La conducció autònoma tot terreny a alta velocitat exigeix un control de llaç tancat extremadament precís, capaç d'adaptar-se a canvis bruscos del terreny sense perdre eficàcia. Els models generalistes de predicció cinodinàmica cap endavant (FKD) han demostrat ser prometedors com a base, però especialitzar-los per a un vehicle concret continua sent un repte: requereixen grans volums de dades reals i, sovint, acaben sobreajustant-se a un tipus de superfície o règim de conducció. Davant d'aquesta limitació, una nova recepta anomenada OptCar proposa fer de pont entre el model generalista i l'especialista, preservant la capacitat de generalització entre terrenys i optimitzant el rendiment per a un vehicle específic amb molt poques dades reals.
OptCar introdueix un mòdul d'adaptació dinàmica condicionat a l'historial, que codifica les observacions recents d'estat-acció en un token de context dinàmic. A partir d'aquí, s'afina el model generalista combinant una petita quantitat de dades reals (només cinc minuts per terreny) amb rollouts sintètics generats mitjançant identificació de sistema específica de l'entorn. Aquest enfocament permet que el model aprengui a predir el comportament del vehicle en condicions on el lliscament domina l'error de seguiment, com passa a velocitats elevades. En experiments amb control predictiu de model (MPC) en llaç tancat sobre tres terrenys diferents —vegetació, terra i carretera—, així com en una tasca fora de distribució amb un remolc, els majors guanys es van obtenir a 6 m/s, la velocitat més alta avaluada. Sobre vegetació i terra, els terrenys amb més diversitat de lliscament, OptCar va reduir l'error de seguiment de trajectòria aproximadament un 55% en comparació amb una línia base d'AnyCar ajustada, i va mantenir la precisió fins i tot quan un remolc no vist prèviament va alterar la dinàmica del vehicle.
L'èxit d'OptCar rau en la seva capacitat per extreure informació valuosa de dades limitades, cosa que resulta especialment rellevant en aplicacions industrials on recollir grans volums de dades reals és costós o inviable. La combinació d'aprenentatge amb dades sintètiques i reals, juntament amb la codificació del context històric, permet que el model s'adapti a canvis en la dinàmica del vehicle sense perdre la robustesa davant terrenys no vistos. Per exemple, a carretera, OptCar va igualar el rendiment d'un especialista entrenat amb 30 minuts de dades; quan el terreny canviava, l'especialista perdia precisió, mentre que OptCar es mantenia estable.
Des d'una perspectiva tècnica i empresarial, aquesta línia de treball obre oportunitats per integrar models d'IA adaptatius en sistemes de control de vehicles autònoms. A Q2BSTUDIO, empresa especialitzada en desenvolupament de programari i tecnologia, entenem que la clau està en combinar models generalistes amb mòduls d'adaptació dinàmica que aprofitin al màxim les dades disponibles. Els nostres serveis d'IA permeten dissenyar i afinar models predictius similars a OptCar, mentre que la infraestructura en cloud AWS/Azure facilita la generació de rollouts sintètics i el desplegament d'entorns de simulació a escala. A més, la ciberseguretat és un pilar fonamental per garantir que els sistemes de control autònoms no siguin vulnerables a atacs, i les solucions de BI/Power BI permeten monitoritzar en temps real el rendiment dels models, identificant desviacions abans que afectin la seguretat.
La capacitat d'adaptar-se a diferents terrenys amb poques dades no només és rellevant per a vehicles tot terreny, sinó també per a qualsevol sistema robòtic que hagi d'operar en entorns canviants. Els agents IA, per exemple, poden beneficiar-se d'estratègies d'afinament similars per aprendre tasques noves amb exemples mínims. A Q2BSTUDIO desenvolupem aplicacions a mida que integren aquests principis, des de la simulació d'escenaris fins al control en temps real, ajudant empreses d'automoció, logística i robòtica a aconseguir una autonomia més robusta i eficient. La combinació de models generalistes amb mòduls d'adaptació dinàmica, com proposa OptCar, representa un pas endavant cap a sistemes de control veritablement adaptatius, capaços de mantenir la precisió en condicions adverses sense requerir una recollida massiva de dades.
