L’IA reconnaît les situations de circulation potentiellement critiques sept secondes à l’avance –

  • FrançaisFrançais



  • Une équipe de chercheurs de l’Université technique de Munich (TUM) a développé un nouveau système d’alerte précoce pour les véhicules qui utilise l’intelligence artificielle pour apprendre de milliers de situations de circulation réelles. Une étude du système a été réalisée en coopération avec le groupe BMW. Les résultats montrent que, s’il est utilisé dans les véhicules autonomes d’aujourd’hui, il peut avertir sept secondes à l’avance contre des situations potentiellement critiques que les voitures ne peuvent pas gérer seules – avec une précision de plus de 85%.

    Pour rendre les voitures autonomes sûres à l’avenir, les efforts de développement reposent souvent sur des modèles sophistiqués visant à donner aux voitures la capacité d’analyser le comportement de tous les acteurs de la circulation. Mais que se passe-t-il si les modèles ne sont pas encore capables de gérer certaines situations complexes ou imprévues?

    Une équipe travaillant avec le professeur Eckehard Steinbach, qui détient la chaire de technologie des médias et est membre du conseil d’administration de la Munich School of Robotics and Machine Intelligence (MSRM) à TUM, adopte une nouvelle approche. Grâce à l’intelligence artificielle (IA), leur système peut tirer des leçons de situations passées où les véhicules d’essai de conduite autonome ont été poussés à leurs limites dans le trafic routier réel. Ce sont des situations où un conducteur humain prend le relais – soit parce que la voiture signale la nécessité d’une intervention, soit parce que le conducteur décide d’intervenir pour des raisons de sécurité.

    Reconnaissance de formes via RNN

    La technologie utilise des capteurs et des caméras pour capturer les conditions environnantes et enregistre les données d’état du véhicule telles que l’angle du volant, les conditions routières, la météo, la visibilité et la vitesse. Le système d’IA, basé sur un réseau neuronal récurrent (RNN), apprend à reconnaître des modèles avec les données. Si le système détecte un schéma dans une nouvelle situation de conduite que le système de commande n’a pas pu gérer dans le passé, le conducteur sera averti à l’avance d’une éventuelle situation critique.

    «Pour rendre les véhicules plus autonomes, de nombreuses méthodes existantes étudient ce que les voitures comprennent désormais du trafic et tentent ensuite d’améliorer les modèles qu’elles utilisent. Le gros avantage de notre technologie: nous ignorons complètement ce que pense la voiture. des données basées sur ce qui se passe réellement et recherchez des modèles », explique Steinbach. «De cette façon, l’IA découvre des situations potentiellement critiques que les modèles ne sont peut-être pas capables de reconnaître, ou n’ont pas encore découverts. Notre système offre donc une fonction de sécurité qui sait quand et où les voitures ont des faiblesses.

    Avertissements jusqu’à sept secondes à l’avance

    L’équipe de chercheurs a testé la technologie avec le groupe BMW et ses véhicules de développement autonome sur la voie publique et analysé environ 2500 situations où le conducteur devait intervenir. L’étude a montré que l’IA est déjà capable de prédire des situations potentiellement critiques avec une précision supérieure à 85% – jusqu’à sept secondes avant qu’elles ne se produisent.

    Collecter des données sans effort supplémentaire

    Pour que la technologie fonctionne, de grandes quantités de données sont nécessaires. Après tout, l’IA ne peut reconnaître et prédire les expériences aux limites du système que si les situations ont été vues auparavant. Avec le grand nombre de véhicules de développement sur la route, les données ont été pratiquement générées par elles-mêmes, explique Christopher Kuhn, l’un des auteurs de l’étude: «Chaque fois qu’une situation potentiellement critique survient lors d’un essai routier, nous nous retrouvons avec un nouvel exemple de formation. ” Le stockage central des données permet à chaque véhicule d’apprendre de toutes les données enregistrées sur l’ensemble du parc.

    Source de l’histoire:

    Matériaux fourni par Université technique de Munich (TUM). Remarque: le contenu peut être modifié pour le style et la longueur.

    Source

    N'oubliez pas de voter pour cet article !
    1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
    Loading...

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.