Cela pourrait déclencher un changement de paradigme qui permettrait aux fabricants de vérifier plus rapidement si leur technologie de véhicule autonome peut sauver des vies et réduire les accidents. Dans un environnement simulé, des véhicules entraînés par l’intelligence artificielle effectuent des manœuvres périlleuses, obligeant l’AV à prendre des décisions auxquelles les conducteurs ne sont confrontés que rarement sur la route mais qui sont nécessaires pour mieux entraîner les véhicules.

Pour rencontrer à plusieurs reprises ce genre de situations pour la collecte de données, les véhicules d’essai du monde réel doivent parcourir des centaines de millions à des centaines de milliards de kilomètres.

« Les événements critiques pour la sécurité – les accidents ou les quasi-accidents – sont très rares dans le monde réel, et souvent les véhicules audiovisuels ont du mal à les gérer », a déclaré Henry Liu, professeur de génie civil à l’UM et directeur de Mcity et du Center for Connected and Automated Transportation, un centre régional de recherche sur les transports financé par le Département américain des transports.

Les chercheurs de l’UM appellent le problème la « malédiction de la rareté » et ils s’y attaquent en apprenant à partir des données de trafic du monde réel qui contiennent des événements rares critiques pour la sécurité. Les tests effectués sur des pistes d’essai imitant la conduite urbaine et sur autoroute ont montré que les véhicules virtuels entraînés par l’IA peuvent accélérer le processus de test des milliers de fois. L’étude apparaît sur la couverture de Nature.

« Les véhicules de test AV que nous utilisons sont réels, mais nous avons créé un environnement de test de réalité mixte. Les véhicules d’arrière-plan sont virtuels, ce qui nous permet de les entraîner à créer des scénarios difficiles qui ne se produisent que rarement sur la route », a déclaré Liu. .

L’équipe d’UM a utilisé une approche pour former les véhicules d’arrière-plan qui supprime les informations non critiques pour la sécurité des données de conduite utilisées dans la simulation. Fondamentalement, il se débarrasse des longues durées lorsque les autres conducteurs et piétons se comportent de manière responsable et attendue, mais préserve les moments dangereux qui exigent une action, comme un autre conducteur qui brûle un feu rouge.

En n’utilisant que des données critiques pour la sécurité pour former les réseaux de neurones qui prennent les décisions de manœuvre, les véhicules d’essai peuvent rencontrer davantage de ces événements rares en moins de temps, ce qui rend les tests beaucoup moins chers.

« L’apprentissage par renforcement dense libérera le potentiel de l’IA pour valider l’intelligence des systèmes autonomes critiques pour la sécurité tels que les AV, la robotique médicale et les systèmes aérospatiaux », a déclaré Shuo Feng, professeur adjoint au Département d’automatisation de l’Université de Tsinghua et ancien chercheur adjoint. à l’Institut de recherche sur les transports de l’UM.

« Cela ouvre également la porte à une formation accélérée des systèmes autonomes critiques pour la sécurité en tirant parti des agents de test basés sur l’IA, ce qui peut créer une relation symbiotique entre les tests et la formation, accélérant les deux domaines. »

Et il est clair que la formation, ainsi que le temps et les dépenses qu’elle implique, est un obstacle. Un article de Bloomberg d’octobre a déclaré que bien que les véhicules du leader du robotaxi Waymo aient parcouru 20 millions de miles au cours de la décennie précédente, beaucoup plus de données étaient nécessaires.

« Cela signifie », a écrit l’auteur, « ses voitures devraient rouler 25 fois de plus leur total avant que nous puissions dire, avec même un vague sentiment de certitude, qu’elles causent moins de décès que les chauffeurs de bus. »

Les tests ont été effectués dans l’environnement urbain de Mcity à Ann Arbor, ainsi que sur la piste d’essai de l’autoroute au Centre américain pour la mobilité à Ypsilanti.

Lancé en 2015, Mcity était le premier environnement de test au monde spécialement conçu pour les véhicules connectés et autonomes. Grâce au nouveau soutien de la National Science Foundation, des chercheurs extérieurs pourront bientôt effectuer des tests de réalité mixte à distance en utilisant à la fois la simulation et la piste de test physique, similaires à ceux rapportés dans cette étude.

Les ensembles de données du monde réel qui prennent en charge les simulations Mcity sont collectés à partir d’intersections intelligentes à Ann Arbor et Detroit, avec plus d’intersections à équiper. Chaque intersection est équipée de capteurs préservant la vie privée pour capturer et catégoriser chaque usager de la route, en identifiant sa vitesse et sa direction. La recherche a été financée par le Center for Connected and Automated Transportation et la National Science Foundation.