(Article gratuit) La conduite prédictive permet d’éviter les accidents de la route. Cela s’applique également aux véhicules automatisés. Pour une planification de manœuvres intelligentes – dites « prudentes »-, des informations sur le comportement des autres usagers de la route sont nécessaires. La prédiction automatisée de mouvements dans le domaine de la mobilté semble être un domaine d’avenir pour l’application de l’IA, et des recherches sont actuellement menées avec succès, à l’Institute for Measurement, Control and Microtechnology de l’Université d’Ulm en Allemagne. Des travaux effectués par l’étudiant en informatique Jan Strohbeck, sous la direction du professeur Klaus Dietmayer.

Pour planifier une manœuvre de conduite « intelligente », l’ordinateur de bord a besoin non seulement d’informations sur l’environnement structurel du véhicule, c’est-à-dire sur l’acheminement du trafic et la signalisation, mais également sur la façon dont les autres usagers de la route tels que les véhicules, les piétons ou les cyclistes se déplacent dans la zone de circulation.
Il n’est généralement pas difficile pour les gens de prédire où va une voiture, même si elle ne clignote pas. Pour ce faire, il suffit d’observer un regard d’épaule ou une certaine manœuvre de conduite. Il est beaucoup plus difficile pour le véhicule hautement automatisé de prévoir une trajectoire future.

« Avec de courtes périodes de prédiction d’une seconde, l’ordinateur peut toujours bien faire face en utilisant des modèles de mouvement simples. Mais avec des horizons de prévision plus larges, de telles procédures deviennent de plus en plus imprécises », explique le porteur de projet d’étude qui se sert donc d’un processus d’IA pour améliorer les prévisions de mouvements pour les autres usagers de la route.

« Nous poursuivons une approche dite d’apprentissage en profondeur qui utilise des réseaux de neurones artificiels », résume le Dr Michael Buchholz, qui dirige le projet de recherche.
L’objectif est de prédire la trajectoire du mouvement d’un véhicule aussi correctement que possible pendant au moins les 3 prochaines secondes. Cette méthode crée des images artificielles de l’environnement du véhicule. Cela inclut les voies et autres zones praticables telles que les accotements ou les baies de stationnement, mais également des informations sur les autres usagers de la route.

Selon Jan Strohbeck, « Un réseau de neurones artificiels est formé pour extraire des informations pertinentes de ces images et ainsi déduire des déclarations probabilistes sur les mouvements futurs des véhicules. Celles-ci servent alors d’hypothèses pour la prédiction de mouvement ».

Ainsi, Jan Strohbeck et ses collègues ont pu démontrer l’efficacité de cette approche avec un succès impressionnant à la fin de l’année dernière. L’équipe de l’université d’Ulm que dirige l’universitaire a remporté le Argoverse Challenge dans la zone « Motion Forecasting ». Dans ce concours de plusieurs semaines organisé par la société américaine Argo AI – spécialiste de la conduite autonome -, des équipes du monde entier se sont affrontées dans les disciplines « Tracking » et « Motion Forecasting ».