Datos de flota en tiempo real alimentan simulaciones 3D para entrenar conducción autónoma
La conversión de cada kilómetro recorrido por una flota activa en un entorno de prueba virtual representa un avance significativo en la carrera hacia la conducción autónoma. Una reconocida firma automotriz estadounidense ha adquirido una startup británica compuesta por un equipo de 15 expertos en reconstrucción 3D a partir de imágenes de cámara, con el objetivo de transformar más de 400,000 secuencias de video diarias en escenarios simulados, listos para motores de videojuegos y plataformas de entrenamiento de inteligencia artificial.
Fundada en 2024 por ingenieros con experiencia en los equipos de simulación de Autopilot de Tesla y en los simuladores neuronales de Wayve, esta startup aplica inteligencia artificial generativa para crear representaciones tridimensionales del entorno vial utilizando datos reales. Esta innovación permite modificar variables como las condiciones climáticas, el comportamiento de otros conductores y la geometría vial, sin la necesidad de exponer vehículos físicos a situaciones de riesgo. Antes de la adquisición, la empresa había cerrado una ronda inicial de financiamiento por 7 millones de dólares, liderada por Felicis, enfocándose en clientes en las industrias del entretenimiento, defensa y movilidad autónoma.
Uno de los principales desafíos en la conducción autónoma es la escasez de datos relevantes. Aunque el volumen de datos recopilados por una flota puede ser alto, la mayoría de las secuencias corresponden a situaciones de baja complejidad, como autopistas despejadas y condiciones de luz óptimas. Los eventos que realmente ponen a prueba un sistema de conducción autónoma, como un peatón cruzando fuera del paso peatonal en condiciones de lluvia nocturna, son estadísticamente raros y difíciles de capturar a gran escala.
La reconstrucción 3D de escenas reales ofrece una solución parcial a este problema, ya que permite replicar eventos capturados en video con variaciones controladas, multiplicando su valor de entrenamiento sin esperar a que ocurran de forma natural. Este enfoque ha sido explorado por otros actores en el sector. Por ejemplo, Waymo ha desarrollado su modelo Waymo World, utilizando tecnología de Google DeepMind para generar escenarios que sus vehículos aún no han enfrentado en carretera. Asimismo, Tesla ha mostrado su propio simulador de mundo neuronal aplicado a su sistema de conducción autónoma.
La adquisición de la startup no se produce en un contexto aislado. Un acuerdo con Uber incluye una inversión de hasta 1,250 millones de dólares para desplegar robotaxis en su red, aunque 950 millones de dólares de esta suma están condicionados al cumplimiento de hitos de autonomía. En concreto, se espera que 10,000 unidades autónomas operen en San Francisco y Miami a partir de 2028.
En el ámbito del consumo, los plazos también han sido ajustados. La función de conducción punto a punto, inicialmente prometida para 2026, ahora se prevé para 2027, con capacidades de nivel 4 programadas para 2028 sobre hardware de tercera generación. Estos cambios reflejan la brecha que persiste entre la promesa comercial de la autonomía y la complejidad técnica necesaria para validarla con el margen de seguridad requerido.
La incorporación de un equipo con experiencia directa en la simulación de sistemas autónomos, especialmente en un momento en que los compromisos contractuales establecen plazos concretos, indica que la simulación basada en datos reales se está convirtiendo en una herramienta clave para acelerar el desarrollo de la conducción autónoma.
