Artificial Neural Expert System based YOLO$_{Gen_1}$ detector for Autonomous Driving Problem

Conduire une voiture nécessite une conversation constante et instantanée entre le conducteur et la route. Les yeux scrutent les dangers, le cerveau traite la signification d'un feu clignotant ou d'un arrêt soudain, et les mains exécutent le virage ou le freinage nécessaire. Pendant des décades, les ingénieurs ont tenté de donner aux machines cette même capacité, en construisant des systèmes capables de voir et de décider sans l'aide humaine. Le défi est immense car le monde est imprévisible ; un piéton peut descendre d'un trottoir, ou un feu de signalisation peut tomber en panne. Pour résoudre cela, les chercheurs s'appuient sur deux outils principaux : des capteurs qui servent d'yeux à la machine, et un logiciel qui sert de cerveau. Les yeux utilisent généralement des caméras ou des radars pour repérer les objets, tandis que le cerveau utilise des programmes informatiques complexes pour comprendre la signification de ces objets et décider de la marche à suivre. L'objectif est de créer un véhicule capable de naviguer de manière sûre et efficace, en gérant la réalité désordonnée du trafic réel.

Un chercheur de l'Université de Tunis El Manar a proposé une nouvelle façon de construire ce système, en combinant un ensemble d'yeux plus aiguisés avec un cerveau plus expérimenté. Il a introduit un nouveau détecteur appelé YOLOGen1, qui sert de capteur visuel pour son système de conduite autonome. Contrairement aux versions précédentes qui avaient souvent du mal avec les objets petits ou lointains, ce nouveau détecteur est conçu pour voir la route avec une clarté exceptionnelle. Il ne repose pas sur le radar, qui peut être affecté par la météo, mais utilise plutôt une combinaison sophistiquée de modèles basés sur la caméra travaillant de concert. Le chercheur a constaté que ce nouveau détecteur pouvait identifier des objets avec un niveau de confiance dépassant 98 pour cent sur des ensembles de données de conduite standards. Lors de tests utilisant un ensemble de données spécifique de scènes de conduite, il a surpassé plusieurs autres modèles de pointe, trouvant plus de voitures, de piétons et de panneaux avec une plus grande précision.

Cependant, voir la route n'est que la moitié de la bataille ; le véhicule doit également décider de sa réaction. Le chercheur a abordé cela en créant un nouveau type de système de prise de décision qu'il appelle un Système Expert de Réseaux de Neurones Artificiels. Considérez cela comme un conducteur numérique qui a étudié le code de la route, mais qui apprend aussi de ses propres erreurs. Les programmes informatiques traditionnels suivent des règles rigides : si le feu est rouge, on s'arrête. Mais que se passe-t-il si le feu est en panne et reste bloqué sur le rouge ? Un programme rigide s'arrêterait éternellement. Le nouveau système, cependant, peut reconnaître que le feu est obstrué et changer de stratégie, en traitant par exemple la situation comme un panneau stop. Il y parvient en mettant constamment à jour ses règles internes en fonction de ce qui se passe ensuite, lui permettant de gérer les situations où les règles standards échouent. Ce système est conçu pour être sûr, garantissant que même en apprenant, il ne choisira jamais une voie dangereuse.

Pour faire fonctionner ce système en temps réel, le chercheur a organisé le logiciel de sorte que différentes parties de l'ordinateur travaillent ensemble simultanément, plutôt que d'attendre qu'une tâche se termine avant de commencer la suivante. Il a testé toute cette configuration sur un processeur d'ordinateur portable standard, sans avoir besoin de cartes graphiques coûteuses. Les résultats ont été frappants : le système pouvait traiter la vidéo et donner des recommandations de conduite plus rapidement que le temps réel, même sur du matériel simple. Dans les simulations, le système a navigué avec succès dans des scénarios complexes, tels qu'un feu de signalisation qui restait rouge en raison d'un dysfonctionnement, en changeant dynamiquement sa logique de décision pour maintenir le véhicule en mouvement en toute sécurité. Le chercheur a validé son approche en utilisant des séquences vidéo réelles, montrant que le système pouvait fournir des conseils utiles et immédiats à un conducteur ou à un véhicule autonome.

L'étude suggère qu'en combinant un détecteur visuel hautement précis avec un système de décision flexible basé sur l'apprentissage, les véhicules autonomes peuvent devenir plus sûrs et plus fiables. Le chercheur a démontré que son nouveau détecteur, YOLOGen1, est actuellement la version la plus efficace de son genre pour repérer des objets dans des scènes de conduite. Il a également montré que son système de décision peut s'adapter aux règles défaillantes et aux obstacles imprévus, une étape critique vers des véhicules capables de gérer le chaos de la circulation réelle. Bien que le système ait été testé de manière approfondie en simulations et avec des vidéos enregistrées, le chercheur note que des tests supplémentaires sur de vraies routes sont nécessaires avant qu'il ne puisse être utilisé dans des voitures de série. Ses travaux offrent une voie prometteuse, prouvant qu'une machine peut non seulement voir la route clairement, mais aussi réfléchir aux problèmes qu'elle y rencontre.