L'IA dans les voitures autonomes

Les véhicules autonomes gagnent en popularité et sont sur le point de devenir une réalité. Le développement des voitures autonomes a commencé au début du XXe siècle, mais les progrès industriels significatifs n’ont commencé que dans les années 2010, avec des entreprises comme Google et General Motors (GM) qui investissent massivement dans la technologie¹. Ces véhicules visent à transformer les transports en améliorant la prise de décision, en optimisant la consommation de carburant et en favorisant la sécurité routière.

Les véhicules autonomes s’appuient sur diverses technologies, notamment les radars, les capteurs et l’intelligence artificielle (IA), pour naviguer sur les routes sans intervention humaine. L’IA joue un rôle crucial en permettant aux voitures autonomes de prendre des décisions en temps réel et de s’adapter à l’évolution des conditions routières.

Si les véhicules autonomes promettent de remodeler l’avenir des transports, leur succès dépend de la capacité à surmonter d’importants obstacles techniques, réglementaires et sociétaux. Cet article explore les principales applications de l’IA dans les véhicules autonomes, en soulignant les avantages et les défis associés à cette technologie transformatrice.

État actuel et perspectives d’avenir

Au cours de la dernière décennie, le développement de la technologie de conduite autonome a connu un essor fulgurant, propulsé par des percées dans les domaines de l’intelligence artificielle (IA), de l’apprentissage automatique (ML) et de l’apprentissage profond (DL). Ces technologies de pointe permettent aux ingénieurs de relever les défis complexes liés à la perception de la scène, au contrôle des mouvements, à la planification de la trajectoire et à l’arbitrage du comportement dans les véhicules autonomes.

La Society of Automotive Engineers (SAE) a établi un cadre qui définit six niveaux d’automatisation de la conduite, allant du niveau 0 au niveau 5. Au fur et à mesure que les niveaux progressent, la nécessité d’une intervention humaine diminue².

Un véhicule de niveau 1 dispose d’une seule fonction, comme le régulateur de vitesse, pour gérer sa vitesse.

Au niveau 2, les technologies d’assistance telles que le régulateur de vitesse adaptatif, l’alerte de franchissement de ligne et les systèmes de maintien de la trajectoire font appel à l’IA.

Le niveau 3 fait largement appel à l’IA pour les systèmes de navigation et de décision, ce qui permet aux systèmes du véhicule d’exercer un plus grand contrôle. Il comprend également une série de capteurs et de dispositifs pour la collecte de données. Seule une poignée d’entreprises en Europe et en Amérique du Nord offrent publiquement ce niveau d’autonomie avec autorisation de conduire³.

Les systèmes de niveau 4 peuvent faire presque tout ce que les systèmes de niveau 5 peuvent faire, bien qu’ils soient limités par les conditions géographiques et météorologiques, où les conducteurs humains doivent prendre le relais⁴.

Le niveau 5 représente les véhicules entièrement autonomes qui ne nécessitent aucune intervention ou surveillance humaine⁵.

Les entreprises leaders dans le domaine des véhicules autonomes (AV)

Les progrès dans le domaine de la conduite autonome sont rapides, avec des constructeurs automobiles géants, des entreprises d’IA et des startups qui se disputent tous une part du gâteau. Toutes ces entreprises promettent de nouvelles façons pour les consommateurs de vivre la mobilité.

Voici quelques-unes des principales entreprises à la pointe du développement des voitures autonomes.

Zoox : Société administrée par Amazon, les véhicules électriques de Zoox utilisent la vision par ordinateur pour analyser leur environnement. Les fonctions avancées de la société permettent de détecter les piétons à l’aide de leur téléphone et d’interpréter les flashs lumineux des autres voitures ⁶.

Waymo : Filiale d’Alphabet (la société mère de Google), Waymo développe des voitures autonomes équipées d’une série de capteurs et de logiciels alimentés par l’IA. Le système de vision et les algorithmes d’apprentissage automatique de l’entreprise offrent de multiples capacités, ce qui permet au véhicule de réagir en toute sécurité à des situations de circulation réelles⁷.

Tesla : Tesla a mis au point un réseau neuronal de pilotage automatique qui intègre diverses simulations de véhicules réels. La solution d’IA de l’entreprise peut détecter des objets, estimer la profondeur et effectuer une segmentation sémantique⁸.

Pony.ai : Pony.ai construit des capacités de véhicules autonomes pour les camions-robots, les taxis-robots et les véhicules personnels. L’entreprise utilise l’IA pour diverses fonctionnalités, notamment la localisation, les caractéristiques cartographiques, la perception de la scène et la prédiction⁹.

Cruise : Propriété de General Motors, Cruise utilise des modèles complexes d’apprentissage automatique dans son moteur d’IA pour aider les véhicules électriques à développer une compréhension dynamique et des capacités de prise de décision. L’entreprise utilise également des cadres d’apprentissage continu pour améliorer la sécurité et la fiabilité¹⁰.

D’autres entreprises notables ouvrent la voie à l’IA pour les véhicules autonomes, notamment Baidu, Mercedes-Benz et Motional.

Technologies clés de l’IA pour la conduite autonome

Voici quelques façons par lesquelles l’IA contribue à rendre les véhicules autonomes.

Perception : Le lidar, le radar, les caméras, le GPS et divers capteurs collectent en permanence différentes formes de données. Les informations fournies par ces sources de données aident le véhicule à comprendre son environnement et à fonctionner en toute sécurité. La vision par ordinateur, qui implique la détection et l’étalonnage des mouvements, permet aux véhicules de détecter les objets.

Des algorithmes de DL, tels que les réseaux neuronaux convolutifs (CNN) et les réseaux neuronaux récurrents (RNN), sont appliqués aux données 3D collectées pour aider le véhicule à comprendre sa scène¹¹. Grâce à ces informations, le véhicule peut planifier des manœuvres, percevoir l’environnement et prendre des décisions.

Détection et changement de voie : Le changement de voie est l’un des problèmes les plus complexes pour les AV en raison de la nature imprévisible des usagers de la route. La vision artificielle est un élément essentiel des capacités de détection des voies de circulation en utilisant des techniques de segmentation pour déterminer les lignes et les courbes.

De nombreux algorithmes de réseaux neuronaux, tels que line-CNN, spatial-CNN, deep-CNN et 3D CNN, peuvent exploiter les informations temporelles et spatiales fournies pour identifier avec précision les voies sur la route. Par exemple, Tesla utilise un réseau neuronal appelé Hydranet pour la détection des voies et les capacités de changement de voie¹².

Prévoyance : Les véhicules autopilotés doivent prévoir comment les agents routiers identifiés (piétons, cyclistes et véhicules) peuvent agir. Il s’agit d’une autre tâche difficile compte tenu de la dynamique de chaque agent et de la manière dont leur interaction entraîne des résultats différents. Des algorithmes DL tels que CNN et RNN ont été utilisés pour traiter les données et prévoir les trajectoires.

Nvidia a formé un réseau neuronal profond (RNN) predictionNet qui anticipe et prédit les trajectoires des agents routiers¹³. La sortie du modèle de prédiction est une série de trajectoires/événements notés avec leur probabilité d’occurrence.

L’IA dans les Robotaxis

Monter dans un robotaxi est devenu de plus en plus populaire dans des villes comme San Francisco et Pékin. Bien que la plupart des robotaxis soient encore en phase de test, les habitants de Wuhan et de Pékin les utilisent déjà pour les transports publics après que les autorités ont accordé des permis à Apollo Go de Baidu. L’entreprise technologique vise à déployer 1 000 robotaxis à Wuhan d’ici à la fin de 2024¹⁴.

Les robotaxis utilisent des caméras et des capteurs, ce qui permet à l’IA de reconstruire une vue à 360 degrés de l’environnement du véhicule. En outre, le moteur informatique basé sur l’IA à l’intérieur du véhicule peut planifier le trajet, éviter les collisions, prédire divers scénarios et naviguer dans les rues de la ville.

De nombreuses entreprises ont développé leurs propres moteurs de réseaux neuronaux pour soutenir l’intelligence et l’autonomie des robotaxis. D’autres se sont appuyées sur des plateformes tierces basées sur l’IA, fournies par des sociétés comme Nvidia. Ces puissants moteurs informatiques d’IA sont conçus pour convertir les données reçues des capteurs et des caméras en informations exploitables.

Nvidia offre à ses partenaires des solutions de bout en bout pour le développement de l’audiovisuel. L’entreprise a récemment dévoilé une nouvelle plateforme informatique centralisée capable d’exécuter des applications d’IA générative. En intégrant cette plateforme au traitement du langage naturel (NLP), les robotaxis seront en mesure d’avoir des personas personnalisés qui engagent le dialogue, fournissent des recommandations en temps réel et offrent une assistance aux passagers¹⁵.

L’IA dans les systèmes autonomes de transport public de masse

L’IA a contribué à résoudre certains problèmes complexes dans le domaine des transports de masse, tels que la gestion du trafic, l’optimisation des itinéraires et l’optimisation des horaires. Les chercheurs étendent les capacités de l’IA aux véhicules de transport public autonomes. Bien qu’elle n’en soit qu’à ses débuts, cette technologie promet d’assurer la navette des personnes dans des zones urbaines spécifiques, telles que les campus.

Les robobus sont un excellent exemple de véhicules de transport de masse utilisant l’IA pour différents systèmes. Armés d’une série de capteurs et de caméras, les systèmes d’IA embarqués sont chargés de fonctions telles que la navigation, l’accostage précis, la gestion de l’énergie et du trafic. L’intégration des capacités V2X dans les robobus permettra d’optimiser la gestion de la flotte et de mieux réagir à leur environnement.

Des entreprises comme WeRide et Pix Moving ont fait des progrès significatifs dans la production de mini navettes autonomes. Outre les essais sur route ouverte dans des zones désignées à Pékin, WeRide opère à Resorts World Sentosa, à Singapour. Le robobus circule sur un tronçon de 1,2 km, transportant et déposant des passagers en cours de route¹⁶.

Avantages de l’IA dans les véhicules autonomes

Amélioration de la sécurité routière et réduction des accidents : Les erreurs humaines, telles que la fatigue, le sommeil et la distraction, sont les principales causes de la plupart des accidents.

Les véhicules autonomes alimentés par l’IA peuvent réduire considérablement les accidents et les incidents résultant d’erreurs humaines. Grâce à ses capacités d’adaptation, à ses capacités visuelles et à son analyse de la détection de proximité, l’IA permet aux AV de fonctionner en toute sécurité et d’éviter les scénarios dangereux.

Une mobilité accrue : Les AV peuvent changer la façon dont les personnes handicapées, les personnes âgées et les personnes présentant des conditions médicales se déplacent. Grâce à la reconnaissance vocale ou à des applications mobiles, le véhicule peut guider ces groupes en toute sécurité jusqu’à leur destination. Par ailleurs, les robotsaxis de covoiturage peuvent constituer une alternative abordable et pratique aux modes de transport traditionnels.

Réduction des embouteillages et de l’impact sur l’environnement : Les AV peuvent détecter et éviter le trafic grâce à des capacités de routage dynamique, de planification d’itinéraire et de manœuvre. L’IA dans les AV peut gérer l’énergie en optimisant le freinage et l’accélération, limitant ainsi la consommation de carburant. Cette stratégie écologique réduit les émissions de gaz à effet de serre.

Amélioration de la gestion du trafic : Les voitures auto-conduites utilisant des cadres V2X peuvent communiquer avec d’autres agents routiers pour comprendre les conditions de circulation. Ces informations peuvent aider à planifier les itinéraires et à éviter les zones encombrées.

Défis

Limites techniques et cas particuliers : Parmi les difficultés techniques auxquelles se heurtent les AV, on peut citer les limites de la puissance de calcul embarquée, la précision de la perception, les problèmes de localisation et le matériel. Il est également difficile de simuler des cas de figure rares qui pourraient se produire dans le monde réel.

Obstacles réglementaires et problèmes de responsabilité : Il y a un manque de clarté quant aux responsabilités en cas d’accident d’un AV. Il est par ailleurs difficile d’adapter les lois existantes aux véhicules autopilotés. Pour atténuer ce problème, les parties prenantes doivent élaborer un cadre global de gestion de la responsabilité. En suivant des cadres normalisés, les législateurs peuvent établir des lois qui donnent la priorité à la sécurité humaine et encouragent l’innovation.

Confiance et acceptation des consommateurs : Les voitures autonomes font l’objet d’un examen minutieux chaque fois qu’elles sont impliquées dans des accidents. Par exemple, les robotsaxis de Cruise ont essuyé des critiques à San Francisco à la suite de deux accidents distincts¹⁷. De tels incidents ne font que renforcer la méfiance de la communauté à l’égard de la sécurité.

Les entreprises doivent donner la priorité à la sécurité des utilisateurs lors de la conception afin de favoriser l’acceptation par les consommateurs et de procéder à des tests rigoureux.

Dilemmes éthiques : Les systèmes d’IA dans les AV peuvent être confrontés à des situations moralement difficiles, les obligeant à choisir entre des situations ambiguës. Par exemple, choisir entre protéger les passagers à bord ou les piétons en cas d’accident. Les parties prenantes doivent élaborer des cadres et des normes acceptables pour résoudre certains des dilemmes moraux les plus urgents.

Conclusion

Grâce aux progrès de l’IA, la technologie des véhicules autonomes a connu des avancées significatives. Le secteur a largement adopté les algorithmes de DL, révolutionnant le cadre de perception, de planification et d’exécution. Par conséquent, l’IA a permis diverses applications dans les véhicules autonomes, allant de la reconnaissance des voies à la sensibilisation à l’environnement.

Ces développements ont ouvert la voie à des projets innovants tels que les taxis autonomes et les robobus. Alors que nous continuons à exploiter le potentiel de l’IA, les entreprises doivent maintenir une approche centrée sur l’humain, en donnant la priorité à l’amélioration de la mobilité et de la sécurité dans leurs implémentations technologiques.