Les voitures autonomes sont alimentées par des algorithmes d'apprentissage automatique qui nécessitent de grandes quantités de données de conduite pour fonctionner en toute sécurité. Mais si les voitures autonomes pouvaient apprendre à conduire de la même manière que les bébés apprennent à marcher, en regardant et en imitant les autres autour d'eux, elles auraient besoin de beaucoup moins de données de conduite compilées. Cette idée pousse l'ingénieur de l'Université de Boston, Eshed Ohn-Bar, à développer une toute nouvelle façon pour les véhicules autonomes d'apprendre des techniques de conduite sûres, en observant les autres voitures sur la route, en prédisant comment elles réagiront à leur environnement et en utilisant ces informations pour faire leur propres décisions de conduite.
Ohn-Bar, professeur adjoint d'ingénierie électrique et informatique à la BU College of Engineering et membre junior du corps professoral de l'Institut Rafik B. Hariri de la BU pour l'informatique et la science et l'ingénierie computationnelles, et Jimuyang Zhang, doctorant de la BU en génie électrique et informatique, ont récemment présenté leurs recherches à la conférence 2021 sur la vision par ordinateur et la reconnaissance de formes. Leur idée du paradigme de formation est venue du désir d'accroître le partage de données et la coopération entre les chercheurs dans leur domaine. Actuellement, les véhicules autonomes nécessitent de nombreuses heures de données de conduite pour apprendre à conduire en toute sécurité, mais certains des plus grands constructeurs automobiles du monde quantités de données privées pour empêcher la concurrence.
« Chaque entreprise suit le même processus consistant à prendre des voitures, à y installer des capteurs, à payer les conducteurs pour conduire les véhicules, à collecter des données et à apprendre aux voitures à conduire », explique Ohn-Bar. Le partage de ces données de conduite pourrait aider les entreprises à créer plus rapidement des véhicules autonomes sûrs, permettant à tout le monde dans la société de bénéficier de la coopération. Les systèmes de conduite artificiellement intelligents nécessitent tellement de données pour bien fonctionner, dit Ohn-Bar, qu'aucune entreprise ne sera en mesure de résoudre ce problème à elle seule.
"Des milliards de kilomètres [de données collectées sur la route] ne sont qu'une goutte dans un océan d'événements et de diversité du monde réel", a déclaré Ohn-Bar. "Pourtant, un échantillon de données manquant pourrait entraîner un comportement dangereux et un crash potentiel."
L'algorithme d'apprentissage automatique proposé par les chercheurs fonctionne en estimant les points de vue et les angles morts des autres voitures à proximité pour créer une carte à vol d'oiseau de l'environnement environnant. Ces cartes aident les voitures autonomes à détecter les obstacles, comme les autres voitures ou les piétons, et à comprendre comment les autres voitures tournent, négocient et cèdent sans heurter quoi que ce soit.
Grâce à cette méthode, les voitures autonomes apprennent en traduisant les actions des véhicules environnants dans leurs propres cadres de référence - leurs réseaux de neurones alimentés par un algorithme d'apprentissage automatique. Ces autres voitures peuvent être des véhicules à conduite humaine sans aucun capteur, ou des véhicules à pilotage automatique d'une autre entreprise. Étant donné que les observations de toutes les voitures environnantes dans une scène sont au cœur de la formation de l'algorithme, ce paradigme « apprendre en regardant » encourage le partage de données et, par conséquent, des véhicules autonomes plus sûrs.
Ohn-Bar et Zhang ont testé leur algorithme « regarder et apprendre » en faisant en sorte que des voitures autonomes conduites par celui-ci naviguent dans deux villes virtuelles, l'une avec des virages simples et des obstacles similaires à leur environnement d'entraînement, et l'autre avec des rebondissements inattendus, comme des intersections à cinq voies. Dans les deux scénarios, les chercheurs ont découvert que leur réseau de neurones autonomes a très peu d'accidents. Avec seulement une heure de données de conduite pour former l'algorithme d'apprentissage automatique, les véhicules autonomes sont arrivés en toute sécurité à destination dans 92 % des cas.
"Alors que les meilleures méthodes précédentes nécessitaient des heures, nous avons été surpris que notre méthode puisse apprendre à conduire en toute sécurité avec seulement 10 minutes de données de conduite", a déclaré Ohn-Bar.
Ces résultats sont prometteurs, dit-il, mais il reste encore plusieurs défis à relever pour faire face à des environnements urbains complexes. « Il est très difficile de tenir compte des perspectives qui varient considérablement entre les véhicules observés, le bruit et l'occlusion dans les mesures des capteurs et divers conducteurs », dit-il.
Pour l'avenir, l'équipe affirme que sa méthode d'apprentissage de la conduite autonome des véhicules autonomes pourrait également être utilisée dans d'autres technologies. "Livraison Collaboratif ou même les drones pourraient tous apprendre en observant d'autres systèmes d'IA dans leur environnement », explique Ohn-Bar.
