Mesure substitutive généralisée perturbe l’évaluation du risque de collision

Des chercheurs ont mis au point un nouveau modèle d’intelligence artificielle capable de prédire les collisions de véhicules 2,6 secondes avant qu’elles ne se produisent, atteignant 90 % de précision lors des tests. Baptisé Generalized Surrogate Safety Measure (GSSM), le système analyse des données de conduite réelles pour identifier les risques d’accident et pourrait révolutionner les systèmes de sécurité des véhicules autonomes comme des véhicules conduits par des humains, selon des résultats publiés aujourd’hui dans Nature Machine Intelligence.

Cette avancée technologique s’appuie sur une méthode sans annotation qui élimine l’un des plus grands défis de l’industrie automobile: la nécessité pour des humains de passer en revue et d’annoter manuellement des millions d’heures de vidéos de conduite pour identifier les situations dangereuses. Cette méthode évolutive permet au système d’apprendre en continu à partir d’énormes volumes de données de conduite réelles sans intervention humaine, selon l’étude menée par des chercheurs de l’Université technologique de Delft.

Le système a été validé sur 2 591 événements réels d’accidents et de quasi-accidents, démontrant sa capacité à identifier les risques dans divers scénarios, notamment les collisions par l’arrière, les situations d’insertion, et les manœuvres de virage. La version initiale, qui n’analyse que les mouvements instantanés des véhicules, a atteint une aire sous la courbe précision-rappel de 0,9, indiquant une précision exceptionnelle pour distinguer les risques avérés des fausses alertes, ont rapporté les chercheurs dans Nature Machine Intelligence.

Innovation technique

Contrairement aux systèmes de sécurité existants qui ne réagissent que lorsque la collision devient imminente, GSSM identifie des schémas qui prédisent le danger bien avant que des situations critiques ne se développent. Le modèle a constamment surpassé les systèmes classiques existants dans tous les scénarios testés, et ses performances se sont encore améliorées lorsque les chercheurs ont incorporé des données contextuelles supplémentaires sur les schémas d’interaction entre véhicules, selon l’étude.

L’entraînement du système a nécessité le supercalculateur DelftBlue, mais le modèle final s’exécute efficacement sur des ordinateurs de bord standards, rendant un déploiement en temps réel envisageable tant pour les véhicules autonomes que pour les systèmes avancés d’aide à la conduite.

Limitations et développements futurs

Les tests actuels ont principalement porté sur des conditions météorologiques dégagées ou nuageuses avec des routes sèches. La performance en conditions météorologiques sévères comme la neige, le verglas ou un brouillard dense reste non validée, ont reconnu les chercheurs. Le système dépend également de données de capteurs de haute qualité et peut rencontrer des difficultés lorsque d’autres véhicules sont masqués.

Malgré ces limitations, la technologie représente une transition fondamentale des systèmes de sécurité réactifs vers des systèmes proactifs. L’approche d’apprentissage sans annotation résout un goulot d’étranglement majeur de l’industrie, permettant aux constructeurs d’exploiter les données de flotte pour une amélioration continue sans processus manuels d’examen coûteux.

Ce cadre pourrait établir des critères de sécurité standardisés pour les régulateurs évaluant différentes technologies autonomes et d’assistance à la conduite, accélérant potentiellement le déploiement de véhicules plus sûrs tout en renforçant la confiance du public dans les systèmes automatisés, ont conclu les chercheurs.