Les càmeres d'esdeveniments no fan fotografies a intervals regulars com una càmera normal: cada píxel avisa només quan detecta un canvi de llum. Això les fa molt ràpides i útils de nit o amb moviments bruscos, i per això interessen tant per als cotxes, els drons i els robots. El problema és que les dades que produeixen són estranyes per als sistemes d'IA habituals, i cada tasca acabava necessitant un mètode fet a mida.
Un equip de la Universitat de Pennsilvània, encapçalat pel doctorand Richeek Das i pels professors Pratik Chaudhari i Kostas Daniilidis, proposa una solució general a la revista «Science Robotics». La seva representació, anomenada Fast Feature Field (F³), és una xarxa neuronal entrenada per predir els esdeveniments que vindran. Per encertar-ho ha d'aprendre alhora l'estructura de l'escena i com es mou, sense que ningú li digui per a quina tasca servirà. Com que al voltant del 95% de les posicions possibles no tenen cap esdeveniment, el sistema només calcula on n'hi ha, i això el fa prou ràpid per funcionar en temps real.
Segons els autors, els mètodes construïts sobre F³ assoleixen els millors resultats actuals en diverses tasques de percepció, com reconèixer objectes, estimar distàncies i seguir el moviment, i són de 2 a 5 vegades més ràpids que els anteriors. Processa dades d'alta definició 120 vegades per segon i, a resolució més baixa, 440. L'han provat amb dades de cotxes, robots de quatre potes i drons, en escenaris que van de carrers urbans de nit a interiors plens de gent.
El resultat està revisat per parells, però les xifres de rendiment són les que dona l'equip amb els seus conjunts de proves. Encara no és una peça de maquinari: els investigadors volen integrar F³ als circuits de la càmera perquè funcioni com un controlador, i la feina amb drons és en curs. Les càmeres d'esdeveniments, a més, continuen sent força menys habituals i més cares que les convencionals.