PersonaDrive: Controllable Trajectory Prediction with Multi-Dimensional Driving Personas

Chaque fois qu'une voiture autonome navigue dans une rue animée d'une ville, elle doit prendre une série de décisions en une fraction de seconde sur la direction à prendre et la vitesse à adopter pour y arriver. Pendant des années, les chercheurs ont appris à ces véhicules à prédire les trajectoires futures des autres voitures et des piétons, mais les véhicules eux-mêmes ont été largement entraînés pour conduire d'une manière unique, sûre et prévisible. Ils sont programmés pour être le conducteur idéal et prudent, qui n'accélère jamais inutilement et ne prend jamais un virage brusque. Bien que cette approche soit sûre, elle néglige une partie cruciale de la réalité humaine : les gens conduisent différemment selon qui ils sont, où ils vont et comment ils se sentent. Un parent pressé d'emmener un enfant malade à l'hôpital a besoin d'un trajet fluide et doux, même s'il est pressé, tandis qu'un pompier accourant vers un incendie pourrait avoir besoin d'accepter un trajet plus rude et plus agressif pour gagner du temps. Jusqu'à présent, les systèmes autonomes ont eu du mal à comprendre ces besoins humains subtils et contradictoires, adoptant souvent un style unique pour tous qui semble robotique et déconnecté de la situation réelle du passager.

Une équipe de chercheurs de Corée du Sud a abordé ce problème en créant une nouvelle façon d'apprendre aux voitures autonomes à comprendre la personnalité derrière le volant. Ils ont réalisé que le comportement de conduite humain ne dépend pas seulement de la rapidité ou de la lenteur ; il est façonné par deux forces distinctes. La première est l'urgence, qui dicte la rapidité avec laquelle un conducteur souhaite atteindre sa destination. La seconde est le confort, qui détermine la fluidité avec laquelle le conducteur souhaite voyager, privilégiant un trajet doux plutôt que la vitesse. En séparant ces deux facteurs, les chercheurs ont créé un nouveau cadre qui permet à un véhicule non seulement d'être instruit pour « conduire vite » ou « conduire lentement », mais aussi d'adopter une certaine persona de conduite qui équilibre ces désirs concurrents.

Pour tester cette idée, l'équipe a d'abord dû construire une nouvelle sorte de bibliothèque d'entraînement. Ils ont pris des milliers de scènes de conduite réelles et ont utilisé des modèles de langage avancés pour générer neuf versions différentes du même trajet. Chaque version correspondait à une combinaison unique d'urgence et de confort, allant d'un trajet frénétique et cahoteux pour quelqu'un en pleine crise désespérée à un voyage lent et ultra-fluide pour un passager qui ne se sent pas bien. Pour chacun de ces neuf scénarios, ils ont écrit des descriptions en langage naturel qu'un passager pourrait réellement dire à un chauffeur, telles que « S'il vous plaît, accélérez ! Mon enfant est coincé dans la voiture », ou « Pourriez-vous conduire doucement, s'il vous plaît ? J'ai un café chaud avec moi ». Cette collection, qu'ils appellent l'ensemble de données PCT, associe ces descriptions textuelles aux trajectoires physiques précises qu'une voiture devrait suivre pour correspondre à cet état d'esprit spécifique.

Avec ces nouvelles données en main, les chercheurs ont développé un système qu'ils ont nommé PersonaDrive. Ce système agit comme un traducteur, prenant la requête textuelle du passager et la convertissant en instructions spécifiques pour la direction et l'accélération de la voiture. Au lieu de traiter chaque instruction comme un simple interrupteur, le système apprend à ajuster la trajectoire de la voiture le long de deux axes distincts. Si un passager demande de la vitesse, la voiture apprend à parcourir plus de distance en moins de temps. Si un passager demande du confort, la voiture apprend à lisser ses virages et à éviter les secousses soudaines. Crucialement, le système peut gérer des requêtes qui mélangent ces besoins, comme un passager qui est pressé mais qui a besoin d'un trajet fluide parce qu'il transporte un équipement médical fragile. Les chercheurs ont constaté qu'en apprenant à la voiture à respecter les deux axes simultanément, elle pouvait générer des trajectoires bien plus précises par rapport à l'intention du passager que les méthodes précédentes, qui restaient souvent bloquées dans un mode de conduite unique.

Les résultats de leurs expériences ont montré que cette approche fonctionne nettement mieux que les anciens modèles. Testé sur une simulation de conduite standard, le nouveau système a systématiquement prédit la bonne trajectoire pour les neuf différentes personas de conduite, alors que les anciens systèmes échouaient souvent à distinguer un conducteur qui voulait être rapide d'un conducteur qui voulait être fluide. Les chercheurs ont également découvert que donner à la voiture une simple description textuelle était plus efficace que de lui donner un simple code ou une étiquette. Le langage lui-même a aidé le système à comprendre les nuances de la requête, lui permettant de créer une gamme continue de styles de conduite plutôt que de simples catégories rigides. Cela suggère que l'avenir de la conduite autonome ne réside peut-être pas dans la programmation d'une voiture pour qu'elle soit une machine parfaite et sans émotion, mais dans l'apprentissage de la compréhension des histoires humaines derrière le voyage, en ajustant son comportement pour répondre aux besoins uniques de chaque passager.