Des réseaux de neurones contre le dérapage automobile

I.A. https://farm8.staticflickr.com/7824/32539752827_19f3f6b6de_o.jpg https://farm8.staticflickr.com/7824/32539752827_19f3f6b6de_o.jpg Technologie Média 0 https://technologiemedia.net/2019/03/27/des-reseaux-de-neurones-contre-le-derapage-automobile/#respond
726

réseau-neurone-controle-dérapage-voiture

Un système de réseau neuronal peut fournir le contrôle – et donc la sécurité – que les gens recherchent avec les voitures autonomes. Si un essai réussi aux États-Unis il se trouvera dans tous les guides automobiles.

Un réseau neuronal pour mieux contrôler un véhicule autonome

Les ingénieurs de l’Université de Stanford croient certainement que cela mérite une enquête plus approfondie. Ils ont utilisé une telle approche pour créer un véhicule autonome (AV) capable de rivaliser avec la vitesse et la précision d’un pilote de course amateur.

Comme Nathan Spielberg et ses collègues l’expliquent dans un article de la revue Science Robotics, pour éviter les obstacles mieux qu’un conducteur moyen, un véhicule autonome doit fonctionner à la limite des frictions – juste avant que les pneus cessent de maintenir la voiture sur la route et qu’elle commence déraper.

Être capable de fonctionner efficacement à ces limites, lorsque la plupart des conducteurs perdent le contrôle de leurs voitures, est essentiel pour éviter les accidents à grande vitesse ou lors de la conduite dans des conditions glissantes.

Le problème, disent-ils, est que la plupart des systèmes de conduite autonome actuels reposent sur des estimations du frottement des pneus sur la route pour informer l’ordinateur de bord de la vitesse et du contrôle de la direction, mais les méthodes disponibles pour le faire ne sont pas très précises, en particulier lorsque les frottements changent rapidement avec les conditions de la route.

Leur réponse a été de créer en un système de «feedforward-feedback» qui utilise une modélisation mathématique des forces physiques agissant sur un véhicule pour prévoir l’angle de braquage optimal sans prendre d’estimation du frottement sur la route.

Une voiture équipée de ce système était capable d’être aussi rapide qu’un le pilote de course 

Une voiture équipée de ce système était capable de naviguer sur un parcours aussi rapidement qu’un le pilote de course et les chercheurs ont pu améliorer encore les performances en remplaçant le modèle basé sur la physique par un modèle de réseau neuronal formé en conduisant le véhicule dans diverses conditions.

«Le réseau de neurones a obtenu de meilleures performances que le modèle physique lorsqu’il a été implémenté dans la même architecture de contrôle à rétroaction directe sur un véhicule expérimental», écrivent-ils.

«Plus particulièrement, une fois formé sur une combinaison de données provenant de routes sèches et enneigées, le modèle a été en mesure de faire des prévisions appropriées pour la surface de la route sur laquelle le véhicule circulait sans qu’il soit nécessaire d’estimer explicitement le frottement sur la route.»

Spielberg et ses collègues ont utilisé les états et les entrées du modèle basé sur la physique pour développer un réseau de neurones à anticipation à deux couches capable d’apprendre le comportement dynamique du véhicule sur une gamme de surfaces différentes.

Ce système implique une combinaison de mesures et d’informations d’historique

Ce réseau implique une combinaison de mesures et d’informations d’historique provenant de trois étapes précédentes. Les informations d’historique permettent au réseau de fournir des prévisions du comportement à différents niveaux de frottement sans avoir à recourir à un schéma d’estimation explicite de frottement.

«Lorsqu’il a été formé sur une combinaison de données de frottement élevé et faible, le modèle a établi des prédictions adaptées à la surface décrite par les informations d’historique», expliquent-ils.

«En renonçant à l’étape d’estimation de frottement, le réseau de neurones avec des capacités d’historique et d’estimation fusionnées d’informations d’historique qui simplifie la tâche de contrôle du véhicule. Cette fonctionnalité supplémentaire ne s’est pas faite au détriment des performances.”

Ils ont testé leur système avec une Audi TTS 2009

Le système a été intégré à une Audi TTS 2009 et la compétition entre le véhicule autonome et le pilote de course s’est déroulée dans une section du Thunderhill Raceway Park, à Willows, en Californie.

Source : Cosmos MagazineStandford University
Crédit photo : Pexel

https://farm8.staticflickr.com/7824/32539752827_19f3f6b6de_o.jpg