
Anticiper les futurs niveaux d'obstacles est une tâche difficile, mais c'est la clé pour prévenir les accidents de la route. Dans le contexte d'un véhicule à conduite autonome, un système de perception doit pouvoir capter une série de trajectoires que d'autres acteurs pourraient prendre, plutôt qu'une seule trajectoire probable. Par exemple, un véhicule adverse approchant d'une intersection pourrait continuer à rouler en ligne droite ou tourner devant un véhicule autonome ; pour assurer la sécurité, le véhicule autonome doit raisonner sur ces possibilités et ajuster son comportement en conséquence.
MultiNet prend en compte les données des capteurs laser et des cartes de rues haute définition. Il apprend simultanément les trajectoires d'obstacles et les incertitudes liées aux itinéraires. Pour les véhicules, il les affine ensuite en écartant les prédictions de trajectoire de la première étape et en prenant le centre supposé des objets et des positions des obstacles, avant de les corriger et de les faire passer par un algorithme pour faire des prédictions finales de trajectoire et d'incertitude.
Pour tester les performances de MultiNet, les chercheurs ont soumis le système à une journée de simulations. Un ensemble de données contenant les relevés de 5500 scénarios recueillis par les véhicules autonomes de Uber dans les villes d'Amérique du Nord à l'aide d'un capteur laser monté sur le toit. Ils indiquent que MultiNet a surpassé plusieurs bases de référence par une marge significative sur les trois types d'obstacles (véhicules, piétons et cyclistes) en termes de précision des prévisions. Concrètement, l'incertitude de la simulation a conduit à des améliorations de 9 à 13 %, et a permis de raisonner sur le problème du bruit inhérent aux futurs mouvements du trafic.
« Dans un premier cas : il s’agit d'un acteur approchant d'une intersection et qui a tourné à droite. Là où un système de base a prédit à tort que l’acteur continuerait à se déplacer tout droit à l'intersection, MultiNet a prédit avec une grande exactitude une trajectoire de virage très précise, tout en tenant compte de la possibilité d'un comportement en ligne droite », expliquent les chercheurs.
Une autre hypothèse : « un acteur a effectué un virage à gauche non protégé vers le véhicule à conduite autonome, ce qu'IntentNet a mal prédit. Mais à l'inverse, nous voyons que MultiNet a produit les deux modes possibles, y compris une trajectoire de virage avec une grande incertitude due à la forme inhabituelle de l'intersection », ont-ils ajouté.
Source : arXiv
Et vous ?



Voir aussi :




