Le meilleur « raisonnement » autonome pour les véhicules

Les chercheurs du MIT et de Toyota ont conçu un nouveau modèle pour aider les véhicules autonomes à déterminer à quel moment il est sécuritaire de se fondre dans la circulation aux intersections où la vue est obstruée.

Naviguer dans les intersections peut être dangereux pour les voitures sans conducteur et pour les humains. En 2016, environ 23 % des accidents de la route mortels et 32 % des accidents non mortels aux États-Unis se sont produits aux intersections, selon une étude du Department of Transportation de 2018. Les systèmes automatisés qui aident les voitures sans conducteur et les conducteurs humains à traverser les intersections peuvent exiger une visibilité directe des objets qu’ils doivent éviter. Lorsque leur ligne de visée est bloquée par des bâtiments voisins ou d’autres obstructions, ces systèmes peuvent tomber en panne.

Les chercheurs ont élaboré un modèle qui utilise plutôt sa propre incertitude pour estimer le risque de collisions potentielles ou d’autres perturbations de la circulation à ces intersections. Il pèse plusieurs facteurs critiques, y compris tous les obstacles visuels à proximité, le bruit et les erreurs des capteurs, la vitesse des autres voitures et même l’attention des autres conducteurs. En fonction du risque mesuré, le système peut conseiller à la voiture de s’arrêter, de s’arrêter, de s’arrêter dans la circulation ou d’avancer pour recueillir plus de données.

« Quand vous vous approchez d’une intersection, il y a un danger potentiel de collision. Les caméras et autres capteurs nécessitent une ligne de visée. S’il y a des occlusions, elles n’ont pas assez de visibilité pour évaluer si quelque chose est en train de se produire « , dit Daniela Rus, directrice du Laboratoire d’informatique et d’intelligence artificielle (CSAIL) et titulaire de la chaire Andrew et Erna Viterbi en génie électrique et informatique. « Dans ce travail, nous utilisons un modèle de contrôle prédictif plus robuste face à l’incertitude, pour aider les véhicules à naviguer en toute sécurité dans ces situations routières difficiles. »

Les chercheurs ont testé le système dans plus de 100 essais de voitures télécommandées tournant à gauche à une intersection achalandée et obstruée dans une ville fictive, d’autres voitures circulant constamment dans la rue transversale. Les expériences ont impliqué des voitures entièrement autonomes et des voitures conduites par des humains mais assistées par le système. Dans tous les cas, le système a aidé les wagons à éviter les collisions de 70 à 100 p. 100 du temps, selon divers facteurs. D’autres modèles similaires mis en œuvre dans les mêmes voitures télécommandées ne pouvaient pas toujours effectuer un seul essai sans collision.

Se joindront à Rus sur l’article : Stephen G. McGill, Guy Rosman et Luke Fletcher, premier auteur du Toyota Research Institute (TRI) ; Teddy Ort et Brandon Araki, étudiants diplômés ; Alyssa Pierson et Igor Gilitschenski, chercheurs ; Sertac Karaman, professeur associé en aéronautique et astronautique au MIT, et John J. Leonard, titulaire de la chaire Samuel C. Collins en génie mécanique et océanique du MIT et conseiller technique du TRI.

Modélisation des segments de route

Le modèle est spécialement conçu pour les carrefours routiers où il n’y a pas de feux de circulation et où une voiture doit céder avant de s’engager dans la circulation au croisement, par exemple en prenant un virage à gauche sur plusieurs voies ou dans les ronds-points. Dans leur travail, les chercheurs ont divisé une route en petits segments. Cela aide le modèle à déterminer si un segment donné est occupé pour estimer un risque conditionnel de collision.

Les voitures autonomes sont équipées de capteurs qui mesurent la vitesse des autres voitures sur la route. Lorsqu’un capteur enregistre le passage d’une voiture dans un segment visible, le modèle utilise cette vitesse pour prédire la progression de la voiture dans tous les autres segments. Un « réseau bayésien » probabiliste prend également en compte les incertitudes – telles que les capteurs de bruit ou les changements de vitesse imprévisibles – pour déterminer la probabilité que chaque segment soit occupé par une voiture qui passe.

Cependant, en raison des occlusions proches, cette seule mesure peut ne pas suffire. Fondamentalement, si un capteur ne peut jamais voir un segment de route désigné, alors le modèle lui attribue une forte probabilité d’être occluse. De l’endroit où la voiture est positionnée, il y a un risque accru de collision si la voiture s’enfonce rapidement dans la circulation. Cela encourage la voiture à se déplacer vers l’avant pour avoir une meilleure vue de tous les segments occlus. Au fur et à mesure que la voiture le fait, le modèle réduit son incertitude et, par conséquent, le risque.

Mais même si le modèle fait tout correctement, il y a toujours une erreur humaine, de sorte que le modèle estime également la sensibilisation des autres conducteurs. « De nos jours, les conducteurs envoient peut-être des messages texte ou sont distraits d’une manière ou d’une autre, de sorte que le temps de réaction peut être beaucoup plus long « , explique M. McGill. « Nous modélisons aussi ce risque conditionnel. »

Cela dépend du calcul de la probabilité qu’un conducteur ait vu ou non la voiture autonome se garer dans l’intersection. Pour ce faire, le modèle examine le nombre de segments traversés par une voiture avant l’intersection. Plus il avait occupé de segments avant d’atteindre l’intersection, plus la probabilité qu’il ait repéré la voiture autonome est élevée et plus le risque de collision est faible.

Le modèle additionne toutes les estimations des risques à partir de la vitesse de circulation, des occlusions, des capteurs de bruit et de la sensibilisation du conducteur. Il tient également compte du temps qu’il faudra à la voiture autonome pour suivre un chemin préétabli à travers l’intersection, ainsi que de tous les points d’arrêt sûrs pour la circulation aux intersections. On obtient ainsi une estimation du risque total.

Cette estimation du risque est continuellement mise à jour, quel que soit l’endroit où se trouve la voiture à l’intersection. En présence de multiples occlusions, par exemple, il va se déplacer vers l’avant, petit à petit, pour réduire l’incertitude. Lorsque le risque estimé est suffisamment faible, le modèle demande à la voiture de traverser l’intersection sans s’arrêter. Selon les chercheurs, le fait de rester trop longtemps au milieu de l’intersection augmente également le risque de collision.

Assistance et intervention

L’utilisation du modèle sur des voitures télécommandées en temps réel indique qu’il est suffisamment efficace et rapide pour être déployé dans des voitures d’essai autonomes à grande échelle dans un avenir proche, selon les chercheurs. (Beaucoup d’autres modèles sont trop lourds sur le plan informatique pour fonctionner avec ces voitures.) Le modèle doit encore faire l’objet d’essais beaucoup plus rigoureux avant d’être utilisé dans des véhicules de série en conditions réelles.

Le modèle servirait de mesure supplémentaire du risque qu’un système de véhicules autonomes pourrait utiliser pour mieux justifier la conduite sécuritaire aux intersections. Le modèle pourrait également être mis en œuvre dans certains « systèmes avancés d’aide à la conduite » (ADAS), où l’homme conserve le contrôle partagé du véhicule.

Ensuite, les chercheurs visent à inclure d’autres facteurs de risque complexes dans le modèle, comme la présence de piétons à l’intersection et autour de celle-ci.