Des chercheurs du MIT et de Toyota ont conçu un nouveau modèle pour aider les véhicules autonomes à déterminer quand il est sûr de se fondre dans la circulation aux intersections avec des vues obstruées.

Naviguer aux intersections peut être dangereux pour les voitures sans conducteur et les humains. En 2016, environ 23 % des accidents mortels de la circulation aux États-Unis et 32 % des accidents non mortels se sont produits aux intersections, selon une étude du ministère des Transports de 2018. Les systèmes automatisés qui aident les voitures sans conducteur et les conducteurs humains à traverser les intersections peuvent nécessiter une visibilité directe des objets qu'ils doivent éviter. Lorsque leur champ de vision est bloqué par des bâtiments à proximité ou d'autres obstacles, ces systèmes peuvent échouer.

Les chercheurs ont développé 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 toutes les obstructions visuelles à proximité, bruit et erreurs du capteur, la vitesse des autres voitures, et même l'attention des autres conducteurs. Sur la base du risque mesuré, le système peut conseiller à la voiture de s'arrêter, entrer dans la circulation, ou pousser en avant pour recueillir plus de données.

« Lorsque vous vous approchez d'une intersection, il existe un danger potentiel de collision. Les caméras et autres capteurs nécessitent une ligne de mire. S'il y a des occlusions, ils n'ont pas assez de visibilité pour évaluer s'il est probable que quelque chose arrive, " dit Daniela Rus, directeur du Laboratoire d'informatique et d'intelligence artificielle (CSAIL) et professeur Andrew et Erna Viterbi de génie électrique et d'informatique. "Dans ce travail, nous utilisons un modèle de contrôle prédictif qui est plus robuste 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 un endroit très fréquenté, intersection obstruée dans une ville fictive, avec d'autres voitures circulant constamment dans la rue transversale. Les expériences impliquaient des voitures entièrement autonomes et des voitures conduites par des humains mais assistées par le système. Dans tous les cas, le système a aidé avec succès les voitures à éviter les collisions de 70 à 100 pour cent du temps, en fonction de divers facteurs. D'autres modèles similaires mis en œuvre dans les mêmes voitures télécommandées ne pouvaient parfois pas effectuer un seul essai sans collision.

Rejoindre Rus sur le papier sont:le premier auteur Stephen G. McGill, Guy Rosman, et Luke Fletcher du Toyota Research Institute (TRI); les étudiants diplômés Teddy Ort et Brandon Araki, chercheur Alyssa Pierson, et post-doctorant Igor Gilitschenski, l'ensemble du CSAIL ; Sertac Karaman, professeur agrégé d'aéronautique et d'astronautique au MIT ; et John J. Leonard, le professeur Samuel C. Collins de génie mécanique et océanique du MIT et un conseiller technique du TRI.

Modélisation de segments de route

Le modèle est spécialement conçu pour les carrefours routiers dans lesquels il n'y a pas de feu de circulation et une voiture doit céder avant de manœuvrer dans la circulation au croisement, comme prendre un virage à gauche sur plusieurs voies ou 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 signale une voiture qui passe dans un segment visible, le modèle utilise cette vitesse pour prédire la progression de la voiture à travers tous les autres segments. Un "réseau bayésien" probabiliste prend également en compte les incertitudes, telles que les capteurs bruyants ou les changements de vitesse imprévisibles, pour déterminer la probabilité que chaque segment soit occupé par une voiture qui passe.

En raison des occlusions à proximité, cependant, cette seule mesure peut ne pas suffire. Essentiellement, si un capteur ne peut jamais voir un segment de route désigné, alors le modèle lui attribue une forte probabilité d'être occlus. D'où la voiture est positionnée, il y a un risque accru de collision si la voiture sort rapidement dans la circulation. Cela encourage la voiture à avancer pour avoir une meilleure vue de tous les segments obstrués. Comme la voiture le fait, le modèle réduit son incertitude et, à son tour, risque.

Mais même si le modèle fait tout correctement, il y a toujours une erreur humaine, le modèle estime donc également la sensibilisation des autres conducteurs. "Ces jours, les conducteurs peuvent envoyer des SMS ou être distraits, le temps de réaction peut donc être beaucoup plus long, ", dit McGill. "Nous modélisons ce risque conditionnel, également."

Cela dépend du calcul de la probabilité qu'un conducteur ait vu ou n'ait pas vu la voiture autonome entrer dans l'intersection. Faire cela, le modèle examine le nombre de segments qu'une voiture en mouvement a traversé avant l'intersection. Plus il avait occupé de segments avant d'atteindre l'intersection, plus il est probable qu'il a repéré la voiture autonome et plus le risque de collision est faible.

Le modèle additionne toutes les estimations de risque à partir de la vitesse du trafic, occultation, capteurs bruyants, et la sensibilisation des conducteurs. Il prend également en compte le temps qu'il faudra à la voiture autonome pour suivre un chemin préplanifié à travers l'intersection, ainsi que tous les points d'arrêt sûrs pour le trafic de croisement. Cela produit une estimation du risque total.

Cette estimation du risque est mise à jour en permanence pour l'endroit où se trouve la voiture à l'intersection. En présence d'occlusions multiples, par exemple, ça va avancer, petit à petit, pour réduire l'incertitude. Lorsque l'estimation du risque est suffisamment faible, le modèle dit à la voiture de traverser l'intersection sans s'arrêter. S'attarder trop longtemps au milieu de l'intersection, les chercheurs ont trouvé, augmente également le risque de collision.

Aide et intervention

L'exécution 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, disent les chercheurs. (Beaucoup d'autres modèles sont trop lourds en calcul pour fonctionner sur ces voitures.) Le modèle a encore besoin de tests beaucoup plus rigoureux avant d'être utilisé pour une mise en œuvre réelle dans des véhicules de production.

Le modèle servirait de mesure de risque supplémentaire qu'un système de véhicule autonome peut utiliser pour mieux raisonner sur la conduite en toute sécurité aux intersections. Le modèle pourrait aussi potentiellement être implémenté dans certains « systèmes avancés d'aide à la conduite » (ADAS), où les humains maintiennent le contrôle partagé du véhicule.

Prochain, les chercheurs visent à inclure d'autres facteurs de risque difficiles dans le modèle, comme la présence de piétons dans et autour du carrefour.

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.