Des chercheurs ont développé un système d’IA novateur capable de prédire les collisions de véhicules 2,6 secondes avant qu’elles ne se produisent, atteignant une précision de 90 % sans nécessiter de données issues d’accidents réels. Le Generalised Surrogate Safety Measure (GSSM), créé par Jiao et al. et publié dans Nature Machine Intelligence, apprend les schémas de risques de collision à partir de données de conduite quotidiennes et a été validé sur 2 591 accidents et quasi-accidents réels.
Cette avancée représente un changement fondamental dans la technologie de sécurité automobile. Contrairement aux systèmes classiques qui réagissent face aux dangers imminents ou qui nécessitent des données de collisions coûteuses pour l’entraînement, cette méthodologie non-supervisée apprend les schémas de risques à partir de scénarios de conduite quotidiens, ce qui pourrait révolutionner la façon dont les véhicules anticipent et préviennent les sinistres.
Le système analyse la cinématique des mouvements, incluant la vitesse et l’accélération des véhicules environnants, selon l’étude publiée dans Nature Machine Intelligence. En traitant ces flux de données sans nécessiter d’étiquettes explicites d’accidents, le modèle peut exploiter d’immenses quantités d’informations de conduite disponibles pour développer ses capacités d’évaluation des risques.
Performances réelles
Le GSSM a démontré des indicateurs de performances exceptionnels dans plusieurs scénarios de conduite critiques. Le système a atteint une aire sous la courbe précision-rappel (AUPRC) de 0,9, confirmant sa grande précision à distinguer les situations de conduite sûres des événements à risques, selon les chercheurs. Le délai de pré-alerte médian de 2,6 secondes offre des instants cruciaux pour que les conducteurs ou les systèmes automatisés effectuent des manœuvres d’évitement.
Les tests ont couvert divers scénarios d’interaction, y compris les collisions par l’arrière, les manœuvres d’insertion et les situations de virage, avec ce modèle surpassant de façon systématique les méthodes de référence existantes tant en précision qu’en réactivité. Le processus de validation a utilisé des données issues de véhicules équipés de GPS, d’IMU et de systèmes de perception tels que des caméras ou des radars pour suivre les trajectoires des véhicules et les interactions avec l’environnement.
Applications commerciales et impact
La technologie ouvre des perspectives immédiates dans trois secteurs clés. Pour les Advanced Driver-Assistance Systems (ADAS), elle permet des fonctionnalités de sécurité proactives qui anticipent les risques plutôt que de simplement y réagir. Les véhicules autonomes obtiennent un outil évolutif pour l’identification des dangers et l’amélioration de la planification des mouvements dans des environnements complexes. Les gestionnaires de flottes peuvent déployer le système pour surveiller les schémas de comportement des conducteurs et mettre en place des programmes de formation sécuritaire ciblés.
En éliminant le besoin d’une annotation onéreuse des données de collisions, le GSSM offre une solution commercialement attrayante qui pourrait accélérer l’adoption généralisée. Les chercheurs ont souligné que des données d’interaction additionnelles et des facteurs contextuels pourraient apporter des gains de performances supplémentaires, suggérant des possibilités d’amélioration continue.
L’équipe a rendu son code et ses données d’expérimentation librement accessibles afin de favoriser la reproductibilité et la recherche future, selon la publication. Cette transparence pourrait établir le GSSM comme une nouvelle référence pour les régulateurs évaluant la sécurité des technologies autonomes et d’aide à la conduite dans des conditions réelles.
Sources
- doi.org
- arxiv.org
