Sécurité des voitures autonomes améliorée avec une nouvelle méthode d’entraînement

L’une des tâches les plus importantes pour une voiture autonome en termes de sécurité est de suivre les piétons, les objets et les autres véhicules ou bicyclettes. Pour ce faire, les voitures autonomes s’appuient sur des systèmes de suivi. Ces systèmes pourraient devenir encore plus efficaces avec une nouvelle méthode développée par des chercheurs de l’Université Carnegie Mellon (CMU).

La nouvelle méthode a débloqué beaucoup plus de données de conduite autonome par rapport à avant, telles que les données de route et de trafic qui sont essentielles pour l’entraînement des systèmes de suivi. Plus il y a de données, plus la voiture autonome peut être efficace.

Le travail a été présenté à la conférence virtuelle Computer Vision and Pattern Recognition (CVPR) conférence entre le 14 et le 19 juin.

Himangi Mittal est une stagiaire de recherche qui travaille aux côtés de David Held, professeur adjoint à l’Institut de robotique de CMU.

« Notre méthode est beaucoup plus robuste que les méthodes précédentes car nous pouvons nous entraîner sur des ensembles de données beaucoup plus importants », a déclaré Mittal.

Lidar et flux de scène

La plupart des véhicules autonomes d’aujourd’hui s’appuient sur le lidar comme système principal de navigation. Le lidar est un appareil à laser qui examine ce qui entoure le véhicule et génère des informations 3D à partir de cela.

Les informations 3D proviennent sous la forme d’un nuage de points, et le véhicule utilise une technique appelée flux de scène pour traiter les données. Le flux de scène implique la vitesse et la trajectoire de chaque point 3D étant calculée. Ainsi, lorsque d’autres véhicules, piétons ou objets mobiles sont présents, ils sont représentés au système comme un groupe de points se déplaçant ensemble.

Les méthodes traditionnelles pour l’entraînement de ces systèmes nécessitent généralement des ensembles de données étiquetés, qui sont des données de capteur qui ont été annotées pour suivre les points 3D dans le temps. Puisque ces ensembles de données doivent être étiquetés manuellement et sont coûteux, une quantité très limitée existe. Pour contourner cela, des données simulées sont utilisées dans l’entraînement du flux de scène, et bien qu’elles soient moins efficaces que l’autre méthode, une petite quantité de données du monde réel est utilisée pour les améliorer.

Les chercheurs, ainsi que l’étudiant en doctorat Brian Okorn, ont développé la nouvelle méthode en utilisant des données non étiquetées dans l’entraînement du flux de scène. Ce type de données est beaucoup plus facile à collecter et nécessite simplement un lidar placé sur le dessus d’une voiture pendant qu’elle roule.

Détection des erreurs

Pour que cela fonctionne, les chercheurs ont dû trouver un moyen pour que le système détecte ses propres erreurs dans le flux de scène. Le nouveau système tente de faire des prédictions sur l’emplacement final de chaque point 3D et sur sa vitesse, puis il mesure la distance entre l’emplacement prédit et l’emplacement réel du point. C’est ce qui forme un type d’erreur à minimiser.

Après ce processus, le système travaille ensuite à l’envers, à partir de l’emplacement prédit du point pour cartographier l’endroit d’où il provient. En mesurant la distance entre la position prédite et le point d’origine, le deuxième type d’erreur est formé à partir de la distance résultante.

Après avoir détecté ces erreurs, le système travaille ensuite pour les corriger.

« Il s’avère que pour éliminer ces deux erreurs, le système doit en fait apprendre à faire la bonne chose, sans jamais lui dire ce que la bonne chose est », a déclaré Held.

Les résultats ont démontré une précision du flux de scène à 25 % lors de l’utilisation d’un ensemble d’entraînement de données synthétiques, et lorsque celui-ci a été amélioré avec une petite quantité de données du monde réel, ce chiffre a augmenté à 31 %. Le chiffre a encore augmenté à 46 % lorsque une grande quantité de données non étiquetées a été ajoutée pour entraîner le système.