Une prédiction précise en temps réel du mouvement des véhicules à proximité ou de la trajectoire future des piétons est essentielle pour une conduite autonome en toute sécurité. Une équipe de recherche dirigée par la City University of Hong Kong (CityU) a récemment développé un nouveau système d'IA qui améliore la précision prédictive dans un trafic dense et augmente l'efficacité informatique de plus de 85 %, offrant ainsi un grand potentiel pour améliorer la sécurité des véhicules autonomes.

Le professeur Wang Jianping, du Département d'informatique (CS) de CityU, qui a dirigé l'étude, a expliqué l'importance cruciale d'une prévision précise et en temps réel dans la conduite autonome, soulignant que même des retards et des erreurs minimes peuvent conduire à des accidents catastrophiques.

Cependant, les solutions existantes de prédiction des comportements peinent souvent à comprendre correctement les scénarios de conduite ou manquent d’efficacité dans leurs prédictions. Ces solutions impliquent généralement de renormaliser et de ré-encoder les dernières données de position des objets environnants et de l'environnement chaque fois que le véhicule et sa fenêtre d'observation avancent, même si les dernières données de position chevauchent sensiblement les données précédentes. Cela conduit à des calculs redondants et à une latence dans les prédictions en ligne en temps réel.

Pour surmonter ces limitations, le professeur Wang et son équipe ont présenté un modèle révolutionnaire de prédiction de trajectoire, appelé « QCNet », qui peut théoriquement prendre en charge le traitement en continu. Il est basé sur le principe de l'espace-temps relatif pour le positionnement, qui confère au modèle de prédiction d'excellentes propriétés, telles que « l'invariance de roto-traduction dans la dimension spatiale » et « l'invariance de translation dans la dimension temporelle ».

Ces deux propriétés permettent aux informations de position extraites d'un scénario de conduite d'être uniques et fixes, quel que soit le système de coordonnées spatio-temporelles du spectateur lors de la visualisation du scénario de conduite. Cette approche permet de mettre en cache et de réutiliser les codages des coordonnées précédemment calculés, permettant ainsi au modèle de prédiction de fonctionner théoriquement en temps réel.

L’équipe a également intégré les positions relatives des usagers de la route, des voies et des passages pour piétons dans le modèle d’IA pour capturer leurs relations et interactions dans des scénarios de conduite. Cette meilleure compréhension des règles de la route et des interactions entre les multiples usagers de la route permet au modèle de générer des prévisions sans collision tout en tenant compte de l'incertitude quant au comportement futur des usagers de la route.

Pour évaluer l'efficacité de QCNet, l'équipe a utilisé « Argoverse 1 » et « Argoverse 2 », deux collections à grande échelle de données de conduite autonome open source et de cartes haute définition de différentes villes américaines. Ces ensembles de données sont considérés comme les références les plus difficiles en matière de prédiction des comportements, comprenant plus de 320 000 séquences de données et 250 000 scénarios.

Lors des tests, QCNet a démontré à la fois rapidité et précision dans la prévision des mouvements futurs des usagers de la route, même avec une prévision à long terme allant jusqu'à six secondes. Il s'est classé premier parmi 333 approches de prédiction sur Argoverse 1 et 44 approches sur Argoverse 2. De plus, QCNet a considérablement réduit la latence d'inférence en ligne de 8 ms à 1 ms et a augmenté l'efficacité de plus de 85 % dans la scène de trafic la plus dense impliquant 190 usagers de la route et 169 cartes. polygones, tels que les voies et les passages pour piétons.

"En intégrant cette technologie dans les systèmes de conduite autonome, les véhicules autonomes peuvent comprendre efficacement leur environnement, prédire avec plus de précision le comportement futur des autres utilisateurs et prendre des décisions plus sûres et plus humaines, ouvrant ainsi la voie à une conduite autonome sûre", a déclaré le professeur. Wang. "Nous prévoyons d'appliquer cette technologie à davantage d'applications dans le domaine de la conduite autonome, notamment les simulations de trafic et la prise de décision humaine."

Les résultats de la recherche ont été présentés à la Conférence IEEE / CVF sur la vision par ordinateur et la reconnaissance de formes (CVPR 2023)une conférence universitaire annuelle sur la vision par ordinateur, qui s'est tenue cette année au Canada, sous le titre « Prédiction de trajectoire centrée sur les requêtes ».

Le premier auteur est M. Zhou Zikang, titulaire d'un doctorat. étudiant dans le groupe de recherche du professeur Wang au département CS de CityU. L'auteur correspondant est le professeur Wang. Des collaborateurs du Hon Hai Research Institute, un centre de recherche créé par Hon Hai Technology Group (Foxconn), et de l'Université Carnegie Mellon, aux États-Unis, ont également contribué à la recherche. Les résultats seront intégrés dans le système de conduite autonome du Hon Hai Technology Group pour améliorer efficacité de prédiction en temps réel et sécurité de conduite autonome.