Percée IA : prédiction des mouvements des piétons pour des voitures autonomes plus sûres

La plupart des véhicules autonomes génèrent et maintiennent une carte interne de leur environnement, en utilisant un large éventail de caméras, LiDAR et GPS. Les algorithmes traitent ensuite ces entrées, tracent un chemin et envoient des instructions aux actionneurs du véhicule qui contrôlent la direction, l'accélération et le freinage.

Réseau de neurones récurrent biomécaniquement inspiré

Jusqu'à présent, la technologie autonome a utilisé des méthodes d'apprentissage automatique qui ont traité des millions d'images bidimensionnelles. Elles sont capables de reconnaître des panneaux d'arrêt en temps réel dans le monde réel.

La nouvelle technique d'apprentissage automatique, d'autre part, utilise des clips vidéo de plusieurs secondes pour reconnaître le mouvement et faire des prédictions précises sur où les piétons iront à l'étape suivante.

Référence : arXiv:1809.03705 | Université du Michigan

Le système observe les poses des piétons, s'ils regardent à gauche/droite ou jouent avec leur téléphone portable. Ce genre d'informations en dit long sur ce qu'ils sont le plus susceptibles de faire ensuite.

Le réseau de neurones est basé sur le réseau de mémoire à court et long terme avec inspiration de la biomécanique de la marche humaine, par exemple, la symétrie miroir/bilatérale du corps humain et la périodicité de la marche humaine.

Quelle est sa précision ?

Les résultats des réseaux de neurones étaient assez impressionnants : l'erreur de translation médiane était d'environ 10 centimètres après 1 seconde et moins de 80 centimètres après 6 secondes. Alors que d'autres techniques similaires étaient jusqu'à 700 centimètres à côté.

Pour rendre le réseau plus efficace, l'équipe a mis plusieurs contraintes physiques qui s'appliquent au corps humain — comme la vitesse de marche/course la plus rapide possible ou l'incapacité de voler — afin que le système n'ait pas à calculer chaque mouvement possible suivant.

Ils ont utilisé deux GPU NVIDIA TITAN X, avec le framework d'apprentissage profond CUDA, pour entraîner le réseau de neurones sur le jeu de données PedX qui inclut de vraies intersections dans le Michigan.

Il a été implémenté en Python 3.6 et il faut environ 1 milliseconde pour prédire l'étape suivante de chaque personne dans chaque image. Selon les chercheurs, le code peut être encore optimisé pour produire de meilleurs résultats.

L'IA peut élever la barre de ce dont les voitures sans conducteur sont capables. De plus, elle peut bénéficier aux études de marche des robots bipèdes et peut être appliquée au développement de systèmes de rééducation de la marche clinique.