Les chercheurs utilisent l'exploration de données multidimensionnelle pour le système d'évitement des obstacles dans les véhicules autonomes

Une nouvelle technique basée sur les données pour l'évitement des obstacles dans les véhicules autonomes est signalée dans le Journal international de conception de véhicules. L'approche pourrait surmonter bon nombre des défis de longue date dans le développement de la navigation autonome.

L'évitement des obstacles fait référence à la capacité d'un véhicule à détecter et à manœuvrer autour des objets sur son chemin. Malgré des années de développement, de nombreux systèmes luttent toujours avec cette capacité de base, produisant souvent des voies inefficaces, réagissant lentement aux changements soudains ou échouant complètement dans des environnements complexes ou imprévisibles. La nouvelle méthode aborde ces lacunes en intégrant les algorithmes avancés d'exploration de données et d'optimisation dans le processus de navigation du véhicule.

Les chercheurs expliquent que l'exploration de données multidimensionnelle est la clé de leur approche. Cela implique l'extraction de modèles à partir d'un large éventail de sources de données, y compris l'entrée visuelle des caméras, les mesures spatiales de LIDAR (détection de lumière et allant, un système basé sur le laser pour la cartographie des distances), les données de localisation du GPS (système de positionnement global) et des informations sur le trafic en temps réel.

Ces données sont traitées à l'aide du clustering K-means, un algorithme d'apprentissage automatique qui groupe des points de données similaires sans avoir besoin d'étiquettes antérieures. Le but est de permettre au véhicule d'interpréter son environnement plus intelligemment, en reconnaissant des modèles tels que les types d'obstacles, les caractéristiques routières ou le mouvement des objets à proximité.

Une fois l'environnement traité, le véhicule construit ce que les chercheurs appellent une fonction cible. Il s'agit d'un modèle mathématique qui équilibre les objectifs de sécurité, de vitesse et d'efficacité. Pour optimiser cette fonction, l'équipe a appliqué l'algorithme d'optimisation des baleines (WOA), une méthode inspirée du comportement de recherche de nourriture des tueurs, Orcinus Orca. WOA excelle à identifier rapidement des solutions optimales dans des espaces complexes, ce qui le rend bien adapté aux exigences à grande vitesse de la prise de décision sur route.

Dans leurs simulations, l'équipe a démontré un taux de réussite d'évitement des obstacles de près de 99%, avec des temps de réaction aussi rapidement que 0,44 seconde. Ces résultats représentent une amélioration marquée par rapport à de nombreuses techniques existantes, qui nécessitent souvent des temps de traitement plus longs et produisent des chemins moins directs ou plus conservateurs.