TL;DR
El modelo SafeDrive de la Universidad Nacional de Seúl califica múltiples rutas de conducción en cuanto a seguridad antes de elegir una. Primer artículo coreano sobre conducción autónoma de extremo a extremo en obtener un destacado CVPR.
La mayoría de los modelos de IA autónomos estudian cómo conducen los humanos e intentan copiarlos. Funcionan bien en condiciones normales, pero les cuesta explicar por qué eligieron un camino en lugar de otro, lo que se convierte en un problema cuando una decisión de una fracción de segundo sale mal. Un equipo de la Universidad Nacional de Seúl dirigido por el profesor Jun Won Choi ha creado un modelo llamado SafeDrive que adopta un enfoque diferente: genera varias trayectorias posibles, puntúa la seguridad de cada una utilizando datos de sensores y elige el camino que obtiene la mejor puntuación. El coche muestra su trabajo.
La técnica, llamado razonamiento de seguridad detalladofue seleccionado como artículo destacado en CVPR 2026, la conferencia líder en visión por computadora e inteligencia artificial. Aproximadamente el 3% de las presentaciones obtienen la distinción. Es la primera vez que un artículo sobre conducción autónoma de extremo a extremo desarrollado en Corea recibe un CVPR destacado, una señal de que Corea del Sur está produciendo investigaciones competitivas en un campo dominado por laboratorios estadounidenses y chinos. Corea del Sur comprometió 880.000 millones de dólares durante una década para la IA, los chips y la robóticay SafeDrive es uno de los primeros resultados de esa inversión para obtener un reconocimiento académico de primer nivel.
SafeDrive no se quedará en el laboratorio. Se ha integrado en EAD, un modelo de referencia respaldado por el Ministerio de Comercio, Industria y Energía de Corea. El equipo de Choi está trabajando con empresas nacionales de conducción autónoma para probarlo en vehículos reales, con planes de avanzar hacia la comercialización utilizando datos de conducción patentados. Los robotaxis de Tesla en Austin se estrellan cuatro veces más que los conductores humanoslo que ilustra que los problemas de seguridad y explicabilidad que aborda SafeDrive no son teóricos. Cuando un vehículo autónomo toma una mala decisión, los reguladores, las aseguradoras y los tribunales deben saber por qué. Un modelo que puntúa alternativas y selecciona la más segura produce un rastro de decisión auditable que un sistema de caja negra no puede.