211service.com
Conduite profonde
Lorsque le projet de voiture autonome de Google a commencé il y a une dizaine d'années, l'entreprise a pris la décision stratégique de construire sa technologie sur un lidar coûteux et une cartographie détaillée. Même aujourd'hui, la technologie de conduite autonome de Google repose toujours sur ces deux piliers. Bien que cette approche soit excellente jusqu'à un certain point - nous avons de bons algorithmes pour utiliser les données lidar et caméra pour localiser une voiture sur la carte - ce n'est toujours pas assez bon. Conduire sur des rues compliquées et en constante évolution implique des compétences de perception et de prise de décision qui sont intrinsèquement incertaines (voir Your Driverless Ride Is Arriving ).
Aujourd'hui, une technologie d'intelligence artificielle appelée apprentissage en profondeur est utilisée pour résoudre le problème. Plutôt que d'utiliser l'ancienne méthode des algorithmes codés à la main, nous pouvons désormais utiliser des systèmes qui se programment eux-mêmes en apprenant à partir d'exemples comment un système doit se comporter en réponse à une entrée. L'apprentissage en profondeur est désormais la meilleure approche pour la plupart des tâches de perception, ainsi que pour de nombreuses tâches de contrôle de bas niveau.
Une voiture autonome a besoin d'un système de perception pour détecter les choses qui bougent (voitures, personnes) ainsi que les choses qui ne bougent pas (lampadaires, bordures). Les véhicules autonomes détectent les objets dynamiques à l'aide de capteurs tels que des caméras, des scanners laser et des radars. De ces trois caméras, les caméras sont les moins chères, mais elles sont aussi les moins utilisées car il est difficile de traduire les images en objets détectés. Grâce à l'apprentissage en profondeur, nous constatons des améliorations spectaculaires dans la capacité de la voiture à comprendre et à utiliser ces images.
Nous constatons également des gains significatifs grâce à ce que l'on appelle l'apprentissage en profondeur multitâche, dans lequel un système formé simultanément pour détecter les marquages au sol, les voitures et les piétons fait mieux que trois systèmes distincts formés de manière isolée, car le réseau unique peut partager des informations entre les tâches distinctes. .
Au lieu de s'appuyer entièrement sur une carte précalculée, la voiture peut utiliser la carte comme l'un des nombreux flux de données, en la combinant avec des entrées de capteur pour l'aider à prendre des décisions. (Un réseau de neurones qui sait, à partir de données cartographiques, où se trouvent les passages pour piétons, par exemple, peut détecter plus précisément les piétons qui tentent de traverser qu'un réseau qui s'appuie uniquement sur des images.)
L'apprentissage en profondeur peut également atténuer l'un des plus gros problèmes identifiés par de nombreuses personnes ayant conduit une voiture autonome : une sensation saccadée dans le style de conduite, qui conduit parfois au mal des transports. Mais une voiture entraînée à l'aide d'exemples de conduite humaine peut offrir une conduite plus naturelle.
C'est encore tot. Mais tout comme l'apprentissage en profondeur l'a fait avec la recherche d'images et la reconnaissance vocale, il est susceptible de changer à jamais le cours des voitures autonomes.
Carol Reiley est la cofondatrice de Drive.ai.