Les chercheurs en intelligence artificielle et en apprentissage automatique se concentrent sur le développement de véhicules autonomes, une nouvelle tendance à la mode. Waymo, une société de taxis autonomes, fournira un service appelé Waymo One aux consommateurs en 2020. AutoX, une filiale du groupe Alibaba, a commencé à exploiter une flotte de véhicules sans conducteur entièrement automatisés à Shenzhen, en Chine. Les véhicules autonomes, qui utilisent des capteurs pour collecter des données sur leur environnement, remplacent rapidement les conducteurs humains grâce à l'intelligence artificielle automobile. Les véhicules autonomes, en revanche, interprètent les données de différentes manières. Il s'agit de l'utilisation la plus importante de l'intelligence artificielle dans l'industrie automobile.
Voir aussi : Principaux défis auxquels le secteur FinTech est confronté en 2021
Pour ceux qui s'intéressent à un avenir sans conducteur, découvrez les algorithmes d'apprentissage automatique les plus importants pour la conduite autonome et pourquoi ils sont importants.
Le rôle des algorithmes d'apprentissage automatique
L'intelligence artificielle englobe plusieurs domaines différents, notamment l'apprentissage automatique. Grâce à elle, vous pouvez améliorer la façon dont une machine effectue un certain travail. Mais voici la clé : l'apprentissage implique que l'ordinateur aille au-delà des informations qu'il a apprises à partir des premières données d'entraînement. Pour que l'induction soit efficace, les ordinateurs ont besoin d'algorithmes d'apprentissage automatique. En d'autres termes, le développement de logiciels sur mesure basé sur l'apprentissage automatique et l'intelligence artificielle peut prospérer là où la programmation conventionnelle ne le peut pas.
Apprentissage supervisé et non supervisé
L'apprentissage automatique supervisé ou non supervisé est utilisé dans les voitures autonomes. Lorsque l'on compare les deux méthodes, la plus grande différence réside dans la quantité d'intervention humaine nécessaire pour apprendre. Un ordinateur utilise l'apprentissage supervisé pour analyser les données et générer des prédictions basées sur les entrées, puis compare ces prédictions aux données de sortie appropriées pour améliorer les prédictions futures. Les données ne sont pas étiquetées dans l'apprentissage non supervisé. Par conséquent, l'ordinateur apprend simplement à identifier la structure sous-jacente à partir de l'entrée.
L'apprentissage automatique est l'une des technologies de conduite autonome les plus en vogue à l'heure actuelle. Les véhicules autonomes utilisent de plus en plus l'apprentissage profond, une branche de l'apprentissage automatique connue sous le nom d'apprentissage profond, qui consiste à apprendre aux ordinateurs à apprendre en analysant de grandes quantités de données du monde réel. L'apprentissage profond permet aux véhicules autonomes de transformer de grandes quantités de données brutes en connaissances utiles.
Historique du développement des véhicules autonomes dans le domaine de l'apprentissage automatique
L'émergence des véhicules autonomes dans les applications d'apprentissage automatique profite à la fois aux secteurs de l'automobile et de la technologie. Les applications des véhicules autonomes pour l'apprentissage automatique comprennent :
Fusion de capteurs et compréhension de scènes pour la localisation et la cartographie dans l'espace
L'évaluation de l'état d'un conducteur et l'identification des tendances dans sa conduite lors de la navigation et de la planification des déplacements
Le processus par lequel les véhicules autonomes font des choix
La détection d'objets, ainsi que les algorithmes de classification d'objets, permettent aux véhicules autonomes de reconnaître des objets, de comprendre les circonstances et de tirer des conclusions. Ils y parviennent en identifiant et en catégorisant les choses. En matière de navigation routière, l'algorithme d'apprentissage automatique de Mindy Support offre des services complets d'annotation de données pour aider à la formation.
Diversité et redondance
Pour réaliser l'apprentissage automatique, une variété d'algorithmes sont combinés et superposés pour réduire les échecs et garantir la sécurité. Les panneaux de signalisation sont interprétés par ces algorithmes, qui identifient les voies et les carrefours.
Comment fonctionnent les voitures autonomes ?
Les trois principaux capteurs des véhicules autonomes fonctionnent de concert, comme les yeux et le cerveau d'une personne. Les caméras, le radar et le lidar sont des exemples de capteurs. Ils fonctionnent comme une unité pour fournir au véhicule une image complète de son environnement. Grâce à ces capteurs, le véhicule est capable de déterminer la distance, la vitesse et la forme 3D des objets à proximité. Les unités de mesure inertielles des véhicules autonomes détectent et régulent désormais l'accélération ainsi que la position.
Caméras fiables
Pour obtenir une image claire de leur environnement, les véhicules autonomes utilisent plusieurs caméras positionnées sous différents angles. Pour la vision longue distance, certaines caméras ont un champ de vision plus petit tandis que d'autres ont un champ de vision de 120 degrés. Pour le stationnement, les caméras fisheye grand angle offrent un large champ de vision.
Systèmes anti-radar
La nuit ou lorsque la visibilité est mauvaise, les détecteurs radar aident les capteurs des caméras à travailler encore plus dur. Ils utilisent des ondes radio pour envoyer des impulsions et recevoir des informations sur la vitesse et la position de l'objet qu'ils recherchent.
Mise au point au laser
Les capteurs Lidar utilisent des lasers pulsés pour calculer la distance, ce qui permet aux véhicules autonomes d'avoir une vue 3D de leur environnement. Ils disposent ainsi d'informations plus détaillées sur des éléments tels que la forme et la profondeur qu'une caméra seule.
Algorithmes d'apprentissage automatique utilisés par les voitures autonomes
Histogramme des gradients orientés (HOG)
L'histogramme de gradients orientés (HOG) est une méthode fondamentale d'apprentissage automatique pour la conduite autonome et la vision par ordinateur. Il examine comment et dans quelle direction l'intensité d'une image varie dans une petite zone d'une image appelée cellule. Lorsque vous utilisez HOG, vous pouvez voir combien de fois chaque direction apparaît en reliant les gradients de chaque cellule. Ensuite, la machine à vecteurs de support (SVM) classe les données en fonction des nouvelles caractéristiques découvertes.
Les distributions d'images sont ce à quoi HOG fait référence lorsqu'il décrit des images. Plutôt qu'une simple collection de pixels, elle produit un gradient d'image utile pour le décodage et la compression des images. De plus, elle utilise peu de ressources système. HOG peut être une première étape efficace dans le processus de reconnaissance d'images pour les véhicules autonomes.
YOLO
Classer des éléments tels que des véhicules, des personnes et des arbres n'a jamais été aussi simple grâce à l'algorithme d'apprentissage automatique YOLO (You Only Look Once). En effet, il s'agit d'une alternative à la méthode de recherche heuristique de HOG. YOLO divise l'image en segments après l'avoir analysée dans son ensemble. YOLO attribue des étiquettes aux objets en fonction des caractéristiques communes à toutes leurs classes.
Pour chaque segment d'image, l'algorithme génère des cadres de délimitation et des prédictions. Il n'utilise l'évaluation du réseau qu'une seule fois et prend en compte chaque prédiction dans le contexte de l'image globale. D'autres, en revanche, utilisent des détecteurs et des classificateurs à différents endroits et zones d'une image pour identifier les objets. En comparaison, YOLO est plus précis et plus rapide que HOG. La reconnaissance d'objets dans les voitures autonomes est facilitée grâce à l'algorithme YOLO. Les problèmes du monde réel sont ainsi traités rapidement et les véhicules réagissent également rapidement.
L'avenir des voitures autonomes et de l'apprentissage automatique
L'apprentissage automatique est une technique très efficace lorsqu'il est utilisé dans un véhicule autonome. L'avenir des transports sera déterminé par les véhicules autonomes qui utilisent l'apprentissage automatique. Et il est indéniable qu'ils sont compatibles. La perception et la prise de décision dans les voitures autonomes sont souvent gérées par des algorithmes d'apprentissage automatique. Cependant, il existe une multitude d'autres méthodes et applications de l'apprentissage automatique qui pourraient révolutionner les véhicules autonomes. L'apprentissage automatique pourrait même être utilisé pour la navigation autonome et la détection de l'état émotionnel d'un conducteur, par exemple.
Aujourd'hui, les véhicules autonomes sont déjà capables d'effectuer de nombreuses tâches grâce aux progrès de l'apprentissage automatique. Leurs capacités ne feront qu'augmenter à l'avenir. En d'autres termes, lorsque les voitures se conduiront toutes seules, vous saurez précisément ce qui a motivé ce changement.
Image en vedette : Photo de Hannes Egler sur Unsplash