Xavier Boyer
La poussée vers des véhicules véritablement autonomes a été entravée par le coût et le temps associés aux exams de sécurité, mais un nouveau système développé à l’Université du Michigan montre que l’intelligence artificielle peut réduire les kilomètres de test requis de 99,99 %.
Cela pourrait déclencher un changement de paradigme qui permettrait aux fabricants de vérifier plus rapidement si leur technologie de véhicule autonome peut sauver des vies et réduire les accidents. Dans un environnement simulé, des véhicules entraînés par l’intelligence artificielle effectuent des manœuvres périlleuses, obligeant l’AV à prendre des décisions auxquelles les conducteurs ne sont confrontés que rarement sur la route mais qui sont nécessaires pour mieux entraîner les véhicules.
Pour rencontrer à plusieurs reprises ce style de cases pour la collecte de données, les véhicules d’essai du monde réel doivent parcourir des centaines de thousands and thousands à des centaines de milliards de kilomètres.
“Les événements critiques pour la sécurité – les accidents ou les quasi-mishaps – sont très rares dans le monde réel, et souvent les véhicules audiovisuels ont du mal à les gérer”, a déclaré Henry Liu, professeur de génie civil à l’UM et directeur de Mcity et du Heart for Connected and Automated Transportation, un centre régional de recherche sur les transports financé par le Département américain des transports.
Les chercheurs de l’UM appellent le problème la « malédiction de la rareté » et ils s’y attaquent en apprenant à partir des données de trafic du monde réel qui contiennent des événements rares critiques pour la sécurité. Les exams effectués sur des pistes d’essai imitant la conduite urbaine et sur autoroute ont montré que les véhicules virtuels entraînés par l’IA peuvent accélérer le processus de exam des milliers de fois. L’étude apparaît sur la couverture de Mother nature.
« Les véhicules de examination AV que nous utilisons sont réels, mais nous avons créé un environnement de check de réalité mixte. Les véhicules d’arrière-prepare sont virtuels, ce qui nous permet de les entraîner à créer des scénarios difficiles qui ne se produisent que rarement sur la route », a déclaré Liu..
L’équipe d’UM a utilisé une approche pour previous les véhicules d’arrière-system qui supprime les informations non critiques pour la sécurité des données de conduite utilisées dans la simulation. Fondamentalement, il se débarrasse des longues durées lorsque les autres conducteurs et piétons se comportent de manière responsable et attendue, mais préserve les times dangereux qui exigent une motion, comme un autre conducteur qui brûle un feu rouge.
En n’utilisant que des données critiques pour la sécurité pour previous les réseaux de neurones qui prennent les décisions de manœuvre, les véhicules d’essai peuvent rencontrer davantage de ces événements rares en moins de temps, ce qui rend les tests beaucoup moins chers.
« L’apprentissage par renforcement dense libérera le potentiel de l’IA pour valider l’intelligence des systèmes autonomes critiques pour la sécurité tels que les AV, la robotique médicale et les systèmes aérospatiaux », a déclaré Shuo Feng, professeur adjoint au Département d’automatisation de l’Université de Tsinghua et ancien chercheur adjoint. à l’Institut de recherche sur les transports de l’UM.
“Cela ouvre également la porte à une formation accélérée des systèmes autonomes critiques pour la sécurité en tirant parti des brokers de check basés sur l’IA, ce qui peut créer une relation symbiotique entre les checks et la development, accélérant les deux domaines.”
Beaucoup additionally de données étaient nécessaires.
“Cela signifie”, a écrit l’auteur, “ses voitures devraient rouler 25 fois de furthermore leur total avant que nous puissions dire, avec même un obscure sentiment de certitude, qu’elles causent moins de décès que les chauffeurs de bus.”
Les checks ont été effectués dans l’environnement urbain de Mcity à Ann Arbor, ainsi que sur la piste d’essai de l’autoroute au Centre américain pour la mobilité à Ypsilanti.
Lancé en 2015, Mcity était le premier environnement de take a look at au monde spécialement conçu pour les véhicules connectés et autonomes. Grâce au nouveau soutien de la Nationwide Science Basis, des chercheurs extérieurs pourront bientôt effectuer des exams de réalité mixte à distance en utilisant à la fois la simulation et la piste de check physique, similaires à ceux rapportés dans cette étude.
Les ensembles de données du monde réel qui prennent en demand les simulations Mcity sont collectés à partir d’intersections intelligentes à Ann Arbor et Detroit, avec in addition d’intersections à équiper. Chaque intersection est équipée de capteurs préservant la vie privée pour capturer et catégoriser chaque usager de la route, en identifiant sa vitesse et sa route. La recherche a été financée par le Centre for Linked and Automated Transportation et la Nationwide Science Basis.
