Dans le domaine des voitures autonomes, les algorithmes de contrôle des changements de voie sont un sujet d'étude important. Mais la plupart des algorithmes de changement de voie existants présentent l'un des deux inconvénients suivants :soit ils reposent sur des modèles statistiques détaillés de l'environnement de conduite, qui sont difficiles à assembler et trop complexes à analyser à la volée; ou ils sont si simples qu'ils peuvent conduire à des décisions peu conservatrices, comme ne jamais changer de voie du tout.

À la Conférence internationale sur la robotique et l'automatisation de demain, des chercheurs du Laboratoire d'informatique et d'intelligence artificielle (CSAIL) du MIT présenteront un nouvel algorithme de changement de voie qui divise la différence. Il permet des changements de voie plus agressifs que les modèles simples, mais ne repose que sur des informations immédiates sur les directions et les vitesses des autres véhicules pour prendre des décisions.

"La motivation est, « Que pouvons-nous faire avec le moins d'informations possible ? » déclare Alyssa Pierson, un post-doctorant au CSAIL et premier auteur du nouvel article. « Comment pouvons-nous faire en sorte qu'un véhicule autonome se comporte comme un conducteur humain pourrait se comporter ? Quelle est la quantité minimale d'informations dont la voiture a besoin pour susciter ce comportement humain ? »

Pierson est rejoint sur le papier par Daniela Rus, le professeur Viterbi d'électrotechnique et d'informatique; Sertac Karaman, professeur agrégé d'aéronautique et d'astronautique; et Wilko Schwarting, un étudiant diplômé en génie électrique et en informatique.

« La solution d'optimisation assurera une navigation avec des changements de voie pouvant modéliser toute une gamme de styles de conduite, de conservateur à agressif, avec des garanties de sécurité, " dit Rus, qui est le directeur du CSAIL.

Un moyen standard pour les véhicules autonomes d'éviter les collisions consiste à calculer des zones tampons autour des autres véhicules dans l'environnement. Les zones tampons décrivent non seulement les positions actuelles des véhicules, mais leurs positions futures probables dans un certain laps de temps. La planification des changements de voie devient alors une simple question de rester en dehors des zones tampons des autres véhicules.

Pour toute méthode donnée de calcul des zones tampons, les concepteurs d'algorithmes doivent prouver qu'il garantit l'évitement des collisions, dans le contexte du modèle mathématique utilisé pour décrire les modèles de trafic. Cette preuve peut être complexe, les zones tampons optimales sont donc généralement calculées à l'avance. Pendant le fonctionnement, le véhicule autonome appelle alors les zones tampons précalculées qui correspondent à sa situation.

Le problème est que si le trafic est assez rapide et assez dense, les zones tampons précalculées peuvent être trop restrictives. Un véhicule autonome ne pourra pas du tout changer de voie, alors qu'un conducteur humain sillonnerait joyeusement la chaussée.

Avec le système des chercheurs du MIT, si les zones tampons par défaut conduisent à des performances bien pires que celles d'un conducteur humain, le système calculera de nouvelles zones tampons à la volée, avec preuve d'évitement des collisions.

Cette approche repose sur une méthode mathématiquement efficace de description des zones tampons, afin que la preuve d'évitement des collisions puisse être exécutée rapidement. Et c'est ce que les chercheurs du MIT ont développé.

Ils commencent par une distribution dite gaussienne, la distribution de probabilité familière en courbe en cloche. Cette distribution représente la position actuelle de la voiture, en tenant compte à la fois de sa longueur et de l'incertitude de son estimation de localisation.

Puis, sur la base d'estimations de la direction et de la vitesse de la voiture, le système des chercheurs construit une fonction dite logistique. La multiplication de la fonction logistique par la distribution gaussienne fausse la distribution dans le sens du mouvement de la voiture, avec des vitesses plus élevées augmentant le biais.

La distribution asymétrique définit la nouvelle zone tampon du véhicule. Mais sa description mathématique est si simple - en utilisant seulement quelques variables d'équation - que le système peut l'évaluer à la volée.

Les chercheurs ont testé leur algorithme dans une simulation incluant jusqu'à 16 voitures autonomes roulant dans un environnement avec plusieurs centaines d'autres véhicules.

"Les véhicules autonomes n'étaient pas en communication directe mais exécutaient l'algorithme proposé en parallèle sans conflit ni collision, " explique Pierson. " Chaque voiture utilisait un seuil de risque différent qui produisait un style de conduite différent, nous permettant de créer des pilotes conservateurs et agressifs. En utilisant la statique, des zones tampons précalculées ne permettraient qu'une conduite prudente, alors que notre algorithme dynamique permet une plus large gamme de styles de conduite. »