Les véhicules autonomes sont alimentés par des algorithmes de Machine Learning qui nécessitent de grandes quantités de données de conduite pour fonctionner en toute sécurité. Mais que se passerait-il si les voitures autonomes pouvaient apprendre à conduire de la même manière que les bébés. En observant et en imitant les autres autours d'elles, elles auraient besoin de beaucoup moins de données de conduite compilées.
C'est cette idée qui pousse Eshed Ohn-Bar, ingénieur à l'université de Boston, à développer une toute nouvelle méthode. Ohn-Bar veut effectivement que les véhicules autonomes apprennent des techniques de conduite sûres. Des voitures capables d'observer les autres véhicules sur la route, de prédire comment elles réagiront à chaque environnement. Bref, des véhicules capables d'utiliser toutes sortes d'informations et prendre leurs propres décisions de conduite.
Encourager le partage de données
Ohn-Bar et son équipe ont récemment présenté leurs recherches à la Conférence sur la vision par ordinateur et la reconnaissance des formes 2021. L'idée du paradigme de formation est en effet née du désir d'accroître le partage des données et la coopération entre les chercheurs dans leur domaine. Aujourd'hui, les véhicules autonomes ont besoin de nombreuses heures de données de conduite pour apprendre à conduire en toute sécurité. Toutefois, certains des plus grands constructeurs automobiles du monde gardent leurs grandes quantités de données privées pour éviter toute concurrence.
L'algorithme de Machine Learning proposé par les chercheurs fonctionne en estimant les points de vue et les angles morts des autres voitures à proximité. Leur but étant de 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. Elles peuvent aussi les aider à comprendre comment les autres voitures tournent, négocient et cèdent le passage.
Véhicules autonomes : pour un apprentissage en toute autonomie
Grâce à cette méthode, les voitures autonomes apprennent en traduisant les actions des véhicules environnants. Ces autres voitures peuvent être des véhicules conduits par des humains sans aucun capteur. Il peut aussi s'agir de véhicules autopilotés d'une autre société. Puisque les observations de toutes les voitures environnantes dans une scène sont essentielles à l'apprentissage de l'algorithme, ce paradigme d'« apprentissage par l'observation » encourage le partage des données. Elle permet par conséquent, des véhicules autonomes plus sûrs.
Les chercheurs ont notamment testé leur algorithme en demandant à des voitures autonomes conduites par cet algorithme de naviguer dans deux villes virtuelles. La première comportant des virages directs et des obstacles similaires à leur environnement d'entraînement. L'autre inclut des virages inattendus, comme des intersections à cinq voies. Dans les deux scénarios, les chercheurs ont constaté que leur système de conduite autonome ne provoquait que très peu d'accidents. Avec seulement une heure de données de conduite pour entraîner l'algorithme d'apprentissage automatique, les véhicules autonomes sont arrivés en toute sécurité à leur destination dans 92 % des cas.
« Alors que les meilleures méthodes précédentes nécessitaient des heures, nous avons été surpris de constater que notre méthode pouvait apprendre à conduire en toute sécurité avec seulement 10 minutes de données de conduite », déclare M. Ohn-Bar.
Pour l'avenir, l'équipe affirme que sa méthode d'apprentissage de la conduite autonome pourrait s'utiliser dans d'autres technologies.
« Les robots de livraison ou même les drones pourraient tous apprendre en observant d'autres systèmes d'intelligence artificielle dans leur environnement », explique M. Ohn-Bar.
- Partager l'article :
