Une voiture autonome virtuelle a appris à envisager plusieurs réactions possibles des conducteurs humains voisins avant de choisir comment accélérer ou changer de voie.
Sur une route réelle, deux automobilistes placés dans une situation similaire ne réagissent pas forcément de la même façon. L'un peut laisser passer une voiture, l'autre s'insérer rapidement devant elle. Pour un système automatisé, se fier uniquement aux positions et vitesses actuelles limite donc la capacité à préparer sa prochaine action.
Image d'illustration Pixabay
Les chercheurs ont conçu une méthode qui ne cherche pas à deviner un avenir unique. Elle produit plusieurs trajectoires plausibles pour les véhicules proches, à partir de leurs mouvements et de leurs interactions. Ces possibilités deviennent ensuite des informations utilisables par le programme chargé de conduire. Autrement dit, celui-ci peut préparer sa décision en tenant compte de plusieurs comportements humains possibles.
Cette anticipation sert aussi à éviter que l'apprentissage de l'IA n'explore trop souvent des actions peu réalistes. Le système apprend par essais successifs dans une simulation, avec des pénalités en cas de collision ou de manœuvre inutile. Il reçoit aussi une récompense lorsqu'il progresse efficacement sans sacrifier la sécurité.
Pour rendre les essais plus réalistes, l'équipe a utilisé des trajectoires enregistrées sur des autoroutes allemandes par le jeu de données HighD. Des drones y avaient suivi les déplacements de véhicules vus du ciel. Dans cette étude, 2 325 trajectoires réelles ont notamment servi à entraîner le module chargé d'anticiper les mouvements.
Les résultats sont très encourageants dans cet environnement virtuel. Dans le scénario de référence, le taux de collision atteint 0,1 %, contre 0,7 % à 2,7 % pour quatre méthodes d'apprentissage comparées. Lors d'un freinage d'urgence, il atteint 1,0 %, contre environ 24 % pour deux méthodes concurrentes testées dans les mêmes conditions.
L'équipe a aussi testé un trafic rendu 50 % plus dense. Le taux de collision y atteint 0,3 %, contre 1,8 % pour les deux méthodes de comparaison retenues. L'expérience montre parallèlement une vitesse moyenne plus élevée. Les auteurs attribuent notamment ce résultat à la possibilité d'anticiper plusieurs évolutions du trafic avant d'agir.
Une étape reste nécessaire avant d'envisager une utilisation réelle : le système devra apprendre à s'adapter à des situations absentes de ses données initiales. Les chercheurs prévoient aussi d'intégrer la consommation d'énergie et d'étendre leur méthode à plusieurs véhicules autonomes coopérant par communication directe.