Les voitures autonomes n'y voient pas très clair

« Regarde ta route ! » : une recommandation qui a sans doute sauvé quelques vies dans l'histoire de l'automobile. Désormais, les véhicules autonomes et les véhicules sans chauffeur devront eux aussi la respecter. Selon Roberto Cipolla, ingénieur dans le domaine des communications, l'un des plus grands défis à relever pour perfectionner ces machines sera de leur fournir une acuité visuelle équivalente à celle d'un humain.

« La vision est notre sens le plus développé, et les voitures autonomes devront voir, elles aussi » explique Cipolla, professeur au laboratoire d'Intelligence artificielle de l'Université de Cambridge (MIL). « Mais apprendre à une machine à observer son environnement est bien plus difficile qu'il n'y parait. »

Cipolla s'exprime en connaissance de cause. Il a développé des logiciels de surveillance de route à l'aide d'autres collègues du MIL, Vijay Badrinarayanan et Alex Kendall. Ensemble, les chercheurs ont mis au point un système visuel artificiel baptisé SegNet, qu'ils ont récemment présenté à la Conférence internationale sur la vision par ordinateur, à Santiago du Chili.

Selon leur site web, SegNet est « une architecture profonde convolutionnelle d'encodage-décodage pour étiquetage sémantique robuste pixel par pixel », ce qui est très impressionnant.

Cet énoncé, certes un peu alambiqué, décrit de manière synthétique une nouvelle méthode destinée à aider les machines à distinguer entre les différentes parties de l'environnement perçu pendant la conduite. Elle les aide aussi à se situer dans l'espace. Vous pouvez tester le système par vous-même en uploadant des photos sur la page de démonstration de SegNet.

« Certains gros constructeurs automobiles utilisent des lasers, radars, caméras, voire la combinaison de toutes ces technologies, sur leurs prototypes de véhicules autonomes, » explique Kendall dans la vidéo ci-dessous.

« Nous n'essayons pas seulement de mettre au point un système visuel. Sur une image donnée, SegNet permet d'étiqueter chaque pixel en fonction de ce qu'il parvient à reconnaître. »

La situation de conduite typique est constituée par une interaction dynamique entre des éléments qui se déplacent, comme des voitures, des piétons, des vélos, des panneaux routiers, des scènes d'accident, etc. Pour construire Segnet, l'équipe a méticuleusement étiqueté ces différents éléments, pixel par pixel, sur plus de 5000 images différentes. Après avoir digéré cette base de données, SegNet a appris à distinguer entre ces différentes catégories par lui-même.

« Il est très doué pour identifier les différents éléments qui composent une image, car on l'a bien entrainé » se réjouit Kendall. « Néanmoins, il y a encore des millions de paramètres sur lesquels nous pouvons jouer afin de raffiner davantage le système. »

L'équipe a également développé un système de localisation capable d'estimer la location et l'orientation spatiale d'un utilisateur à partir d'une simple image en couleur, avec une précision qui excède celle d'un GPS.

L'idée derrière tout cela est la suivante : si vous étiez perdu dans New York, comme le jeune Kevin McCallister, il vous suffirait de prendre une photo pour que le système soit capable d'identifier le lieu où vous vous trouvez à quelques mètres près, ainsi que la direction dans laquelle vous êtes orienté. L'application au domaine des voitures autonomes parait évidente.

À l'heure actuelle, cependant, SegNet en est encore à ses balbutiements ; Cipolla, Kendall et Badrinarayanan espèrent qu'il sera bientôt testé pour des applications domestiques (pour des aspirateurs autonomes par exemple), bien avant d'errer dans nos rues.

« Les conducteurs ne sont pas encore prêts à faire confiance à une voiture autonome » explique Kendall. « Mais plus les technologies sur lesquelles nous travaillons seront précises et efficaces, plus vite les robots autonomes seront adoptés par le grand public. »