Voitures autonomes : maîtrise de la navigation dans les rues étroites

Imaginez deux véhicules se dirigeant l'un vers l'autre dans une rue à sens unique.

Si vous êtes au volant dans ce genre de scénario de conduite serré et difficile, vous pouvez négocier avec les parties proches. Vous pouvez vous ranger sur le côté de la route et faire signe au conducteur devant de passer dans la voie étroite. Par l'interaction, vous pouvez trouver des manœuvres qui gardent tout le monde en sécurité et en route vers sa destination.

Une voiture autonome a un défi plus ardu : elle doit comprendre les conducteurs à proximité et leur volonté de coopérer.

Un nouvel algorithme en développement peut guider un véhicule autonome dans un trafic dense sur une rue étroite et encombrée.

L'algorithme, créé par des chercheurs du Centre Argo AI pour la recherche sur les véhicules autonomes de l'Université Carnegie Mellon , prend ses décisions en modélisant différents niveaux de coopérativité des conducteurs — la probabilité qu'un conducteur se range pour laisser passer un autre.

Avec l'« Apprentissage par renforcement multi-agents » (MARL), l'équipe, dirigée par le chercheur Christoph Killing, a amené des véhicules autonomes à adopter des comportements humains, y compris la conduite défensive et l'interprétation du comportement d'autres agents — en simulation, pour l'instant.

L'algorithme n'a pas été utilisé sur un véhicule réel, mais les résultats sont prometteurs grâce au système de récompense du modèle.

« Nous incitons les interactions avec la sécurité à l'esprit », a déclaré Killing, ancien chercheur invité à l'Institut de robotique de l'École d'informatique et maintenant au Laboratoire des systèmes aériens autonomes de l'Université technique de Munich.

Dans une courte Q&R avec Tech Briefs ci-dessous, Christoph explique comment le modèle basé sur les incitations de son équipe navigue dans des situations de trafic difficiles, où il n'y a pas de règles officielles de la route.

Tech Briefs : Caractériseriez-vous votre modèle comme plus coopératif ou agressif, face à un défi qui requiert un peu des deux ?

Christoph Killing : Comme dans tout scénario de conduite, les véhicules autonomes doivent mettre la sécurité en premier et respecter toutes les règles de circulation. Cependant — et c'est là la beauté et le défi du scénario considéré — il n'existe pas de règles de circulation coordonnées dans ce genre de situation (contrairement aux intersections à quatre stops, par exemple). Deux véhicules de priorité égale doivent négocier qui passe en premier et qui attend.

Si les deux véhicules sont purement axés sur la sécurité, ils se rangeront tous les deux. Le défi clé de notre recherche était : comment faire en sorte qu'un véhicule se range et que l'autre passe — sans que les deux ne se rangent, ni que les deux n'avancent, alors que chacun prend ses propres décisions sans instance de coordination.

Nous incitons les interactions avec la sécurité à l'esprit ; un accident à vitesse est pire qu'un temps mort — mais les temps morts entraînent aussi une petite pénalité pour inciter les agents à apprendre à interagir et à se croiser.

Tech Briefs : Quels sont les principaux paramètres que votre modèle utilise pour exécuter la conduite ? Sur quels critères l'algorithme base-t-il ses décisions ?

Christoph Killing : Notre algorithme perçoit ce qui serait disponible sur une vraie voiture. Nous avons des mesures de distance et de vitesse relative autour de l'avant de la voiture (voir Fig. 2 dans le rapport ici ). Notamment, par rapport aux travaux connexes, nous n'utilisons pas une vue en plongée sur le scénario mais une perspective égocentrique. Cela le rend un peu plus délicat car nous avons maintenant des angles morts. Cette observation est augmentée par d'autres paramètres, comme la coopérativité mentionnée ci-dessus pour indiquer à l'agent comment se comporter agressivement, mais aussi l'angle de braquage actuel et la position de l'accélérateur (que vous connaîtriez aussi en conduisant vous-même dans ce scénario).

Tech Briefs : Qu'est-ce qui reste difficile pour l'algorithme ?

Christoph Killing : Il y a deux défis principaux : les paires trop agressives et les paires trop passives. (Comparez les visualisations ici .) Notamment, nos politiques négocient le scénario la plupart du temps. Pourtant, les passagers humains pourraient être très mécontents de voir leurs voitures effectuer certaines des manœuvres montrées ici .

Tech Briefs : Que fait l'algorithme quand il est clair qu'un conducteur adverse est agressif, un « mauvais » conducteur ? Ou trop « coopératif » ?

Christoph Killing : Nous testons nos politiques de conduite en assignant une valeur de coopérativité à chaque véhicule, lui indiquant comment se comporter agressivement. Chacun ne connaît que sa propre coopérativité, pas celle de la voiture adverse. Ces valeurs se traduisent en comportements de conduite de manière assez directe : un conducteur non coopératif ne s'intéresse qu'à sa propre progression. Un conducteur hautement coopératif n'a pas d'importance sur quel véhicule progresse en premier, tant que quelqu'un avance. Ces valeurs sont fixes pendant l'interaction.

(Nous ne considérons pas « perdre son sang-froid ». Je ne vais pas m'attarder ici mais disons simplement « pour des raisons mathématiques ».)

Tech Briefs : Une partie du modèle nécessite-t-elle une sorte de « lecture » du conducteur adverse ?

Christoph Killing : Un mot sur la « lecture » : En robotique, on distingue l'état du monde (la Terre telle qu'elle est maintenant) et une observation. Nos véhicules n'ont pas de module de mémoire. Comment gérons-nous donc les choses que nous ne voyons pas à l'instant ?

Plus de voitures autonomes sur Tech Briefs

Un système d'alerte pour voitures autonomes apprend des échecs.

Un logiciel de l'Université technique de Munich maintient les véhicules autonomes sur une trajectoire sûre.

Disons, par exemple, que vous êtes en appel Zoom avec quelqu'un. Vous percevez une observation partielle de la Terre pour ainsi dire. L'autre partie prend une tasse à café hors du champ de la caméra, boit une gorgée, et la repose hors champ. Si vous ne prenez en compte que la toute dernière observation après que la tasse a été reposée et qu'on vous demande ce qu'ils boivent, vous ne savez tout simplement pas (car il n'y a pas de mémoire). Pourtant, si vous empilez ensemble (on appelle cela « concaténer ») plusieurs observations au cours des dernières secondes, vous pouvez inférer quelque chose sur l'état du monde car vous voyez alors la tasse être déplacée sur plusieurs images. Selon la rapidité du mouvement, vous pourriez même deviner quelque chose sur leur humeur.

Également, dans notre scénario, chaque voiture ne connaît l'autre agent que sur la base de ce qu'elle peut observer de l'espace d'observation (montré Fig 2 dans l'article ). Les états internes (la valeur de coopérativité de l'autre voiture, par exemple) sont inconnus. Nous concaténons plusieurs de ces observations partielles de chaque véhicule pour leur permettre de former implicitement une croyance sur la coopérativité de l'autre véhicule. Nous ne le faisons pas manuellement mais laissons le réseau de neurones profond, l'intelligence artificielle, absorber la tâche. Ce réseau neuronal doit aussi apprendre la réponse à votre question, à savoir quoi faire après avoir remarqué un certain comportement agressif ou trop coopératif.

Tech Briefs : Comment le modèle note-t-il un comportement « agressif » ou « coopératif », et répond-il en conséquence ?

Christoph Killing : Un agent trop agressif pourrait, par exemple, foncer droit dans le goulot d'étranglement du scénario, forçant essentiellement l'autre agent à attendre. Un agent trop coopératif — dès que l'étendue complète du goulot est perceptible par ses capteurs — ralentirait et attendrait. Ici, notre politique est entraînée à sélectionner immédiatement l'action complémentaire : détecter un ralentissement et avancer, ou vice versa.

Tech Briefs : Quelle est la suite pour cette recherche ?

Christoph Killing : Beaucoup de choses : trois points majeurs : Premièrement, le travail actuel confronte véhicule autonome à véhicule autonome uniquement. Il faudra l'étendre à un véhicule autonome face à un humain et voir comment nous coopérons avec ceux-ci. Deuxièmement, dans notre travail, les véhicules ne peuvent qu'avancer, nous n'autorisons pas la marche arrière. Pourtant, cela pourrait aider à récupérer des situations où nous sommes bloqués. Troisièmement, notre travail est actuellement en simulation seulement. Le transférer vers une solution réelle est une étape majeure à franchir à un moment donné.

Qu'en pensez-vous ? Partagez vos questions et commentaires ci-dessous.