Sacha Arnoud est directeur de l'ingénierie chez Waymo et travaille chez Google depuis 2010. Dans la vidéo que je vous propose ci dessous, il donne des indications intéressantes sur le programme de travail de Google sur ces dernières années. Entre les premiers prototypes en 2009 et le lancement annoncé avant la fin de 2018 d'un service commercial de robots taxis sans "safety driver"presque 10 ans se sont écoulés. "Lorsqu'on a fait 90% du chemin, 90% des efforts restent à faire" semble être la morale de cette aventure technique et industrielle.
Dès 2010, Google avait déjà atteint un premier objectif ambitieux : parcourir en autonomie totale 10 boucles sur des routes ouvertes présentant des complexités très variées : en milieu urbain à San Francisco, sur autoroutes et sur des routes de montagne.
Pendant les années qui ont suivi, Waymo a bénéficié des avancées considérables de Google Brain en "deep learning". Il s'agit par exemple, des technologies utilisées en production depuis 2012 dans Street View pour interpréter les informations présentes sur les façades : numéro et nom des rues, noms et activités des commerces, signalisation routière... La mise en oeuvre de ces technologies en temps réel, par exemple pour détecter des piétons, dans des véhicules qui ne sont pas toujours connectés nécessite des adaptations importantes. Sacha mentionne plusieurs articles clés dont les dates de publication marquent les progrès réalisés.
Pour mieux faire comprendre ce qui est en oeuvre aujourd'hui dans les véhicules robots de Waymo, l'analyse se focalise sur la fonction de perception. Cette fonction reçoit en entrée les informations fournies en temps réel par les capteurs de la voiture et des informations cartographiques "historiques" décrivant le lieu. A partir de ces données, la fonction produit une description de la situation dans laquelle se trouve le véhicule.
Vers la minute 28, il explique l'importance de la perception pour un véhicule qui conduit mieux qu'un humain et qui ne se contente pas simplement d'éviter les obstacles sur son chemin. Dans l'exemple, un véhicule de police, gyrophare allumé, porte ouverte est garé sur la droite.Le policier se tient au milieu de la route et un cycliste, devant le véhicule autonome, se prépare à le contourner...Pour gérer cette situation, il est nécessaire d'interpréter les différentes composantes non seulement comme des "obstacles", mais comme des concepts sémantiquement riches : par exemple un véhicule de police stationné avec gyrophare et dont la porte avant droite est ouverte...
Le deep plarning est aussi nécessaire pour "corriger" les artefacts des capteurs. Les reflets ou les images détectées par certains capteurs doivent, par exemple, être ignorés et non confondus avec des informations réelles.
La "segmentation sémantique" de la scène est donc une étape clé qui se heurte à de nombreuses difficultés. Certains objets : plaques de neige sur la route, sacs en plastique, végétation n'ont pas de "forme caractéristique". Pour les détecter il faut recourir à des méthodes optimisées pour ne pas mobiliser trop de puissance informatique.
L'interprétation des piétons est particulièrement difficile compte tenu de leurs formes variables, des champs sémantiques complexes caractérisant leurs activités, et de leur comportement qui peut être erratique.
Le recours à des réseaux de neurones récurrents est indispensable pour exploiter les informations capturées à différentes étapes de la trajectoire du véhicule et des différentes composantes de la scène.
La technologie Tensor Flow offre, à tous les scientifiques qui l'utilisent des outils, des données et un langage commun qui facilitent le travail d'équipe efficace.
La présentation se conclut par les 3 stratégies de test utilisées par Waymo ;
- la conduite sur routes ouvertes (4 millions de km en 2017),
- la simulation (25 milliards de km simulés en 2017)
- et la réalisation de tests scénarisés dans des environnements spécialisés sur l'ancienne base aérienne de Castle en Californie.
Si les véhicules autonomes vous intéressent,vous trouverez sur ici les autres articles de Transid sur ce sujet.
