¿Cómo aprenden a conducir los vehículos autónomos? La escuela oculta de la simulación

Los vehículos autónomos aprenden a conducir no en carreteras reales, sino en gran medida en simulación: en un mundo virtual de miles de millones de kilómetros, una inteligencia artificial que prueba y se equivoca millones de veces, al combinarse con datos de carreteras reales, aprende a tomar decisiones en el tráfico cotidiano. Pero saber que un conductor que brilla en lo virtual no mostrará el mismo rendimiento sobre el asfalto es al menos tan importante como aprender. Esa es toda la historia de esa interesante tensión.

¿Cómo aprenden los vehículos autónomos a conducir en la simulación?

Las personas aprenden a conducir en la carretera; la inteligencia artificial, en cambio, lo hace mayormente dentro de una computadora. Los sistemas de conducción autónoma no funcionan con reglas predefinidas, sino con modelos probabilísticos que aprenden de los datos. Es decir, un ingeniero no escribe código que diga "actúa así en un cruce"; el sistema observa millones de ejemplos y aprende el comportamiento por sí mismo. Una parte importante de estos ejemplos proviene de la simulación.

El proceso funciona aproximadamente así:

1. Se recopilan datos reales: Mientras los vehículos de prueba circulan por las carreteras, registran datos de cámara, radar y lidar; además, estos datos, que generan ~4 terabytes por hora, alcanzan volúmenes de petabytes en menos de una semana.
2. Los datos se convierten en un mundo virtual: Las técnicas de reconstrucción neuronal transforman registros reales de conducción con múltiples sensores en entornos 3D de alta fidelidad. Los modelos generativos del mundo también añaden variaciones de clima, iluminación y escenarios raros.
3. La inteligencia artificial se entrena por ensayo y error: Gracias al aprendizaje por refuerzo, el sistema prueba repetidamente comportamientos como cambiar de carril, adelantar y ceder el paso en el tráfico virtual; los comportamientos que producen buenos resultados son recompensados.
4. Se realizan pruebas de seguridad: Antes de usarse en carreteras reales, las políticas pasan por pruebas escalonadas como software-in-the-loop (SIL), hardware-in-the-loop (HIL) y vehículo real (VIL).

¿Y qué aprende realmente la inteligencia artificial? Para el reconocimiento de objetos destacan las redes neuronales convolucionales (CNN), para predecir el movimiento de otros vehículos y peatones 3-5 segundos después los Transformers, y para las interacciones en cruces las redes neuronales de grafos. Algunos sistemas utilizan arquitecturas de extremo a extremo que aprenden directamente la dirección y el frenado a partir de datos brutos de sensores, pero debido a problemas de certificación todavía se consideran experimentales.

El problema de las 11 mil millones de millas: ¿por qué la simulación es obligatoria?

La matemática del asunto es despiadada. Para alcanzar una tasa de error a nivel humano, los vehículos autónomos necesitan aproximadamente 11 mil millones de millas se calcula lo que debe hacerse. Completarlo con pruebas físicas tomaría cientos de años, es decir, nadie puede esperar tanto. Por eso el sector está obligado a recurrir a la simulación: la mayor parte de la prueba de seguridad solo puede producirse en el mundo virtual. Si añadimos que incluso el mercado de los simuladores de formación de conductores se valorará en 2,2 mil millones de dólares en 2026 y se espera que alcance los 3,0 mil millones para 2033, esto no es una moda, sino la infraestructura fundamental de la industria.

Los superpoderes del mundo virtual

La mayor ventaja de la simulación es poder probar una y otra vez cosas que serían imposibles en el mundo real. Un peatón que irrumpe de repente en la calzada, un vehículo que frena bruscamente, faros apagados en plena noche, niebla densa, el reflejo del sol... Todo esto se prueba en el entorno virtual de forma segura y repetible bajo las mismas condiciones. Incluso los fallos de los sensores pueden simularse: montar un escenario con la cámara frontal degradada en una carretera real es peligroso y caro; en el mundo virtual, son solo unos clics.

El trabajo de McCity muestra aquí un movimiento ingenioso: el entorno de pruebas virtual creado con conductores malos simulados rompe la "maldición de la rareza" para desarrollar la capacidad de tomar decisiones urgentes. Un escenario con el que te encontrarías una vez al año en la realidad puedes vivirlo mil veces al día en el mundo virtual. Además, en algunos casos de uso la validación de seguridad solo puede realizarse mediante simulación, es decir, incluso el proceso oficial de certificación depende ya del mundo virtual.

Tesla y Waymo: ¿dos escuelas distintas, la misma lección?

Los dos pioneros del sector enseñan a conducir de dos maneras diferentes. Resumamos la diferencia en una tabla:

La estrategia de Tesla es audaz: desactiva el lidar y la infraestructura de mapas y lo confía todo a una única arquitectura que aprende solo con datos de cámara. Su ventaja es la escala: cada Tesla en la carretera es un profesor. Waymo trabaja con datos de sensores más ricos y subraya que, por mucha simulación o conductores de prueba que tenga, ni siquiera eso es suficiente por sí solo. Lo interesante es que también existe una opinión sólida según la cual ambos enfoques son más parecidos de lo que se piensa. Porque Waymo también aprende mediante entrenamiento basado en datos la mejor manera de representar cada objeto. La diferencia está en la riqueza de los datos que entran en la percepción.

El paso del modelo mundial de Waymo

En febrero de 2026, Waymo anunció un nuevo modelo mundial para la simulación de conducción autónoma. La empresa tiene aproximadamente 200 millones de millas totalmente autónomas y miles de millones de millas virtuales se utilizan ahora como materia prima para generar mundos virtuales más realistas. La cronología también es impresionante: en 2016 había 2,5 mil millones de millas simuladas, en 2018 se superaron los 6 mil millones, en 2020 se rebasaron los 15 mil millones y hoy estamos por encima de los 20 mil millones. Hasta una simple luz amarilla intermitente puede convertirse en miles de horas de experiencia virtual.

La brecha sim-to-real: ¿por qué tropieza en la carretera el conductor que brilla en el simulador?

Aquí está el corazón del artículo. Un comportamiento que funciona perfectamente en la simulación, ¿por qué puede no dar el mismo resultado en el mundo real? El nombre de esta diferencia es sim-to-real gap - la brecha simulación-realidad. Las causas se agrupan en cuatro categorías:

• Diferencia del campo visual: Los gráficos virtuales no pueden imitar fielmente la luz real, las texturas ni el resplandor del asfalto bajo el calor del verano.
• Error de aproximación de la física: El motor de física del simulador calcula de forma aproximada la compleja dinámica del mundo real.
• Incompatibilidad del ruido de los sensores: Los datos reales del lidar y el radar contienen un ruido sucio, con retardo y difícil de predecir.
• Falta de escenarios de cola larga: No todas las rarezas del mundo real pueden incorporarse a la biblioteca virtual.

Las investigaciones actuales del mundo de la robótica analizan precisamente esto: los efectos no modelados, los retardos de los sensores y los parámetros incorrectos pueden hacer fracasar en el campo a una estrella del laboratorio. Hay dos técnicas destacadas como solución: domain randomization (modificando aleatoriamente la luz, el color y la física en el mundo virtual, el sistema se vuelve resistente a cada variación que encuentra) y system identification (calibrar los parámetros del simulador con datos medidos del mundo real). En el tráfico ya hubo ejemplos dolorosos de esto: en agosto de 2023, Cruise, que había obtenido un permiso de robotaxi de pago en California, sufrió en poco tiempo dos graves accidentes y su flota fue reducida a la mitad. Un sistema que parecía seguro en la simulación suspendió el examen de inmediato en el mundo real.

El desequilibrio de datos y la excesiva confianza de la inteligencia artificial

El segundo gran riesgo es menos visible: el desequilibrio de los datos de entrenamiento. Este problema, contado entre los obstáculos de la conducción autónoma, se basa en una lógica simple: las situaciones poco representadas en el conjunto de datos son situaciones poco aprendidas por el sistema. La investigación de Georgia Tech demostró que esto puede convertirse en sesgo: se planteó que, debido al sesgo algorítmico, los vehículos autónomos podrían poner en peligro a ciertos grupos, por ejemplo, a los peatones de piel oscura. No se trata de un detalle técnico, sino de una alarma ética.

El tercer riesgo tiene que ver con el carácter de la inteligencia artificial: los sistemas de IA pueden asignar puntuaciones de confianza alta a respuestas incorrectas. No puede decir "no estoy seguro" como un humano; mediante los datos de entrenamiento, los supuestos del modelo y los ciclos de retroalimentación, incluso hereda los sesgos cognitivos humanos. En la detección de casos extremos, los falsos positivos provocan intervenciones innecesarias y los falsos negativos conducen a pasar por alto eventos críticos. Además, las etiquetas sintéticas generadas automáticamente no siempre son lo bastante fiables para el entrenamiento de seguridad crítica. Según un experto, faltan aún 10 años para vehículos autónomos fiables - y en un vehículo que gestione mal un caso extremo, el margen de error es prácticamente cero.

¿Cuál es el precio de confiar demasiado en la simulación?

En este punto se enfrentan dos campos. Los defensores tienen razón: debido al obstáculo de los 11.000 millones de millas, la prueba de seguridad sin simulación es prácticamente imposible. Los escépticos también la tienen: ¿las pruebas basadas en simulación incluyen realmente todos los escenarios del mundo real? Esta pregunta lleva años flotando en el aire. Incluso la propia determinación de Waymo insinúa que el volumen de simulación por sí solo no es suficiente. Y Steve Wozniak, una de las figuras reconocidas del sector, sostiene que en situaciones inusuales el volante debe pasar a manos del ser humano más tonto - un punto cínico pero que hace pensar.

Otra crítica es que los métodos actuales de simulación de conducción no pueden generar escenarios de esquina específicos de forma escalable. Es decir, encontrar "ese momento peligroso y distintivo" sigue siendo en parte trabajo humano. Los estudios publicados en OpenReview buscan soluciones a este problema de escalado, pero es difícil afirmar que ya se haya resuelto.

¿Pueden los vehículos autónomos aprender completamente en simulación y salir a la carretera?

Respuesta corta: por sí sola, no. La simulación es un campo de entrenamiento invaluable; pero ningún sistema sale a la carretera sin alimentarse de datos de carretera reales y pasar por pruebas graduales en el mundo real. Ni siquiera el sistema más competente de hoy es totalmente autónomo - el FSD de Tesla conduce con la indicación "Supervised", es decir, "supervisado", en el nombre, esperando la intervención del conductor. La simulación es la escuela secundaria; el diploma se otorga en la carretera real. El mejor conductor de inteligencia artificial será el que combine el entrenamiento virtual con la experiencia de carretera real - y que nunca olvide la diferencia entre los dos mundos.

Fuentes

• Simulación y validación de vehículos autónomos
• 6 razones para usar software de simulación de vehículos autónomos
• Machine Learning en vehículos autónomos: explicado por completo
• El modelo mundial de Waymo
• Tecnología de conducción autónoma para un viaje fiable
• ¿Qué es la brecha Sim-to-Real?
• Conductores terribles simulados reducen el tiempo y coste de las pruebas de vehículos autónomos
• Tesla vs Waymo - ¿Quién está más cerca de la autonomía de Nivel 5?
• Los sistemas de conducción autónoma de Waymo y Tesla son más parecidos de lo que crees
• Casos límite en la conducción autónoma: detección y gestión
• La investigación revela posibles consecuencias fatales del sesgo algorítmico
• Full Self-Driving (Supervisado)