Un nombre croissant d’informaticiens tentent de mettre au point des outils qui pourraient reproduire les processus de décision humains. Une technologie qui permettra ainsi aux robots ou aux véhicules autonomes de prendre des décisions plus rapidement et plus efficacement. Cela est particulièrement important pour les systèmes robotiques. Les systèmes qui effectuent notamment des actions qui ont un impact direct sur la sécurité des humains.
Des chercheurs du Honda Research Institute U.S., de Honda R&D et de l’UC Berkeley ont récemment compilé LOKI. Un ensemble de données qui pourrait être utilisé pour former des modèles qui prédisent les trajectoires des piétons et des véhicules sur la route. Ce jeu de données contient des images étiquetées de différents agents dans la rue. Des agents comme des piétons, des vélos, des voitures, capturées du point de vue d’un conducteur.
LOKI : pour prédire efficacement les futures trajectoire des acteurs de la circulation
« Nous visons à prédire les trajectoires futures des agents de la circulation dans les scènes de conduite », a déclaré Chiho Choi, l’un des chercheurs qui ont réalisé l’étude.
Selon lui pour prédire le plus efficacement possible les trajectoires des acteurs de la circulation, il est important que les techniques de machine learning tiennent compte d’une hiérarchie complexe d’objectifs. Sur cette base, le modèle peut alors planifier les mouvements d’un robot ou d’un véhicule le plus efficacement possible.
Les chercheurs ont donc entrepris de développer une architecture qui considère les objectifs à court et à long terme. Des objectifs comme des éléments clés de l’estimation de l’intention dans le cadre. Les résultats de ces considérations influencent ensuite son module de prédiction de trajectoire.
« Considérons un véhicule à une intersection. Où il veut atteindre son objectif ultime, à savoir tourner à gauche vers son point d’arrivée final », a expliqué M. Choi. Lors du raisonnement sur l’intention de son mouvement pour tourner, il est important de prendre en compte sa dynamique. Il faut aussi tenir compte de la façon dont l’intention est susceptible de changer en fonction de nombreux facteurs. Parmi ces facteurs, on peut citer notamment la volonté propre de l’agent, les interactions sociales, les contraintes environnementales, les indices contextuels.
Le jeu de données LOKI contient des centaines d’images RVB représentant différents agents dans le trafic. À chacune de ces images correspondent des nuages de points LiDAR avec des étiquettes détaillées, par cadre, pour tous les agents du trafic.
Trois classes d’étiquettes
Le jeu de données comporte trois classes uniques d’étiquettes. La première est constituée d’étiquettes d’intention, qui spécifient « comment » un acteur décide d’atteindre un objectif donné via une série d’actions. La deuxième est constituée d’étiquettes environnementales. Ces étiquettes fournissent des informations sur l’environnement ayant un impact sur les intentions des agents (par exemple, les positions de « sortie de route » ou d’« entrée de route », les « feux de signalisation », les « panneaux de signalisation », les « informations sur les voies », etc.) La troisième classe comprend les étiquettes contextuelles. Elles pourraient également affecter le comportement futur des agents. Les étiquettes contextuelles sont généralement les informations liées à la météo, l’état de la route, le sexe et l’âge des piétons, etc.
« Nous fournissons une compréhension complète de la façon dont l’intention change sur un long horizon temporel », a déclaré Choi. Ce faisant, l’ensemble de données LOKI est le premier qui peut être utilisé comme référence. Une référence surtout pour la compréhension de l’intention pour des agents de circulation hétérogènes (c’est-à-dire des voitures, des camions, des vélos, des piétons, etc.).
« Nous avons déjà commencé à explorer d’autres directions de recherche. Des directions visant à raisonner conjointement sur les intentions et les trajectoires tout en considérant différents facteurs internes/externes tels que la volonté des agents, les interactions sociales et les facteurs environnementaux », a déclaré Choi. Notre objectif immédiat est d’explorer davantage l’espace de prédiction basé sur les intentions. Non seulement pour les trajectoires, mais aussi pour les mouvements et les comportements humains en général. Nous travaillons actuellement à l’élargissement de l’ensemble de données LOKI dans cette direction. Nous pensons que notre ensemble de données très flexible encouragera la communauté de prédiction à faire progresser ces domaines.
- Partager l'article :
