Les algorithmes de voiture autonome deviennent de plus en plus une r\u00e9alit\u00e9. <\/p>\n\n
Cet article de blog r\u00e9pondra \u00e0 ces questions. Cela expliquera \u00e9galement ce qui les rend si dangereux pour les pi\u00e9tons, les cyclistes et les autres conducteurs – et pourquoi nous devrions nous en inqui\u00e9ter.<\/p>\n\n
Tout d’abord, parlons du fonctionnement r\u00e9el de ces syst\u00e8mes d’IA. Le c\u0153ur de tout algorithme d’auto-conduite est un r\u00e9seau de neurones profonds (DNN). Les DNN utilisent un r\u00e9seau de neurones artificiels pour repr\u00e9senter les donn\u00e9es en couches: couche d’entr\u00e9e, couche(s) cach\u00e9e(s) et couche de sortie. Ils sont connus pour avoir de nombreux param\u00e8tres qui les rendent difficiles \u00e0 entra\u00eener. Heureusement, il existe de nombreux types de techniques d’apprentissage qui peuvent aider \u00e0 att\u00e9nuer ce probl\u00e8me. Par exemple, nous pouvons utiliser la pr\u00e9-formation et l’apprentissage par transfert pour rendre le processus de formation plus rapide et plus pr\u00e9cis.<\/p>\n\n
Il existe diff\u00e9rents types de DNN: les couches convolutives, les couches r\u00e9currentes (RNN) et les couches d’anticipation (FF) sont toutes largement utilis\u00e9es dans les applications d’apprentissage en profondeur telles que les algorithmes de voiture autonome. Les couches convolutives appliqueront un noyau ou un filtre pour extraire des caract\u00e9ristiques de haut niveau d’une entr\u00e9e afin que chaque \u00e9l\u00e9ment de la sortie ait des dimensions tr\u00e8s similaires par rapport \u00e0 la couche pr\u00e9c\u00e9dente. Les RNN tirent parti des d\u00e9pendances temporelles, ce qui signifie qu’ils peuvent \u00eatre utilis\u00e9s dans des situations o\u00f9 vous devez comprendre comment quelque chose change au fil du temps, comme la compr\u00e9hension de la parole ou la d\u00e9tection d’objets dans des images\/vid\u00e9os. Les couches Feedforward capturent mieux les d\u00e9pendances spatiales, c’est pourquoi elles sont couramment utilis\u00e9es dans des t\u00e2ches de classification tr\u00e8s pr\u00e9cises.<\/p>\n\n
Pour former ces DNN, nous pouvons utiliser l’une des deux techniques suivantes : l’apprentissage supervis\u00e9 ou l’apprentissage non supervis\u00e9. Avec l’apprentissage supervis\u00e9, la sortie souhait\u00e9e pour chaque entr\u00e9e est donn\u00e9e au mod\u00e8le pendant la formation; cela fonctionne g\u00e9n\u00e9ralement mieux lorsqu’il existe une \u00e9tiquette disponible qui correspond \u00e0 chaque observation. L’apprentissage non supervis\u00e9 consiste \u00e0 utiliser un ensemble de donn\u00e9es non \u00e9tiquet\u00e9 et \u00e0 lui donner des fonctionnalit\u00e9s pour qu’il puisse les regrouper avec des mod\u00e8les par lui-m\u00eame. Cette approche nous permet de classer les objets sans \u00e9tiquettes, ce qui rend les algorithmes de voiture autonome particuli\u00e8rement uniques par rapport \u00e0 la plupart des autres applications de vision industrielle o\u00f9 les \u00e9tiquettes sont pr\u00e9sentes dans presque tous les cas.<\/p>\n\n
La prochaine \u00e9tape dans la description des algorithmes des voitures autonomes consiste \u00e0 comprendre ce qui les rend difficiles pour les pi\u00e9tons, les cyclistes et les autres conducteurs. La r\u00e9ponse \u00e0 cette question r\u00e9side dans la fa\u00e7on dont ces syst\u00e8mes d’IA d\u00e9tectent les objets en mouvement. Par exemple, imaginez que vous \u00eates une voiture autonome approchant d’un passage pour pi\u00e9tons sans panneau d’arr\u00eat ni feu de circulation. Lorsque le pi\u00e9ton appuie sur le bouton \u00e0 l’intersection, il active un signal qui indique aux voitures qu’il a la priorit\u00e9. Notre syst\u00e8me d’IA doit s’appuyer sur ce signal radio sans fil afin de d\u00e9terminer s’il doit ralentir ou s’arr\u00eater.<\/p>\n\n
Cela pose plusieurs probl\u00e8mes : tout d’abord, les signaux RF sont souvent \u00e0 courte port\u00e9e, leur utilisation n’est donc pas id\u00e9ale pour les algorithmes de voitures autonomes, car nous aurions besoin de monter des capteurs suppl\u00e9mentaires par-dessus ; nous aurions \u00e9galement besoin de plus d’infrastructures et d’une coordination \u00e0 l’\u00e9chelle de la ville pour que cela fonctionne. Deuxi\u00e8mement, les radios sont souvent aliment\u00e9es par batterie, elles peuvent donc ne pas \u00eatre fiables dans certaines situations – bien que cela pose \u00e9galement un probl\u00e8me avec les pi\u00e9tons humains, pas seulement les syst\u00e8mes d’IA. Troisi\u00e8mement, s’il y a des interf\u00e9rences ou un manque de connectivit\u00e9, notre syst\u00e8me d’IA ne saura pas quand quelqu’un est sur le point de traverser ou s’il doit s’arr\u00eater\/ralentir. Le quatri\u00e8me probl\u00e8me est que les algorithmes des voitures autonomes n’ont pas acc\u00e8s \u00e0 ces types de signaux, car la plupart ne sont pas encore directement connect\u00e9s aux r\u00e9seaux sans fil locaux.<\/p>\n\n
Cela signifie que les syst\u00e8mes d’IA doivent s’appuyer sur d’autres types de donn\u00e9es d’entr\u00e9e pour naviguer aux intersections, telles que des cam\u00e9ras mont\u00e9es \u00e0 l’ext\u00e9rieur, des cam\u00e9ras \u00e0 l’int\u00e9rieur de la voiture pour d\u00e9tecter les passagers et des capteurs sur les roues pour mesurer la vitesse. Cela pose \u00e9galement quelques probl\u00e8mes: par exemple, si quelqu’un d\u00e9clenche un feu de circulation avec une voiture RC ou un autre type de contr\u00f4leur, notre syst\u00e8me d’IA pourrait avoir du mal \u00e0 le d\u00e9tecter car aucune cam\u00e9ra n’est point\u00e9e vers cette intersection. Les feux de circulation n\u00e9cessitent \u00e9galement de l’\u00e9lectricit\u00e9 afin qu’ils puissent tomber en panne dans certaines situations – et cela est particuli\u00e8rement probl\u00e9matique si la batterie de notre voiture autonome meurt.<\/p>\n\n
Cependant, il existe de nombreux autres d\u00e9fis li\u00e9s \u00e0 la formation des algorithmes de conduite automobile autonome. Par exemple, la premi\u00e8re s\u00e9rie de probl\u00e8mes concernait principalement la d\u00e9tection d’objets alors que les pi\u00e9tons\/cyclistes n’\u00e9taient pas pr\u00e9sents car ils se d\u00e9placent beaucoup plus lentement que les voitures, de sorte que leurs vecteurs de vitesse ne seraient pas aussi grands que ceux des voitures. Cependant, nous approchons maintenant d’un point de basculement o\u00f9 les vitesses des voitures autonomes commencent \u00e0 rivaliser avec celles des humano\u00efdes et c’est l\u00e0 qu’elles deviennent beaucoup plus difficiles \u00e0 d\u00e9tecter.<\/p>\n\n
Il y a aussi le probl\u00e8me des donn\u00e9es de formation : si nous les formons avec trop d’\u00e9chantillons d’une certaine ville, ils pourraient ne pas bien g\u00e9rer les intersections dans d’autres villes. Il s’agit d’un probl\u00e8me particuli\u00e8rement important pour des entreprises comme Google qui ont pass\u00e9 des ann\u00e9es \u00e0 voyager dans le monde entier pour cartographier chaque intersection afin que les syst\u00e8mes d’IA puissent \u00e9ventuellement \u00eatre d\u00e9ploy\u00e9s n’importe o\u00f9 dans le monde. Vous pouvez en savoir plus sur ce sujet ici ou jeter un \u0153il \u00e0 cette s\u00e9rie de vid\u00e9os sur la vision industrielle.<\/p>\n\n
Comme il est difficile pour ces types d’algorithmes de naviguer dans les intersections, certains chercheurs d\u00e9veloppent de nouvelles m\u00e9thodes qui reposent sur l’apprentissage par renforcement au lieu de l’apprentissage supervis\u00e9. Cette technique consiste \u00e0 entra\u00eener une voiture autonome \u00e0 naviguer aux intersections en devinant au hasard ce qu’elle doit faire apr\u00e8s chaque pas, par exemple si sa vitesse doit \u00eatre acc\u00e9l\u00e9r\u00e9e ou d\u00e9c\u00e9l\u00e9r\u00e9e et dans quelle direction. Il essaie un grand nombre d’actions jusqu’\u00e0 ce qu’il apprenne le bon chemin de A \u00e0 B, de la m\u00eame mani\u00e8re que les animaux apprennent de leurs parents plut\u00f4t que d’\u00eatre explicitement enseign\u00e9s.<\/p>\n\n
Bien entendu, les algorithmes d’apprentissage par renforcement reposent toujours sur des capteurs plac\u00e9s autour de la voiture, tels que des cam\u00e9ras qui d\u00e9tectent les pi\u00e9tons\/v\u00e9los. L’un des avantages est qu’ils peuvent s’am\u00e9liorer dans la gestion des intersections au fil du temps, car nous pouvons am\u00e9liorer notre estimation initiale \u00e0 chaque tentative cons\u00e9cutive. Un autre avantage est que ces syst\u00e8mes ne n\u00e9cessitent pas d’infrastructure co\u00fbteuse comme des feux de circulation et des \u00e9metteurs radio, m\u00eame s’ils doivent toujours pouvoir d\u00e9tecter les personnes sans eux.<\/p>\n\n
C’est pourquoi certains chercheurs sur les voitures autonomes commencent \u00e0 utiliser les humains comme source suppl\u00e9mentaire de donn\u00e9es de signal dans la mesure du possible. Avec une formation suffisante, ils peuvent fournir \u00e0 nos syst\u00e8mes d’IA des informations fiables sur les intersections \u00e0 venir – et plus ils re\u00e7oivent de donn\u00e9es, meilleure sera leur prise de d\u00e9cision. Cela pourrait \u00e9galement \u00eatre utile pour d’autres t\u00e2ches, comme aider nos compagnons robots \u00e0 naviguer dans des zones surpeupl\u00e9es ou m\u00eame \u00e0 trouver des objets cach\u00e9s dans les maisons, car les robots s’appuient g\u00e9n\u00e9ralement sur des cam\u00e9ras\/capteurs plut\u00f4t que sur la vue humaine.<\/p>\n\n
Bien s\u00fbr, cette m\u00e9thode a ses faiblesses – par exemple, les humains ne sont pas infaillibles et nous n’avons pas tous la m\u00eame exp\u00e9rience de navigation dans les villes et il y a toujours une marge d’erreur lorsqu’il s’agit d’envoyer des instructions aux voitures autonomes. On ne sait pas \u00e0 quel point nos algorithmes d’apprentissage automatique fonctionneront dans diff\u00e9rents environnements, en particulier parce que la prise de d\u00e9cision humaine a tendance \u00e0 \u00eatre influenc\u00e9e par le paysage urbain lui-m\u00eame, ce qui signifie qu’il est difficile de g\u00e9n\u00e9raliser entre les emplacements. C’est pourquoi de nombreux experts recommandent toujours l’apprentissage supervis\u00e9 jusqu’\u00e0 ce que nous d\u00e9veloppions des mod\u00e8les plus avanc\u00e9s capables de g\u00e9rer ces probl\u00e8mes.<\/p>\n\n
M\u00eame s’il y a moins d’accidents de voiture autonome chaque ann\u00e9e, ils se produisent g\u00e9n\u00e9ralement aux intersections o\u00f9 les chercheurs ont eu du mal \u00e0 former les syst\u00e8mes d’IA car les donn\u00e9es sont soit incompl\u00e8tes, soit tout simplement indisponibles pour certaines r\u00e9gions\/pays, comme les zones rurales. Si vous souhaitez en savoir plus sur les d\u00e9fis suppl\u00e9mentaires associ\u00e9s au d\u00e9veloppement de v\u00e9hicules autonomes, cliquez ici ou consultez cette s\u00e9rie d’articles sur l’apprentissage par renforcement en profondeur.<\/p>\n\n
En termes simples, la voiture utilise une s\u00e9rie d’algorithmes pour traiter de grandes quantit\u00e9s de donn\u00e9es de son environnement. Pour comprendre ce que cela signifie, il est important de comprendre ce qu’est un algorithme. En informatique, un algorithme est un ensemble de proc\u00e9dures ou de r\u00e8gles \u00e9tape par \u00e9tape qui d\u00e9finissent la mani\u00e8re dont les informations seront trait\u00e9es et g\u00e9r\u00e9es. Les voitures autonomes utilisent ces algorithmes pour traiter certaines choses concernant leur environnement et faire des pr\u00e9dictions en fonction de celles-ci – par exemple, la vitesse \u00e0 laquelle les objets se d\u00e9placent les uns par rapport aux autres. De nombreux types d’algorithmes peuvent \u00eatre trouv\u00e9s dans une voiture autonome : d\u00e9tection et classification d’objets, planification et pr\u00e9diction de mouvement, localisation et cartographie (SLAM), etc. Ces calculs sont effectu\u00e9s par de nombreux types de capteurs diff\u00e9rents, notamment des cam\u00e9ras et des scanners laser.<\/p>\n\n
Les voitures autonomes utilisent une vari\u00e9t\u00e9 de capteurs diff\u00e9rents pour suivre leur environnement. Certaines des principales technologies de capteurs utilis\u00e9es dans les voitures autonomes sont le radar, le Lidar et l’imagerie optique. Le radar \u00e9met des ondes radio pour d\u00e9tecter les objets en les r\u00e9fl\u00e9chissant sur les surfaces – c’est bon pour voir des objets solides\/grands, ce qui peut \u00eatre difficile en utilisant uniquement des donn\u00e9es optiques. Lidar est l’abr\u00e9viation de Light Detection and Ranging – il utilise la lumi\u00e8re laser au lieu des ondes radio pour d\u00e9tecter des surfaces telles que les marquages routiers et les voies qui peuvent \u00eatre difficiles \u00e0 voir la nuit ou sous la pluie\/la neige. L’imagerie optique est exactement ce \u00e0 quoi cela ressemble : les cam\u00e9ras de la voiture captent des images qui incluent des \u00e9l\u00e9ments tels que des feux de circulation, des panneaux de signalisation, des pi\u00e9tons, etc. Le radar, le Lidar et l’imagerie optique sont tous importants pour am\u00e9liorer la conscience de la voiture de son environnement.<\/p>\n\n
Les voitures autonomes doivent faire plusieurs choses \u00e0 la fois pour pouvoir fonctionner seules en toute s\u00e9curit\u00e9. Ils doivent d’abord d\u00e9tecter l’environnement qui les entoure \u00e0 l’aide des donn\u00e9es de leurs diff\u00e9rents capteurs, puis ils doivent traiter ces donn\u00e9es en informations qui peuvent \u00eatre utilis\u00e9es pour d\u00e9terminer les actions \u00e0 entreprendre ensuite. Pour ce faire, les voitures autonomes utilisent des algorithmes qui fonctionnent comme un ensemble de proc\u00e9dures ou de r\u00e8gles que la voiture suit afin de faire des pr\u00e9dictions bas\u00e9es sur des indices environnementaux. Les technologies utilis\u00e9es dans les voitures autonomes sont constamment am\u00e9lior\u00e9es avec chaque nouveau mod\u00e8le d\u00e9ploy\u00e9 sur les routes – mais m\u00eame si ces machines continuent de s’am\u00e9liorer, elles ont encore un long chemin \u00e0 parcourir avant de devenir courantes.<\/p>\n\n
Qui sont les personnes derri\u00e8re ces algorithmes ? Les voitures autonomes sont des machines complexes avec de nombreux processus diff\u00e9rents en cours \u00e0 l’int\u00e9rieur \u00e0 tout moment – c’est pourquoi il faut des \u00e9quipes de professionnels d\u00e9vou\u00e9s pour les faire fonctionner correctement. Il existe d’innombrables carri\u00e8res dans le monde des voitures autonomes, mais certaines des plus courantes incluent les ing\u00e9nieurs en vision par ordinateur, les ing\u00e9nieurs en robotique et les d\u00e9veloppeurs de logiciels. Chacun joue un r\u00f4le essentiel dans le d\u00e9veloppement ou l’am\u00e9lioration de nouveaux mod\u00e8les pouvant \u00eatre utilis\u00e9s \u00e0 diverses fins. Non seulement cela, mais chaque nouvelle innovation offre des opportunit\u00e9s \u00e0 ceux qui souhaitent s’impliquer dans son processus de production. La ligne de fond? Avec le temps et la recherche investis dans les voitures autonomes par des entreprises du monde entier, ce n’est qu’une question de temps avant que ces machines ne soient perfectionn\u00e9es et mises en \u0153uvre dans la soci\u00e9t\u00e9.<\/p>\n\n
Quels sont les autres faits concernant les voitures autonomes? Si vous \u00eates int\u00e9ress\u00e9 \u00e0 faire partie de cette industrie vous-m\u00eame ou si vous voulez simplement en savoir plus sur la technologie qui permet de faire fonctionner correctement ces v\u00e9hicules, visitez le cours suivant aujourd’hui.<\/p>\n\n