L’intelligence artificielle sous le capot d’une voiture autonome
La voiture autonome gagne de plus en plus de terrain sur le marché de l’automobile. En effet, les constructeurs automobiles en produisent de plus en plus et les modèles deviennent plus performants. L’un des défis qu’ils se fixent consiste à intégrer sous le capot de ces véhicules une intelligence artificielle. Le but est d’obtenir une voiture à conduite 100 % automatisée. Quels sont les défis techniques à relever ? Ce projet est-il réaliste ? Quels sont les progrès des constructeurs Français Renault et PSA concernant cette perspective ? C’est ce que vous allez découvrir dans cet article.
Les constats sur la voiture autonome
Les grands constructeurs automobiles tels que Toyota, Renault, BMW, Ford ou PSA investissent énormément dans la voiture autonome. C’est aussi le cas en ce qui concerne la marque californienne Tesla. Les voitures autonomes produites par ces constructeurs disposent pour la majorité des dispositifs intelligents d’aide à la conduite ou ADAS. Cependant, il s’agit encore d’un concept assez éloigné du véhicule 100 % autonome. En effet, cela consisterait à octroyer le permis de conduire à une IA. Plusieurs défis techniques sont alors à réussir avant d’obtenir des résultats concluants et les efforts à réaliser sont énormes.
Théoriquement, l’intégration des nouvelles technologies d’intelligence artificielle semble une bonne alternative pour optimiser le fonctionnement de la voiture autonome. En effet, s’il est nécessaire de résoudre des conditions de navigation difficile, le deep learning possède un haut niveau de performance. Par exemple, il permet à l’automobiliste de réussir l’entrée de sa voiture sur un rond-point. Cela pourrait se faire avec l’intégration d’un logiciel standard axé sur un moteur de règle ayant un important volume de lignes de code. Partant d’un corpus de situation de circulation, le système peut s’initier à la manœuvre grâce à la machine learning. Une fois cet apprentissage effectué, sa matrice devient généralisée afin de gérer les cas de figure n’ayant pas encore été vécus. Ce processus devrait néanmoins se faire par l’intermédiaire d’une application très légère. Cependant, il faut prendre en compte que les risques d’erreurs effectués par un réseau de neurones ne sont pas à exclure. De plus, les résultats ne peuvent pas être expliqués mathématiquement. Ainsi, l’IA pourrait éventuellement prendre une décision contraire à ce que l’on pense. La raison de cette décision pourrait être incompréhensible.
Obtenir une homologation dédiée à l’intelligence artificielle pour voiture autonome semble être encore un rêve à l’heure actuelle. En effet, l’imprévisibilité de cette intelligence contraint les autorités de certification et de régulation à ne pas cautionner encore la mise en circulation de ces voitures autonomes. Bien entendu, les recherches continuent d’être effectuées pour aboutir à un meilleur résultat. Effectivement, il faut prendre en considération que l’obtention d’un deeplearning de qualité nécessite un corpus de cas de figure fiables et parfaitement annotés. Deux options sont alors envisageables pour résoudre l’équation. La première consiste à créer une IA redondante dotée d’un système moins imprévisible afin de valider l’ensemble des décisions et d’un moteur de prise de décisions axé sur le deeplearning. Cette IA pourrait être basée sur un modèle probabiliste comme la perception bayésienne. La seconde consiste à privilégier l’apprentissage profond au lieu des opérations plus spécialisées. C’est la solution adoptée notamment par le constructeur PSA.
Les grands constructeurs automobiles tels que Toyota, Renault, BMW, Ford ou PSA investissent énormément dans la voiture autonome. C’est aussi le cas en ce qui concerne la marque californienne Tesla. Les voitures autonomes produites par ces constructeurs disposent pour la majorité des dispositifs intelligents d’aide à la conduite ou ADAS. Cependant, il s’agit encore d’un concept assez éloigné du véhicule 100 % autonome. En effet, cela consisterait à octroyer le permis de conduire à une IA. Plusieurs défis techniques sont alors à réussir avant d’obtenir des résultats concluants et les efforts à réaliser sont énormes.
Théoriquement, l’intégration des nouvelles technologies d’intelligence artificielle semble une bonne alternative pour optimiser le fonctionnement de la voiture autonome. En effet, s’il est nécessaire de résoudre des conditions de navigation difficile, le deep learning possède un haut niveau de performance. Par exemple, il permet à l’automobiliste de réussir l’entrée de sa voiture sur un rond-point. Cela pourrait se faire avec l’intégration d’un logiciel standard axé sur un moteur de règle ayant un important volume de lignes de code. Partant d’un corpus de situation de circulation, le système peut s’initier à la manœuvre grâce à la machine learning. Une fois cet apprentissage effectué, sa matrice devient généralisée afin de gérer les cas de figure n’ayant pas encore été vécus. Ce processus devrait néanmoins se faire par l’intermédiaire d’une application très légère. Cependant, il faut prendre en compte que les risques d’erreurs effectués par un réseau de neurones ne sont pas à exclure. De plus, les résultats ne peuvent pas être expliqués mathématiquement. Ainsi, l’IA pourrait éventuellement prendre une décision contraire à ce que l’on pense. La raison de cette décision pourrait être incompréhensible.
Obtenir une homologation dédiée à l’intelligence artificielle pour voiture autonome semble être encore un rêve à l’heure actuelle. En effet, l’imprévisibilité de cette intelligence contraint les autorités de certification et de régulation à ne pas cautionner encore la mise en circulation de ces voitures autonomes. Bien entendu, les recherches continuent d’être effectuées pour aboutir à un meilleur résultat. Effectivement, il faut prendre en considération que l’obtention d’un deeplearning de qualité nécessite un corpus de cas de figure fiables et parfaitement annotés. Deux options sont alors envisageables pour résoudre l’équation. La première consiste à créer une IA redondante dotée d’un système moins imprévisible afin de valider l’ensemble des décisions et d’un moteur de prise de décisions axé sur le deeplearning. Cette IA pourrait être basée sur un modèle probabiliste comme la perception bayésienne. La seconde consiste à privilégier l’apprentissage profond au lieu des opérations plus spécialisées. C’est la solution adoptée notamment par le constructeur PSA.
La question du dilemme moral !
Une interrogation subsiste : l’IA sur la voiture autonome prend-elle en compte la morale dans ses prises de décision ? Le dilemme moral est fréquent chez l’être humain, mais il est plus notable chez un robot. Par exemple, dans le cas où une IA devrait choisir entre emboutir une moto ou écraser un piéton ou inversement, quelle serait sa décision ? L’objectif des constructeurs automobiles est de répondre à cette question par différentes études statistiques. Ainsi, ils pourraient démontrer que la voiture autonome est plus fiable que l’être humain.
