La voiture autonome apprend à improviser • Qant, M. de R. avec Midjourney
La société canadienne Verses AI, en partenariat avec Volvo Cars, vient de présenter les premières avancées de son système Genius Beta. Basé, d’après la société, sur une nouvelle architecture d’intelligence artificielle qui fait appel à des “world models” pour intégrer l’incertitude dans les prédictions, Genius génère un “écosystème” d’agents intelligents autonomes chargés d’optimiser la certitude des réponses et l’équilibre du système.
Un article co-rédigé par les équipes de recherche des deux entreprises, à Los Angeles et Göteborg, détaille l’utilisation de ce modèle probabiliste structuré pour anticiper l’apparition de piétons, cyclistes et véhicules masqués par des objets fixes dans l’environnement, un obstacle que les systèmes de conduite autonome actuels n’ont pas encore surmonté. Ils peinent à réagir à des scénarios où des objets peuvent apparaître de manière soudaine dans la trajectoire du véhicule.
Le projet s’appuie donc sur l’expertise de Volvo en matière de sécurité et sur la technologie de Verses AI pour développer des agents capables de traiter l’incertitude liée aux éléments partiellement ou totalement invisibles dans le champ de vision du véhicule. Traditionnellement, les modèles de prédiction de trajectoire des véhicules autonomes utilisent des données observées pour anticiper des mouvements en “occlusion”. Or, ces stratégies d’inférence se montrent inefficaces dans les scénarios les moins probables, dits « long-tail », où les situations sont plus rares, complexes et potentiellement dangereuses. Le nouveau modèle propose une approche unifiée qui prend en compte non seulement les trajectoires des objets observés, mais aussi celles des objets potentiellement présents dans les zones non visibles, apportant ainsi une meilleure capacité d’anticipation.
Un modèle unifié
L’article, intitulé Navigation under uncertainty: trajectory prediction and occlusion reasoning with switching dynamical systems, propose une approche unifiée combinant la prédiction de trajectoires et la gestion des occlusions. Cette méthode repose sur des systèmes qui modélisent les trajectoires en segmentant les dynamiques complexes en plusieurs dynamiques simples. Chaque dynamique est activée en fonction de variables spécifiques, permettant au modèle de gérer aussi bien les trajectoires observées que celles des objets masqués.
Visualisation de trajectoires prédites de véhicules
Tests et validation avec le jeu de données Waymo
Pour valider ce modèle, les équipes de Verses et Volvo ont utilisé le jeu de données ouvert de Waymo, une base de référence dans le domaine de la mobilité autonome. Cela leur permet d’évaluer la précision des prédictions de trajectoire et de vérifier la capacité du modèle à maintenir une estimation des incertitudes concernant les objets masqués dans des environnements de circulation dense.
Les résultats montrent une amélioration dans la précision des prédictions, notamment avec le modèle rSLDS (recurrent Switching Linear Dynamical System) de Verses, qui parvient à mieux estimer la position des piétons et des autres véhicules dans des situations complexes. Cette avancée pourrait permettre aux véhicules autonomes de mieux réagir face aux imprévus, un atout important pour la sécurité des usagers de la route.
Contrairement aux approches ouvertes traditionnelles, qui considèrent un seul paramètre d’intention pour l’ensemble de la trajectoire, ce modèle actualise la variable en fonction des états de l’objet à chaque étape de la séquence. Cela permet de corriger les prédictions en temps réel, en s’ajustant aux changements de comportement, et de préserver la cohérence des trajectoires. Des métriques telles que l’erreur moyenne de déplacement (average displacement error ou ADE) et l’erreur de calibration normalisée (normalized calibration error ou NCE) montrent que le rSLDS améliore significativement la précision et la fiabilité des prédictions par rapport aux modèles Gaussiens classiques.
Pour une utilisation plus efficace de ses modèles dans des environnements réels, Verses prévoit d’intégrer des informations supplémentaires, comme les cartes de voirie, pour affiner les prédictions. Les chercheurs considèrent que ce projet représente une avancée dans la capacité des véhicules autonomes à anticiper les mouvements dans des scénarios de circulation imprévisibles. En intégrant ces modèles dans de futurs systèmes de conduite autonome, cette technologie pourrait contribuer à accroître la sécurité des piétons, des cyclistes et des automobilistes dans les environnements urbains.
Pour en savoir plus :
Source archive Kessel : https://qant.kessel.media/posts/pst_bc3a76325da54dddb1b09cc8f39d022a
