Un modelo de IA coreano evalúa cada posible ruta de conducción por seguridad antes de que el coche se mueva. CVPR lo llamó un punto destacado.

      TL;DREl modelo SafeDrive de la Universidad Nacional de Seúl puntúa múltiples trayectorias de conducción por seguridad antes de elegir una. Primer artículo sobre conducción autónoma de extremo a extremo desarrollado en Corea que recibe un reconocimiento en CVPR. La mayoría de los modelos de IA para conducción autónoma estudian cómo conducen los humanos y tratan de copiarlos. Funcionan bien en condiciones normales, pero tienen dificultades para explicar por qué eligieron un camino sobre otro, lo que se convierte en un problema cuando una decisión en un instante sale mal. Un equipo de la Universidad Nacional de Seúl, liderado por el profesor Jun Won Choi, ha construido un modelo llamado SafeDrive que toma un enfoque diferente: genera varias trayectorias posibles, puntúa cada una por seguridad utilizando datos de sensores y elige el camino que obtiene la mejor puntuación. El coche muestra su trabajo. La técnica, llamada Razonamiento de Seguridad Detallado, fue seleccionada como un artículo destacado en CVPR 2026, la principal conferencia de visión por computadora e IA. Aproximadamente el 3% de las presentaciones obtienen esta distinción. Es la primera vez que un artículo sobre conducción autónoma de extremo a extremo desarrollado en Corea recibe un reconocimiento en CVPR, una señal de que Corea del Sur está produciendo investigaciones competitivas en un campo dominado por laboratorios de EE. UU. y China. Corea del Sur se comprometió a invertir 880 mil millones de dólares en una década en IA, chips y robótica, y SafeDrive es uno de los primeros resultados de esa inversión en obtener un reconocimiento académico de primer nivel. SafeDrive no se queda en el laboratorio. Ha sido integrado en EAD, un modelo de referencia respaldado por el Ministerio de Comercio, Industria y Energía de Corea. El equipo de Choi está trabajando con empresas de conducción autónoma nacionales para probarlo en vehículos reales, con planes de avanzar hacia la comercialización utilizando datos de conducción propietarios. Los robotaxis de Tesla en Austin chocan cuatro veces más que los conductores humanos, lo que ilustra que los problemas de seguridad y explicabilidad que aborda SafeDrive no son teóricos. Cuando un vehículo autónomo toma una mala decisión, los reguladores, aseguradoras y tribunales necesitan saber por qué. Un modelo que puntúa alternativas y selecciona la más segura produce un rastro de decisiones auditable que un sistema de caja negra no puede.

      

      

      

       Obtén el boletín de TNW

       Recibe las noticias tecnológicas más importantes en tu bandeja de entrada cada semana.