samedi, 26 novembre 2022

Comment les données de pointe forment l’IA pour une réponse précise en temps réel

La conduite autonome est considérée comme l’avenir de la mobilité, grâce à des entreprises comme qui ont développé des systèmes innovants d’aide à la conduite (ADAS) basés sur l’IA pour aider les utilisateurs à naviguer d’un point à l’autre dans des conditions spécifiques.

Le développement a été surprenant pour beaucoup, mais le fait demeure : nous ne sommes toujours pas à la hauteur des voitures véritablement autonomes. Afin d’atteindre une véritable autonomie, les voitures autonomes doivent être capables de se comporter mieux que les automobilistes humains dans toutes les conditions, qu’il s’agisse d’une ville très peuplée, d’un village ou d’une situation inattendue en cours de route.

« La plupart du temps, la conduite autonome est en fait plutôt facile. C’est souvent aussi simple que de conduire sur une route vide ou de suivre un véhicule de tête. Considérant que nous sommes face au monde réel, il existe une grande variété de «cas extrêmes» qui peuvent se produire », a déclaré Kai Wang, directeur de la prévision chez Zoox, société de mobilité appartenant à Amazon, lors de la conférence Transform 2022 de VentureBeat.

Ces cas limites produisent des difficultés pour les algorithmes. Imaginez un groupe d’individus entrant dans la rue depuis un angle mort ou une pile de gravats selon le chemin.

Effort de formation de Zoox

Les humains sont respectables pour reconnaître et réagir à pratiquement toutes sortes de cas extrêmes, mais les appareils trouvent le travail difficile car il existe de nombreuses possibilités de ce qui peut se passer sur la route. Pour résoudre ce problème, Zoox, qui construit un logiciel de conduite totalement autonome et un robotaxi autonome, a en fait adopté une méthode à plusieurs niveaux.

« Il n’y a pas vraiment de solution unique qui résoudra tout Nous essayons donc d’intégrer divers types d’atténuations au niveau de l’ensemble de notre système, à chaque couche pour nous offrir les meilleures chances de faire face à ces choses », a déclaré Wang.

Au départ, alors que le exécutif décrit, Zoox permet la compréhension de différentes conditions/objets en générant des informations à partir des modules de capteurs situés aux quatre coins de son véhicule.

Chaque pod comprend de nombreuses modalités d’unités de détection – caméras RVB, capteurs Lidar, radars et unités de détection thermique – qui s’améliorent mutuellement. Par exemple, les caméras RVB peuvent remarquer des informations dans les images mais cesser de fonctionner pour déterminer la profondeur, qui est gérée par Lidar.

« Le travail de notre système de compréhension est d’utiliser tous ces capteurs ensemble et de les fusionner pour produire simplement une représentation unique pour toutes les choses qui nous entourent. Cela donne la meilleure possibilité de reconnaître toutes les choses importantes sur la planète qui nous entoure », a déclaré Wang.

Dès que les représentants environnants sont reconnus, le système modèles où ils se retrouveront dans les prochaines secondes. Ceci est fait avec des algorithmes d’apprentissage en profondeur basés sur les données qui créent une distribution des trajectoires prospectives futures. Après cela, il considère toutes les entités dynamiques et leurs trajectoires anticipées et prend un choix sur ce qu’il faut faire ou comment parcourir en toute sécurité la situation actuelle jusqu’à la destination cible.

Téléguidage

Bien que le système modélise et gère avec succès les cas extrêmes, il pourrait rencontrer de nouvelles circonstances spécifiques sur la route. Dans ces cas, le système s’arrête et utilise les capacités de téléguidage pour générer un expert humain pour l’assistance (tout en recherchant les accidents et les obstacles avec d’autres représentants au même moment).

« Nous avons un opérateur humain appelé dans la situation pour recommander un itinéraire pour traverser le blocage. Jusqu’à présent, nous avons reçu de la téléguidage pendant moins de 1 % de notre temps objectif total dans des environnements complexes. Et au fur et à mesure que notre système gagne en maturité, cette partie devrait encore diminuer », Wang a déclaré.

Après avoir continué, les données associées au cas marginal sont transmises à l’entreprise via une boucle de rétroaction, lui permettant d’utiliser la situation et ses variations dans les simulations pour rendre le système logiciel plus robuste.

La mission de VentureBeat est d’être une place publique numérique permettant aux décideurs techniques d’acquérir des connaissances sur les technologies commerciales transformatrices et d’effectuer des transactions. En savoir plus sur l’abonnement.

Toute l’actualité en temps réel, est sur L’Entrepreneur

LAISSER UN COMMENTAIRE

S'il vous plaît entrez votre commentaire!
S'il vous plaît entrez votre nom ici