SafeDrive ofrece a los vehículos autónomos una segunda mirada más segura

Investigadores de Seoul National University han presentado SafeDrive, un modelo para vehículos autónomos que evita comprometerse con la primera maniobra plausible. En lugar de eso, calcula varias maniobras posibles, las compara por nivel de seguridad y selecciona la que parece más fiable. El trabajo ya ha sido reconocido en CVPR 2026, donde solo una pequeña parte de las propuestas son aceptadas.

Eso supone un cambio claro respecto a los sistemas típicos de extremo a extremo, que se entrenan para imitar a conductores humanos usando grandes volúmenes de datos de trayectos. SafeDrive apunta a una cadena de razonamiento más transparente. Eso importa porque los sistemas autónomos suelen funcionar bien en carreteras familiares, pero pueden fallar en escenarios raros o complicados donde lo difícil no es ver la carretera, sino elegir la maniobra correcta.

El proyecto también aborda un problema práctico. Los principales desarrolladores de vehículos autónomos llevan tiempo intentando que los coches elijan entre varias opciones arriesgadas de una manera que pueda ser verificada y revisada posteriormente. En ese contexto, el trabajo del equipo coreano parece un esfuerzo por añadir una capa dedicada de validación de seguridad al conjunto de conducción, en lugar de confiar únicamente en la salida de una red neuronal, por segura que parezca.

Recomendado

Fabricantes rusos de diésel reemplazan a Bosch con Common Rail local

Cómo SafeDrive evalúa el riesgo

La mayoría de los sistemas de conducción autónoma actuales se basan en enormes conjuntos de datos de vías públicas. Mientras una situación se parezca a algo visto durante el entrenamiento, el sistema suele poder reconocer marcas viales, peatones y vehículos cercanos y responder con un patrón conocido. Los problemas empiezan cuando el modelo se encuentra con casos que no ha aprendido bien: un coche que se incorpora de forma inesperada, un carril parcialmente bloqueado, un conflicto de tráfico raro o un intercambiador confuso.

En esos momentos, un sistema puede elegir una maniobra que parece razonable pero que en realidad incrementa el riesgo de accidente. Otro problema es la explicabilidad: muchos modelos generan una respuesta sin dejar claro por qué la eligieron.

SafeDrive está diseñado en torno a lo que sus desarrolladores denominan razonamiento de seguridad detallado. El modelo no se detiene en una sola acción. Hace lo siguiente:

• genera múltiples trayectorias de conducción posibles
• las comprueba con los datos de los sensores del vehículo
• puntúa cada opción según su nivel de seguridad
• elige la ruta con el mejor resultado de seguridad

Este enfoque encaja en un movimiento industrial más amplio que se aleja de la idea de que una red neuronal gigante puede hacerlo todo a la vez. Tesla, Waymo y varios actores chinos ya se han desplazado hacia pilas más complejas donde percepción, planificación y control se gestionan en módulos separados. En esa configuración, un bloque dedicado a la evaluación de riesgos es una adición natural.

SafeDrive ya se ha integrado en EAD, un modelo de referencia de conducción autónoma respaldado por el Ministerio de Comercio, Industria y Energía de Corea del Sur. El equipo también ha comenzado a trabajar con fabricantes locales de vehículos autónomos para probar el enfoque no solo en simulación, sino en vehículos reales. Si las pruebas en carretera confirman los resultados de laboratorio, SafeDrive podría abrirse un hueco entre los modelos clásicos de extremo a extremo y los sistemas modulares más pesados, en un momento en que los proyectos de robotaxis y reparto autónomo se juzgan tanto por un comportamiento predecible en casos límite raros y costosos como por sensores y mapas.