Le projet pourrait permettre aux voitures autonomes de prendre de meilleures décisions plus rapidement et d’éviter les collisions

À l’avenir, les voitures autonomes ou autonomes devraient réduire considérablement le nombre de décès dus aux accidents de la route. Pour faire avancer les développements sur cette route révolutionnaire, le CERN et la société de logiciels de sécurité automobile Zenseact viennent de terminer un projet de trois ans sur la recherche de modèles d’apprentissage automatique pour permettre aux voitures autonomes de prendre de meilleures décisions plus rapidement et ainsi d’éviter les collisions.

Lorsqu’il s’agit de capturer des données sur les collisions, le CERN exige également une prise de décision rapide et efficace tout en analysant les millions de collisions de particules produites dans les détecteurs du Large Hadron Collider (LHC). Ses capacités uniques d’analyse de données sont ce qui a réuni le CERN et Zenseact pour étudier comment les techniques d’apprentissage automatique de l’organisation de physique des hautes énergies pourraient être appliquées au domaine de la conduite autonome. Axée sur la « vision par ordinateur », qui aide la voiture à analyser et à réagir à son environnement extérieur, l’objectif de cette collaboration était de rendre les techniques d’apprentissage en profondeur plus rapides et plus précises.

« L’apprentissage en profondeur a fortement remodelé la vision par ordinateur au cours de la dernière décennie, et la précision des applications de reconnaissance d’images atteint désormais des niveaux sans précédent. Mais les résultats de nos recherches avec le CERN montrent qu’il y a encore place à l’amélioration en ce qui concerne les véhicules autonomes. déclare Christoffer Petersson, responsable de la recherche chez Zenseact.

Pour le traitement des tâches de vision par ordinateur, des puces connues sous le nom de matrices de portes programmables sur le terrain (FPGA) ont été choisies comme référence matérielle. Les FPGA, utilisés au CERN depuis de nombreuses années, sont des circuits intégrés configurables capables d’exécuter des algorithmes décisionnels complexes en quelques microsecondes.

Les chercheurs ont découvert que beaucoup plus de fonctionnalités pouvaient être intégrées au FPGA en optimisant les ressources existantes. La meilleure partie est que les tâches pourraient être effectuées avec une grande précision et une latence courte, même sur une unité de traitement avec des ressources de calcul limitées.

« Notre collaboration a permis d’élucider des techniques de compression dans les FPGA qui pourraient également avoir un effet significatif sur l’augmentation de l’efficacité du traitement dans les centres de données du LHC. Les plates-formes d’apprentissage automatique ouvrant la voie à des solutions de nouvelle génération, le développement futur de ce domaine de recherche pourrait être un enjeu majeur. contribution à de multiples autres domaines, au-delà de la physique des hautes énergies », déclare Maurizio Pierini, physicien au CERN.

Les mêmes techniques peuvent également être utilisées pour améliorer l’efficacité algorithmique tout en maintenant la précision dans un large éventail de domaines, des gains d’efficacité énergétique dans les centres de données au dépistage cellulaire pour les applications médicales.

Deux articles écrits dans le cadre du projet sont tous deux publiés dans la revue Apprentissage automatique : science et technologie.