Objetivo de implementar modelo E2E antes de fin de año: IA integrada desde entrada de sensores hasta control vehicular
Selección de 'datos difíciles' sobre cantidad: construcción de canalización de datos basada en IA
Llamada de Kakao T combinada con vigilancia 24 horas: preparación para servicio de conducción autónoma sin conductor
![Lim In-ho, líder de la sección de conducción impulsada por IA del equipo de desarrollo de conducción autónoma de Kakao Mobility (izquierda), y Kim Min-seon, líder del equipo de negocio de conducción autónoma de Kakao Mobility (derecha), participan en una sesión de preguntas y respuestas durante el seminario de conducción autónoma de Kakao Mobility celebrado el día 9 en la Asociación de la Industria de Automovilidad de Corea en Seocho-gu, Seúl. [Foto=An Shin-hye, reportera]](https://image.ajunews.com/content/image/2026/09/09/20260909154041454144.jpg)
"Conducir durante un período largo en carreteras simples es menos útil para mejorar el rendimiento de la IA de conducción autónoma que experimentar diversas situaciones imprevistas en carreteras complejas como Gangnam."
Lim In-ho, líder de la sección de conducción impulsada por IA del equipo de desarrollo de conducción autónoma, presentó el 9 de septiembre en el seminario de conducción autónoma de Kakao Mobility celebrado en la Asociación de la Industria de Automovilidad de Corea en Seocho-gu, Seúl, el objetivo de implementar antes de fin de año un modelo de extremo a extremo (E2E) que procesa desde la entrada de sensores hasta el control de conducción con un único modelo de IA.
Kakao Mobility está acumulando actualmente datos de conducción autónoma en la zona de Gangnam de 22:00 a 05:00 horas, transportando pasajeros. El servicio nocturno, que comenzó en marzo con 2 vehículos, se expandió a 6 unidades el mes pasado, superando una distancia acumulada de 13.000 kilómetros y más de 2.000 viajes completados. Desde junio también realizan pruebas durante el día para recopilar datos en horarios con mayor flujo vehicular y peatonal.
La razón de acumular datos en Gangnam es el entorno vial complejo. Situaciones difíciles de predecir ocurren con frecuencia, lo que facilita que la IA de conducción autónoma aprenda casos extremos escasos, según explicaron los representantes de la empresa.
Kakao Mobility planea implementar el modelo E2E antes de fin de año basándose en los datos recopilados. Mientras que el método tradicional divide la información de sensores en etapas de percepción, toma de decisiones y control, el E2E permite que un único modelo de IA maneje desde la entrada de sensores hasta el control del vehículo.
Lim explicó que "se reducen los errores que ocurren en etapas intermedias y se puede tomar una decisión integral considerando toda la situación de conducción".
Sin embargo, Kakao Mobility no planea confiar el control del vehículo únicamente al juicio de la IA. La estrategia incluye un "evaluador de seguridad" basado en reglas como módulo separado. Este evaluador revalida la ruta de conducción seleccionada por el modelo E2E de acuerdo con la normativa de tráfico, las condiciones físicas del vehículo y los estándares de seguridad. Las reglas que deben cumplirse obligatoriamente, como los límites de velocidad en zonas escolares o las detenciones obligatorias en intersecciones, tienen prioridad sobre las decisiones de la IA.
Kakao Mobility enfatizó que la clave para optimizar el rendimiento del E2E es "seleccionar eficientemente datos difíciles" más que aumentar la cantidad de datos.
Cuando el vehículo carga los datos de conducción en el servidor, se seleccionan casos extremos con alto valor de aprendizaje, como giros prohibidos ilegales, obras viales repentinas e inserciones en el tráfico. Posteriormente, mediante etiquetado automático basado en IA, se procesan los datos de objetos circundantes como vehículos y peatones en un formato aprendible. Luego, mediante minería de datos utilizando modelos de lenguaje visual (VLM), se analizan y clasifican situaciones de conducción como condiciones climáticas, hora del día, estructura de carreteras y movimiento de vehículos, y se reintroducen en el aprendizaje del modelo de IA junto con datos existentes.
También se aplica IA en la selección de datos, una tarea que anteriormente realizaban personas revisando manualmente videos de conducción. La IA analiza los datos de conducción cargados en el servidor en cuestión de decenas de minutos, identifica situaciones necesarias para el aprendizaje y las reutiliza para entrenar el modelo.
También están construyendo una plataforma y un sistema de vigilancia para conectar la tecnología de conducción con un servicio real de conducción autónoma sin conductor. Basándose en Kakao T, no solo gestionan la llamada y el despacho de vehículos autónomos, sino también gestionan áreas operacionales por vehículo y rutas según capacidades de conducción, con vigilancia 24 horas para verificar en tiempo real la situación del vehículo, pasajeros y carreteras. En situaciones sin conductor, la plataforma y el sistema de vigilancia asumen funciones que anteriormente realizaban los conductores, como la gestión de puntos de subida y bajada y cambios de destino.
El sistema de vigilancia basado en VLM y la función de soporte remoto se encuentran actualmente en desarrollo y prueba. El soporte remoto no implica que los operadores manejen directamente el vehículo, sino que transmiten información necesaria ante situaciones imprevistas como construcciones o cierres de carreteras, mientras que la IA del vehículo realiza el juicio final de conducción y el control.
Kakao Mobility tiene el plan de ampliar gradualmente el número de vehículos, horarios de operación y áreas del servicio de conducción autónoma en Gangnam después de verificar exhaustivamente la seguridad.
* Este artículo ha sido traducido por IA.