Il existe peut-être un meilleur moyen pour les véhicules autonomes d'apprendre à se conduire :en observant les humains. Avec l'aide d'un système de correction de la vue amélioré, les voitures autonomes pourraient apprendre simplement en observant les opérateurs humains accomplir la même tâche.

Des chercheurs de l'Université Deakin en Australie ont publié leurs résultats dans Journal IEEE/CAA d'Automatica Sinica , une publication conjointe de l'Institut des ingénieurs électriciens et électroniciens (IEEE) et de l'Association chinoise de l'automatisation.

L'équipe a mis en place un apprentissage par imitation, aussi appelé apprentissage par démonstration. Un opérateur humain conduit un véhicule équipé de trois caméras, observer l'environnement de l'avant et de chaque côté de la voiture. Les données sont ensuite traitées via un réseau de neurones - un système informatique basé sur la façon dont les neurones du cerveau interagissent pour traiter l'information - qui permet aux véhicules de prendre des décisions basées sur ce qu'ils ont appris en regardant l'humain prendre des décisions similaires.

"L'attente de ce processus est de générer un modèle uniquement à partir des images prises par les caméras, " a déclaré l'auteur de l'article Saeid Nahavandi, Professeur Alfred Deakin, Vice-chancelier, chaire d'ingénierie et directeur de l'Institute for Intelligent Systems Research and Innovation de l'Université Deakin. "Le modèle généré devrait alors conduire la voiture de manière autonome."

Le système de traitement est spécifiquement un réseau de neurones convolutifs, qui se reflète sur le cortex visuel du cerveau. Le réseau a une couche d'entrée, une couche de sortie et un nombre quelconque de couches de traitement entre elles. L'entrée traduit les informations visuelles en points, qui sont ensuite comparés en continu à mesure que plus d'informations visuelles arrivent. En réduisant les informations visuelles, le réseau peut traiter rapidement les changements dans l'environnement :un décalage de points apparaissant devant vous pourrait indiquer un obstacle sur la route. Cette, combinée aux connaissances acquises en observant l'opérateur humain, signifie que l'algorithme sait qu'un obstacle soudain sur la route doit déclencher l'arrêt complet du véhicule pour éviter un accident.

"Avoir une vision fiable et robuste est une exigence obligatoire dans les véhicules autonomes, et les réseaux de neurones convolutifs sont l'un des réseaux de neurones profonds les plus performants pour les applications de traitement d'images, " a déclaré Nahavandi.

Il a noté quelques inconvénients, toutefois. La première est que l'apprentissage par imitation accélère le processus d'entraînement tout en réduisant la quantité de données d'entraînement nécessaires pour produire un bon modèle. En revanche, les réseaux de neurones convolutifs nécessitent une quantité importante de données d'entraînement pour trouver une configuration optimale de couches et de filtres, qui peut aider à organiser les données, et produit un modèle correctement généré capable de conduire un véhicule autonome.

"Par exemple, nous avons constaté que l'augmentation du nombre de filtres ne se traduit pas nécessairement par une meilleure performance, " a déclaré Nahavandi. " La sélection optimale des paramètres du réseau et de la procédure de formation est toujours une question ouverte que les chercheurs étudient activement dans le monde entier. " Ensuite, les chercheurs envisagent d'étudier des techniques plus intelligentes et efficaces, incluant des algorithmes génétiques et évolutifs pour obtenir l'ensemble optimal de paramètres pour mieux produire un auto-apprentissage, véhicule autonome.