Aunque la conducción autónoma plena es todavía un tema de futuro, resulta muy interesante analizar la utilización de la Inteligencia Artificial (IA) y los diferentes enfoques que las marcas están aplicando para alcanzar los niveles de conducción autónoma plena según la SAE (Sociedad de Ingenieros Automotrices) que se resumen en el gráfico de abajo.
 | A día de hoy, ni tecnología ni legislación están suficientemente maduras para alcanzar más del nivel 3, que es donde realmente empieza la autonomía. A partir de ese nivel es cuando los vehículos además de replicar acciones del conductor, son capaces de analizar el entorno y tomar decisiones. |
Para avanzar en autonomía y llegar en el futuro al nivel 5 (no antes del 2030 según los expertos), los coches utilizan la tecnología para interpretar constantemente las imágenes de sus cámaras de visión artificial y los datos que recogen sus sensores. Con esa información pueden tomar decisiones inmediatas sobre qué hacer a continuación.
Usan la inteligencia artificial para comprender y anticipar los próximos movimientos de automóviles, peatones y ciclistas. Estos datos ayudan a planificar los movimientos en una fracción de segundo y a decidir qué hacer en cada momento: Cambiar de carril, adelantar, frenar, acelerar, …
Para que los automóviles sean completamente autónomos, necesitan un motor de IA previamente entrenado con una ingente cantidad de información histórica recopilada. Es obvio, que cuantos más datos de entrenamiento haya, mejor será la precisión de la conducción, y es en este aspecto donde Tesla tiene un enfoque diferencial.
Tesla obtiene todos los datos disponibles de los cientos de miles de sus vehículos que se encuentran circulando por las carreteras de todo el mundo. Los sensores internos y externos monitorizan todo lo que los coches Tesla están haciendo en todo tipo de situaciones, e incluso recopilan datos sobre el comportamiento del conductor, capturando información de cómo reaccionan en diferentes situaciones, así como otros datos complementarios como la frecuencia con la que un conductor toca el volante o el tablero por ejemplo.
Este tipo de aprendizaje se llama "Imitation Learning". Sus algoritmos aprenden de las decisiones, reacciones y movimientos de millones de coches y conductores reales en todo el mundo. Estos datos suponen muchos kilómetros de experiencia, y es obvio que se traducen en la mejora y precisión de la conducción autónoma.
Un segundo aspecto diferencial de la estrategia de Tesla es su sofisticado Sistema de Seguimiento para poder aprender también de los errores. Por ejemplo, cuando un vehículo hace una predicción incorrecta sobre el comportamiento de un automóvil o ciclista, se guarda una instantánea de datos de ese momento, se agrega al conjunto de datos, y se reproduce una representación abstracta de la escena con objetos y formas de colores que la red neuronal utiliza para aprender.
Estos dos aspectos de la estrategia de Tesla en coches autónomos (Aprender por Imitación y por errores reales), superan claramente a enfoques de otras empresas que entrenan a sus algoritmos de autoconducción simplemente con datos sintéticos.
