En l'ecosistema actual de l'automoció, els sistemes avançats d'assistència al conductor (ADAS) depenen de conjunts de dades de trajectòries per entrenar i validar els seus models. No obstant això, aquests conjunts reflecteixen majoritàriament conducció rutinària, deixant infrarepresentats els esdeveniments de conflicte real entre vehicles. Com més rar és un incident, major és el cost quan un ADAS no aconsegueix gestionar-lo. Aquí és on entra SevDiff, un model de difusió probabilística (DDPM) que condiciona la generació de trajectòries a un valor objectiu de temps fins a la col·lisió (TTC). Aquesta innovació no només permet crear escenaris sintètics amb una gravetat controlada, sinó que obre la porta a una nova forma d'avaluar la robustesa dels sistemes de conducció autònoma.
SevDiff s'entrena amb 468 finestres d'interacció extretes del conjunt de dades UTE SQM-W-1, que registra més de 822.000 observacions després del seu suavitzat. El model accepta com a entrada un valor escalar de TTC mínim sol·licitat i genera trajectòries d'interacció entre dos vehicles la gravetat real de les quals coincideix amb el requeriment. Els resultats són impressionants: aconsegueix un encert del 100% en un marge de ±0,5 segons per a objectius de TTC entre 0,5 i 1,5 segons, i es manté entre el 97% i el 99% per a valors de 2,0 a 2,5 segons. La degradació fins a un 39% en TTC = 5,0 segons és físicament interpretable i constitueix una caracterització precisa del generador, no un simple aprovat o suspès.
Des d'una perspectiva tècnica, la capacitat de condicionar la generació a un indicador de gravetat com el TTC suposa un salt qualitatiu respecte a enfocaments previs que només consideraven propietats d'escena, com objectius espacials o estructures d'agents. SevDiff demostra que és possible generar esdeveniments de conflicte amb una precisió mesurable, cosa que resulta crítica per entrenar ADAS en situacions límit. La versemblança cinemàtica de les trajectòries generades es confirma amb una taxa màxima de valors fora de rang del 4,7% en dotze característiques, i absència de velocitats o distàncies negatives en més del 96,5% de les mostres.
Per a les empreses que desenvolupen tecnologies de conducció autònoma o sistemes de seguretat activa, adoptar models com SevDiff no és només qüestió d'innovació, sinó d'avantatge competitiu. La possibilitat de simular escenaris de conflicte sota demanda redueix dràsticament la dependència de dades reals costoses i difícils de recollir. A Q2BSTUDIO, empresa especialitzada en desenvolupament de programari i tecnologia, entenem que la creació d'aquest tipus de models requereix una combinació d'experiència en intel·ligència artificial, processament de dades a gran escala i una infraestructura cloud robusta. Per això oferim serveis d'IA aplicada que permeten als nostres clients dissenyar, entrenar i desplegar generadors de trajectòries condicionades, adaptats a les seves necessitats específiques de seguretat i validació.
La integració de SevDiff en pipelines de validació ADAS implica manejar volums massius de dades i executar inferències en temps real. Aquí entra en joc el núvol. A Q2BSTUDIO treballem amb cloud AWS i Azure per oferir entorns escalables que suportin des de l'entrenament distribuït de models de difusió fins a la simulació en paral·lel de milers d'escenaris de conflicte. A més, la ciberseguretat és un pilar fonamental: garantir la integritat i confidencialitat de les dades de trajectòries i dels mateixos models és crític en un sector on una fallada pot tenir conseqüències catastròfiques. Per això, incorporem pràctiques de ciberseguretat en cada fase del desenvolupament.
Més enllà de la generació de trajectòries, l'anàlisi dels resultats requereix eines de Business Intelligence que transformin les dades de validació en informació accionable. Els panells de Power BI, per exemple, permeten visualitzar la taxa d'encert de SevDiff en funció del TTC objectiu, identificar biaixos en el model o comparar el rendiment entre diferents configuracions d'ADAS. A Q2BSTUDIO, dissenyem solucions de BI/Power BI que extreuen tot el potencial de les dades generades, facilitant la presa de decisions informades.
L'aplicació de models com SevDiff no es limita al sector automoció. La mateixa lògica de condicionament per gravetat podria aplicar-se a altres àmbits on els esdeveniments rars són crítics, com la robòtica col·laborativa, la navegació aèria o la gestió de trànsit urbà. Qualsevol sistema que interactuï en entorns dinàmics pot beneficiar-se de generadors sintètics que permetin provar respostes davant situacions límit sense posar en risc persones ni recursos.
A Q2BSTUDIO, creiem que la clau està no només en adoptar tecnologies punteres, sinó en integrar-les de forma coherent amb l'estratègia de cada organització. Per això oferim aplicacions a mida que encapsulen models d'IA, connecten amb fonts de dades reals i simulades, i es despleguen en infraestructures cloud fiables. La combinació d'IA, cloud, ciberseguretat i BI permet a les empreses obtenir un control total sobre els seus processos de validació i certificació.
El futur de la conducció autònoma passa per la capacitat d'anticipar-se a allò inesperat. Models com SevDiff demostren que la generació condicionada d'esdeveniments de conflicte és viable i precisa. A Q2BSTUDIO, estem preparats per ajudar els nostres clients a implementar aquestes solucions, adaptant-les a les seves necessitats concretes de desenvolupament de programari, anàlisi de dades i desplegament en entorns productius. La seguretat no és un extra, és el requisit fonamental.
