que ejecuta hasta 320 TOPS. Para obtener más información, revise nuestro artículo sobre cómo configurar NVIDIA JETSON Nano.
Sensores para automóviles autónomos
Dadas sus capacidades de procesamiento de datos en tiempo real, la informática periférica se ha establecido naturalmente como un pilar en la tecnología de vehículos autónomos. Sin embargo, estos datos no son generados por la computadora, sino por la multitud de sensores que componen los "ojos" y los "oídos" periféricos de un vehículo autónomo.
La topología de los sensores puede variar ampliamente entre los vehículos autónomos, incluso dentro del mismo sector. Tomemos, por ejemplo, la amplia gama de conjuntos de sensores entre los principales competidores en el espacio de vehículos personales automotrices autónomos, como Tesla, Cruise y Aurora Innovations, ninguno de los cuales ha alcanzado con éxito las capacidades de conducción autónoma de Nivel 5.
Para obtener más información sobre los diferentes niveles de IA en conducción autónoma, consulte el artículo Los 5 niveles de tecnología de vehículos autónomos.
Mientras tanto, los robots de entrega autónomos, como Nuro, y otros vehículos que no transportan humanos, como Waymo para Street View de Google, se han acercado mucho más a lograr capacidades completas de conducción autónoma.
La mayoría de los sensores de conducción autónoma son fundamentalmente similares: recopilan datos sobre el mundo que los rodea para poder conducir el vehículo. Por ejemplo, los vehículos Nuro de tercera generación contienen cámaras, radares, LIDAR y cámaras térmicas para proporcionar una vista completa de varias capas acerca del entorno del vehículo.
Actualmente, un Tesla utiliza ocho cámaras, 12 y un sistema de radar frontal, pero depende mucho más de las imágenes de la cámara que los vehículos Nuro. El controlador para Waymo de Google se basa principalmente en LIDAR y utiliza cámaras y sensores de radar para poder mapear la realidad circundante.
Cómo el aprendizaje automático entrena a la IA en los automóviles autónomos
El valor de los datos de los sensores recopilados en todos los automóviles y vehículos autónomos depende de las metodologías de cómputo subsiguientes a los propios sensores. En muchos sentidos, la propiedad intelectual más valiosa de empresas como Tesla, Waymo, Aurora Innovations y Nuro es el software y la infraestructura de datos creados para procesar y accionar la información del sensor.
El ganador de la carrera hacia la autonomía total no será declarado por la empresa que tenga el mejor hardware de sensores, sino por quién pueda utilizar los datos de sus sensores con mayor precisión, eficacia y seguridad.
En la actualidad, todos los vehículos autónomos en la carretera utilizan programas de IA de informática periférica, los cuales a menudo se entrenan utilizando modelos de aprendizaje automático del centro de datos. Los modelos de aprendizaje automático para automóviles autónomos solo son posibles gracias a la increíble potencia informática de los modernos centros de datos que pueden procesar cientos de petaflops.
Los requisitos informáticos de estos vastos modelos de aprendizaje automático superan con creces la potencia informática de las computadoras periféricas. Dada esta información, a menudo los centros de datos se utilizan para formar algoritmos que se implementan en el borde.
A modo de metáfora, se necesitan años para que alguien aprenda álgebra avanzada, pero una vez que lo hace, esa persona podrá resolver los problemas de álgebra de manera rápida y precisa.
Entrenar un algoritmo de IA es similar, ya que se necesitan cientos de horas de cómputo en un centro de datos de alta potencia. Sin embargo, una vez aprendido, ese algoritmo podrá emplearse de forma rápida y precisa consumiendo mucho menos potencia de cálculo.
Cómo los vehículos autónomos implementan y utilizan la IA
La tecnología de vehículos autónomos depende por completo del éxito de la inteligencia artificial, la precisión de los sensores de los vehículos y los potentes centros de datos de aprendizaje automático.
Si bien pueden requerirse cientos o miles de petaflops de potencia de cálculo a fin de procesar modelos de aprendizaje automático para aplicaciones de vehículos autónomos, estos algoritmos sumamente complejos pueden procesarse en el borde utilizando hardware que pueda admitir solo unos cientos de TOPS. Con un poder de cálculo tan vasto como lo permiten las computadoras periféricas modernas, no hay duda de que los vehículos totalmente autónomos se acercan en el horizonte.